本文主要是介绍The Definition of Pattern Recognition，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
模式识别： “对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程。” –模式识别（西奥多里德斯 等著 ）
模式识别方法的应用：
• 网络搜索
• 字符识别：包括印刷体字符的识别；手写体字符的识别、各种OCR设备例如信函
分拣、文件处理、各种书写输入板。
• 指纹识别、人脸识别。
• 语声识别，电话号码自动查询，机器故障判断。
• 医疗诊断：心电图，脑电图，染色体，癌细胞识别，疾病诊断等等。
模式识别的过程可以抽象地表示为
“x->h(x)->y”
• 其中：
• x代表原始信息（数据）
• h(x)代表模式识别系统
• y代表输出（例如：类别）
• 作为一个具体的研究领域，模式识别关注的是如何利用（或是设计）计算机算法寻求最优的h(x)。
• 从计算机的角度来看，h(x)可以通过一个计算机程序实现（例如一组If…Then语句）。因此，模式识别的研究可以
理解为“寻找可以获得最优程序的计算机算法”。
以模式识别中最具代表性的分类问题为例，模式识别系统又可划分为以下几个子模块
– 传感器（信息获取）
– 特征提取器（预处理）
– 分类器（识别）
– 后处理器（最终决策）
• 其⼯工作流程为:
同样以分类问题为例，假设我们要针对一个应用领域（例如指纹识别）设计一个模式识别系统，
需要解决以下几个关键的技术问题：
– 如何采集数据？
– 如何对数据进⾏行预处理（特征提取）？
– 如何利⽤用经过预处理的数据，获得好的分类器？
– 如何对分类器的输出作后期处理？
– 如何评价⼀一个模式识别的系统，以确定它真实有效？
分类和聚类是模式识别领域两个最重要的研究领域;其中，⼜又以分类为重中之重。
基本概念和常用术语
模式（pattern）：广义地说，存在于时间和空间中可观察的事物，如果可以区别它们是否相同或相似，都可以称之为模式。
特征（feature）：描述事物某些物理、结构等方面信息的度量、属性。例如长度、重量、均值、方差等。
样本（sample）：即一个事物在某些特征上的取值的“组合”，有时也被称为模式（paJern）、例子（example）
在科学研究或工程实践中，往往可以把模式识别系统的输入整合为一个nxd维的矩阵，其中n为样本数，d为特征数;
特征矢量：在当前的主流模式识别文献中，样本往往被表示为一个矢量，每一维对应一个特征，这个矢量就叫特征
矢量（为便于记忆，可粗略认为特征矢量=样本）。
特征空间：一个由d个特征表示的样本可视为在一个d维欧式空间中的一个点，这个空间的每一维都对应了一个特征，
因此也叫特征空间。
假设空间（hypothesis space） ：一个模式识别系统h(x)描述了其输入和输出之间的关系，这种关系称为假设（hypothesis）。所谓空间，从数学意义上讲就是一个集合。因此，一个模式识别问题的假设空间，就是指所有可能的假设的集合。
分类（classifica-on） ：把某一事物判定为已被预先定义好的一个类别的过程。
聚类（clustering） ：将事物的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇（cluster）是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。
分类与聚类的本质差别在于“类别”是否已经预先定义好。
训练（training）：根据一组训练样本（trainingsamples），获取一个尽可能好的模式识别系统（尤其是分类器）的过程。从另一个角度来说，“训练”可视为在假设空间中寻找最佳假设h(x)的过程。
测试（testing）：针对一组测试样本（testingsamples），评价/检验一个模式识别系统性能的过程。
有监督学习（supervised learning）：利用一组已知类别的样本训练分类器，使其达到所要求性能的过程，也称为监督训练或有监督学习。
无监督学习（unsupervised learning）：若训练样本不带有类别信息，就是无监督学习。
泛化能力（generalization ability）：一个模式识别系统对新样本的适应能力。我们希望一个模式识别系统经过训练，能获得隐含在数据背后的规律，对具有同一规律的样本，即使以前从未见过，也能给出正确（或合适）的输出，该能力称为泛化能力。（形象地说，就是“举一反三”的能力）
以分类问题为例，在设计一个模式识别系统的过程中：
• 我们首先需要有一组训练样本（模式），每一个样本由若干个特征描述，表示为一个特征矢量的形式，并可视为在特征中间中的一个点。
• 然后，我们需要利用有监督学习的方法训练一个模式识别系统。这个过程可视为在假设空间中寻找一个最符合我们要求的假设。
• 最后，我们需要针对一组测试样本，检验训练好的模式识别系统的泛化能力。
这篇关于The Definition of Pattern Recognition的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
