模式识别---绪论

一、模式识别系统的典型构成

1)  有已知样本情况：监督模式识别(supervised PR)



处理监督模式识别问题的一般步骤：

l  分析问题：深入研究应用领域的问题，分析是否属于模式识别问题，把所研究的目标表示为一定的类别，分析给定数据或者可以观测的数据中哪些因素可能与分类有关。

l  原始特征获取：设计实验，得到已知样本，对样本实施观测和预处理，获取可能与样本分类有关的观测向量（原始特征）。

l  特征提取与选择：为了更好地进行分类，可能需要采用一定的算法对特征进行再次提取和选择。

l  分类器设计：选定一定的分类器方法，用已知样本进行分类器训练。

l  分类决策：利用一定的算法对分类器性能进行评价；对未知样本实施同样的观测、预处理和特征提取与选择，用所设计的分类器进行分类，必要时根据领域知识进行进一步的后处理。

例如：语音识别



2) 无已知样本情况：非监督模式识别(unsupervised PR)



处理非监督模式识别问题的一般步骤：

l  分析问题：深入研究应用领域的问题，分析研究目标能否通过寻找适当的聚类来达到；如果可能，猜测可能的或希望的类别数目；分析给定数据或者可以观测的数据中哪些因素可能与聚类有关。

l  原始特征获取：设计实验，得到待分析的样本，对样本实施观测和预处理，获取可能与样本聚类有关的观测向量（原始特征）。

l  特征提取与选择：为了更好地进行聚类，可能需要采用一定的算法对特征进行再次提取和选择。

l  聚类分析：选定一定的非监督模式识别方法，用样本进行聚类分析。

l  结果解释：考察聚类结果的性能，分析所得聚类与研究目标之间的关系，根据领域知识分析结果的合理性，对聚类的含义给出解释；如果有新样本，把聚类结果用于新样本分类。