模式識(shí)別第_章模式識(shí)別的類型（1） 確定模式（2） 非確定模式（3） 隨機(jī)模式模式的統(tǒng)計(jì)特性a） 相似性-先驗(yàn)概率：P（v.）b） 類條件概率密度：p（xlv.）模式的主要過程a） 數(shù)據(jù)處理b） 模式類的模型假設(shè)c） 選擇最優(yōu)的模型并分類模式識(shí)別的定義Def:依據(jù)一定的規(guī)則，將模式進(jìn)行分類的過程。模式識(shí)別的典型應(yīng)用（掌握5個(gè)以上）1） 語音識(shí)別（例如：IBMViaVOice系統(tǒng)）2） 表情分析、年齡、種族、性別分類3） OCR:車牌照、集裝箱號(hào)碼…4） 手寫體識(shí)別：漢王5） 手勢識(shí)別：基于視覺的，基于數(shù)據(jù)手套6） 人臉識(shí)別、指紋識(shí)別、虹膜識(shí)別…7） 軍事目標(biāo)識(shí)別8） 生物信息、醫(yī)學(xué)圖像統(tǒng)計(jì)模式識(shí)別的基本思想模式被描述為一組測量值組成的隨機(jī)特征向量，用概率統(tǒng)計(jì)理論對(duì)其進(jìn)行建模，用統(tǒng)計(jì)決策理論劃分特征空間來進(jìn)行分類。統(tǒng)計(jì)模式識(shí)別的一般過程（主要掌握測試模式）考察會(huì)細(xì)化，如具體分析汽車牌照識(shí)別過程第二章一、基于最小錯(cuò)誤率的貝葉斯決策Note：考查公式，主要考計(jì)算題TOC\o"1-5"\h\z11 k=10 k3F阮|為=我地*L （2-1）>1Examplel：假設(shè)在某地區(qū)切片細(xì)胞中正常（31）和異常（^2）兩類的先驗(yàn)概率分別為p（31）=0.9,P（32）=0.1?，F(xiàn)有一待識(shí)別細(xì)胞呈現(xiàn)出狀態(tài)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(duì)細(xì)胞X進(jìn)行分類。解：利用貝葉斯公式，分別計(jì)算出狀態(tài)為X時(shí)31與32的后驗(yàn)概率而 |^=0.182才艮據(jù)貝葉斯決策（2-2）則有P（31|x）=0.818>P（32lx）=0.0182因此判定該細(xì)胞為正常細(xì)胞比較合理。請(qǐng)用公式（2-3）與（2-5）計(jì)算，檢查一下結(jié)果是否一樣？二、基于最小風(fēng)險(xiǎn)的貝葉斯決策J-1Note：將X判為何類則應(yīng)依據(jù)所有Ri,(i=1,…,c)中的最小值，即最小風(fēng)險(xiǎn)來定。R1QQ=X(J)P(co1|X)+^P(cu2|X)R我也+(叱|X)Example2：在Examplel條件的基礎(chǔ)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(fēng)險(xiǎn)貝葉斯決策進(jìn)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(jù)Example1的計(jì)算結(jié)果可知后驗(yàn)概率為P(w1|X)=0.818,P(w12lX)=0.182再計(jì)算出條件風(fēng)險(xiǎn)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(fēng)險(xiǎn)小于決策為④1的條件風(fēng)險(xiǎn)，因此應(yīng)采取即決策為決策行動(dòng)a決策行動(dòng)a2,即判待識(shí)別的細(xì)胞X為312類一一異常細(xì)胞。第三章a線性分類器的基本概念、決策規(guī)則，決策面方程線性判別函數(shù)的一般形式可表示成：g(X)=WTX+w0其中而①0是一個(gè)常數(shù)，稱為閾值權(quán)。相應(yīng)的決策規(guī)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(yīng)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(qǐng)看下第三章廣義線性判別函數(shù)的相關(guān)內(nèi)容。c線性分類器的設(shè)計(jì)步驟1按需要確定一準(zhǔn)則函數(shù)J。2確定準(zhǔn)則函數(shù)J達(dá)到極值時(shí)及的具體數(shù)值，從而確定判別函數(shù)，完成分類器設(shè)計(jì)。Note：Fisher最好也了解一下Addition:神經(jīng)網(wǎng)絡(luò)MP神經(jīng)元模型:BP算法：基本思想：負(fù)梯度方向的梯度下降三個(gè)公式，修正權(quán)值：kj°ki(*)3=(t -o)