模式識別第_章模式識別的類型（1） 確定模式（2） 非確定模式（3） 隨機模式模式的統計特性a） 相似性-先驗概率：P（v.）b） 類條件概率密度：p（xlv.）模式的主要過程a） 數據處理b） 模式類的模型假設c） 選擇最優的模型并分類模式識別的定義Def:依據一定的規則，將模式進行分類的過程。模式識別的典型應用（掌握5個以上）1） 語音識別（例如：IBMViaVOice系統）2） 表情分析、年齡、種族、性別分類3） OCR:車牌照、集裝箱號碼…4） 手寫體識別：漢王5） 手勢識別：基于視覺的，基于數據手套6） 人臉識別、指紋識別、虹膜識別…7） 軍事目標識別8） 生物信息、醫學圖像統計模式識別的基本思想模式被描述為一組測量值組成的隨機特征向量，用概率統計理論對其進行建模，用統計決策理論劃分特征空間來進行分類。統計模式識別的一般過程（主要掌握測試模式）考察會細化，如具體分析汽車牌照識別過程第二章一、基于最小錯誤率的貝葉斯決策Note：考查公式，主要考計算題TOC\o"1-5"\h\z11 k=10 k3F阮|為=我地*L （2-1）>1Examplel：假設在某地區切片細胞中正常（31）和異常（^2）兩類的先驗概率分別為p（31）=0.9,P（32）=0.1。現有一待識別細胞呈現出狀態X,由其類條件概率密度分布曲線查得p（x|31）=0.2,p（x|32）=0.4,試對細胞X進行分類。解：利用貝葉斯公式，分別計算出狀態為X時31與32的后驗概率而 |^=0.182才艮據貝葉斯決策（2-2）則有P（31|x）=0.818>P（32lx）=0.0182因此判定該細胞為正常細胞比較合理。請用公式（2-3）與（2-5）計算，檢查一下結果是否一樣？二、基于最小風險的貝葉斯決策J-1Note：將X判為何類則應依據所有Ri,(i=1,…,c)中的最小值，即最小風險來定。R1QQ=X(J)P(co1|X)+^P(cu2|X)R我也+(叱|X)Example2：在Examplel條件的基礎上，并且已知入1j0,(入］］表示入(a1|w1)的簡寫)，入廣6，入廣1,入廣0,按最小風險貝葉斯決策進行分類。解：已知條件為P(w1)=0.9,P(wi2)=0.1p(X|w1)=0.2,p(X|w以)=0.r入11=0，入12=6，入21=1，入22=0根據Example1的計算結果可知后驗概率為P(w1|X)=0.818,P(w12lX)=0.182再計算出條件風險R0|X)=$＞『饑|X)=人任3IX)=1.092j-i|又)=$＞瑚％|又)=藻(輜IX)=0.818j-i

由于R(a1|X)>R(ajX)即決策為④12的條件風險小于決策為④1的條件風險，因此應采取即決策為決策行動a決策行動a2,即判待識別的細胞X為312類一一異常細胞。第三章a線性分類器的基本概念、決策規則，決策面方程線性判別函數的一般形式可表示成：g(X)=WTX+w0其中而①0是一個常數，稱為閾值權。相應的決策規則可表示成「g(X)>0,則決策Xeoji如果< 0?則決策XE102可將其任意分類或拒絕。g(X)=0就是相應的決策面方程b廣義線性Note：主要是采用映射的方法去處理問題，具體請看下第三章廣義線性判別函數的相關內容。c線性分類器的設計步驟1按需要確定一準則函數J。2確定準則函數J達到極值時及的具體數值，從而確定判別函數，完成分類器設計。Note：Fisher最好也了解一下Addition:神經網絡MP神經元模型:BP算法：基本思想：負梯度方向的梯度下降三個公式，修正權值：kj°ki(*)3=(t -o)