1、模式識別技術(shù),定義：識別出給定的事物與哪一個(gè)標(biāo)本相同或相近。 模式分類: 把供模仿的標(biāo)本分成若干類，再判斷給定的事物屬于哪一類。 例如：文字識別，疾病診斷,聲紋識別。模式是被屬于人工智能的研究范疇。,模式識別的分類,有監(jiān)督的模式識別：除了待識別樣本外，還提供已經(jīng)類別樣本集（訓(xùn)練樣本集），用來先行訓(xùn)練，使之積累經(jīng)驗(yàn)，獲得識別能力，再對未知樣本識別，分類。 無監(jiān)督的模式識別：無訓(xùn)練樣本。采用集群（聚類）分析。,模式識別系統(tǒng),數(shù)據(jù)獲取預(yù)處理特征提取決策分類 在實(shí)際問題中，提取的特征是把一個(gè)物理模式變成一個(gè)隨機(jī)向量。 決策分類：若已知待識別樣本完整的先驗(yàn)知識，則可據(jù)此確定決策函數(shù)的數(shù)學(xué)表達(dá)式；若僅知待

2、識別樣本的定性知識，那么需要經(jīng)過學(xué)習(xí)（訓(xùn)練），確定決策函數(shù)。,例: Cancer 數(shù)據(jù)測試,調(diào)用cancer_dataset 采用BP網(wǎng)絡(luò)識別癌癥特征。 采用newpr(p,t,hidenum)創(chuàng)建網(wǎng)絡(luò) 數(shù)據(jù)分類：1、60%用于訓(xùn)練 2、20%用于監(jiān)測（防止過收 斂） 3、20%用于測試 采用train訓(xùn)練,提高精度方法,對網(wǎng)絡(luò)賦值新權(quán)值，重新訓(xùn)練 增加隱層神經(jīng)元數(shù)目 增加訓(xùn)練樣本 增加預(yù)測變量的數(shù)目（更多先驗(yàn)信息） 更好其他的訓(xùn)練算法 采用優(yōu)化算法,nprtool的使用,在命令窗口輸入nprtool,即可彈出GUI界面。 其中可以load軟件中的樣本數(shù)據(jù)，進(jìn)行測試。,例：血清膽固醇含量檢測問

3、題,通過臨床實(shí)踐共提取了264位病人的血樣檢測結(jié)果數(shù)據(jù)，其中每個(gè)檢測結(jié)果均對應(yīng)所測血樣光譜的21個(gè)波長值?，F(xiàn)利用樣本數(shù)據(jù)訓(xùn)練，設(shè)計(jì)一個(gè)神經(jīng)網(wǎng)絡(luò)，使其能夠自動完成上述檢測過程。,分析,Step1:采用load choles_all,調(diào)用內(nèi)置的經(jīng)典樣本，訓(xùn)練樣本名為p, 訓(xùn)練目標(biāo)名為t Step2: 采用prestd(p,t)對原始樣本歸一化，獲得歸一化后的樣本矩陣pn Step3: 采用ptran=prepca(pn,0.001),對歸一化后的矩陣pn降維。 Step4: 對樣本數(shù)據(jù)劃分為訓(xùn)練集、驗(yàn)證集、測試集。Itest=2:4:Q;Ival=4:4:Q;Itr=1:2:Q;,Val.P=pt

4、rans(:,Ival);val.T=t(:,Ival); Test.P=ptrans(:,Itest);Val.T=t(:,Itest) Ptr=ptran(:,Itr);ttr=t(:,Itr); Step5:創(chuàng)建網(wǎng)絡(luò)net=newff(minmax(ptr),S1,S2,) Step6:訓(xùn)練,并繪制誤差曲線 net,tr=train(net,ptr,ttr,val,test) Plot(tr.epoch,tr.perf,tr.epoch,tr.vperf,tr.epoch,tr.tperf),車牌號識別算法,字符識別相關(guān)：特征提取，識別算法。 在二值字符圖像中，利用字符的點(diǎn)陣特征進(jìn)行字符

5、識別是最簡單的方法，只需要將二值化的字符圖像以數(shù)組的形式輸入到分類器中。分類器可以采用模板匹配，或者利用大量的樣本訓(xùn)練的神經(jīng)網(wǎng)絡(luò)來作分類器。 實(shí)驗(yàn)證明，該方法對于字符字體，型號變化不大的情況非常有效。,特征提取,點(diǎn)陣特征：該組特征基于細(xì)化的二值圖像，二值化字符圖像的點(diǎn)陣結(jié)構(gòu)反映了一個(gè)字符的整體結(jié)構(gòu)特征。 通常，分類器采用模板匹配，利用距離函數(shù)計(jì)算模板與當(dāng)前字符之間的相似度，其中相似度最小的那個(gè)模板所代表的字符即為識別出的字符。該方法簡單易行，計(jì)算復(fù)雜度低，適合實(shí)時(shí)識別。,識別算法,利用BP神經(jīng)網(wǎng)絡(luò)來分類字符。BP神經(jīng)網(wǎng)絡(luò)包括3層：輸入層，隱含層，輸出層。 通過BP網(wǎng)絡(luò)的泛化能力，進(jìn)行字符的識別

6、。,例：用神經(jīng)網(wǎng)絡(luò)對26個(gè)字母識別,采用matlab中的prprob字母庫，作為樣本實(shí)例，進(jìn)行字母的識別。 分析：1、訓(xùn)練樣本為35x26的矩陣，每列對應(yīng)于每個(gè)字母的布爾矢量，訓(xùn)練目標(biāo)為26x26的單位矩陣。 2、在實(shí)際的字母識別中，不同級別的噪聲是存在的，因而會影響識別率，所以可以考慮擴(kuò)張訓(xùn)練樣本，并對擴(kuò)張的訓(xùn)練樣本加入小功率噪聲。,采用newff(p,t,hidenums)創(chuàng)建新BP網(wǎng)絡(luò)；采用train函數(shù)進(jìn)行訓(xùn)練。采用plotchar畫出5x7的字母網(wǎng)格圖。 在對訓(xùn)練好的網(wǎng)絡(luò)性能進(jìn)行測試時(shí)，可以選擇要識別的字母。由于受噪聲影響，網(wǎng)絡(luò)輸出模式矢量中的元素可能不是單純的0和1兩個(gè)值。,其中測試的輸出可以用compet競爭傳遞函數(shù)得出最接近網(wǎng)絡(luò)輸出的標(biāo)準(zhǔn)模式矢量。,例：車牌號識別,給定車牌號是：J369 訓(xùn)練部分：對神經(jīng)網(wǎng)絡(luò)的輸入訓(xùn)