此粗线端表元件的极性标志
元件贴装对照
元件贴装对照
小凹坑为元件的极此圆点是元件在PCB 的极性标志表元件的第小凹坑为元件的极此圆点是元件在的极性标志表元件的第小凹坑为元件的极性标志表第一脚小凹坑/缺口为元件的极性标志
此缺口是元件在PCB 上元件贴装对照
此缺口是元件在PCB 的极性标志小圆点/缺口为元件的
极性标志
此缺口是元件在PCB
的极性标志
小白色圆点为元件的极
性标志
此方形缺口是元件在
PCB上的极性标志
元件贴装对照元件贴装对照
此双线和缺口是元件在小凹坑为元件的极
性标志表第一脚此白点是元件在PCB
上的极性标志
小凹坑为元件的极
性标志表第一脚
元件贴装对照
第一脚极性一致
第一脚极性一致
四边有脚的贴装方式
的特别之处
此缺口是元件在PCB 上的极性标志圆圈表元件在PCB 上的第一脚
元件贴装对照
此小缺口是元件在上的极性标志
缺口与PCB 板的缺口相一致为极性标志凹坑为第一脚
此箭头是IC 供应商的标志,不缺口、小圆圈和元件在PCB 标志，1一脚的标志
此黑色较深的凹坑为极性此三角形为元件的极性标志
烧录点非极性标志
此箭头是IC 供应
它的凹其它的两个圆点
元件上的小凹坑为元件的极性标志
缺口为元件在
板上元件的极性标志为第一脚
37
38
1极性标志为元件的第一脚位置
模式识别的研究现状与发展趋势 摘要：随着现今社会信息技术的飞速发展, 人工智能的应用越来越广泛, 其中模式识别是人工智能应用的一个方面。而且现今的模式识别的应用也越来越得到大家的重视与支持，在各方面也有重大的进步。模式识别也成为人们身边不可或缺的一部分。关键词：人工智能，技术，模式识别，前景 Abstract：In the modern society with the rapid development of information technology, the application of a rtificial intelligence is more and more extensive, among them pattern recognition is one of the ap ply of artificial intelligence. And now the application of pattern recognition is also more and more to get everyone's attention and support, in various aspects have significant progress. Pattern rec ognition has become an integral part of people around. Keywords: Artificial Intelligence, Technology,Pattern Recognition, prospects 一，引言 如今计算机硬件的高速发展, 以及计算机应用领域的不断开拓, 人们开始要求计算机能够更有效地感知诸如声音、文字、图像、温度、震动等人类赖以发展自身、改造环境所运用的信息资料。但就一般意义来说, 目前一般计算机却无法直接感知它们, 我们常用的键盘、鼠标等外部设备, 对于这些外部世界显得无能为力。虽然摄像机、图文扫描仪、话筒等设备业已解决了上述非电信号的转换, 并与计算机联机, 但由于识别技术不高, 而未能使计算机真正知道采录后的究竟是什么信息。计算机对外部世界感知能力的低下, 成为开拓计算机应用的瓶颈, 也与其高超的运算能力形成强烈的对比。于是, 着眼于拓宽计算机的应用领域, 提高其感知外部信息能力的学科———模式识别, 便得到迅速发展。 人工智能所研究的模式识别是指用计算机代替人类或帮助人类感知模式, 是对人类感知外界功能的模拟, 研究的是计算机模式识别系统, 也就是使一个计算机系统具有模拟人类通过感官接受外界信息、识别和理解周围环境的感知能力。现将人工智能在模式识别方面的一些具体和最新的应用范围遍及遥感、生物医学图象和信号的分析、工业产品的自动无损检验、指纹鉴定、文字和语音识别、机器视觉地圈模式识别等方面。 二，现状 以地图模式识别为例，地图模式识别是由计算机来对地图进行识别与理解, 并借助一定的技术手段, 让计算机研究和分析地图上的各种模式信息, 获取地图要素的质量意义。其计算处理的过程类似于人对地图的阅读。 地图模式识别是近年来在地图制图领域中新兴的一门高新技术, 是信息时代人工智能、模式识别技术在地图制图中的具体应用。由于它是传统地图制图迈向数字地图制图的一座桥梁, 因此,地图模式识别遥感技术、地理信息系统一起, 被称为现代地图制图的三大技术。 目前, 地图模式识别由于具有广泛的应用价值和发展潜力,因而受到了人们的普遍重视。尤其是随着现今的计算机及其外部硬件环境的不断提高, 科技不过发展的情况下，
复习要点 绪论 1、举出日常生活或技术、学术领域中应用模式识别理论解决问题的实例。 答：我的本科毕设内容和以后的研究方向为重症监护病人的状态监测与预诊断，其中的第一步就是进 行ICU病人的死亡率预测，与模式识别理论密切相关。主要的任务是分析数据库的8000名ICU病人，统计 分析死亡与非死亡的生理特征，用于分析预测新进ICU病人的病情状态。 按照模式识别的方法步骤，首先从数据库中采集数据，包括病人的固有信息，生理信息，事件信息等并分为死亡组和非死亡组，然后分别进行数据的预处理，剔除不正常数据，对数据进行插值并取中值进行第一次特征提取，然后利用非监督学习的方法即聚类分析进行第二次特征提取，得到训练样本集和测试样本集。分别利用判别分析，人工神经网络，支持向量机的方法进行训练，测试，得到分类器，实验效果比传统ICU 中采用的评价预测系统好一些。由于两组数据具有较大重叠，特征提取，即提取模式特征就变得尤为重要。语音识别，图像识别，车牌识别，文字识别，人脸识别，通信中的信号识别； ① 文字识别 汉字已有数千年的历史，也是世界上使用人数最多的文字，对于中华民族灿烂文化的形成和发展有着不可 磨灭的功勋。所以在信息技术及计算机技术日益普及的今天，如何将文字方便、快速地输入到计算机中已 成为影响人机接口效率的一个重要瓶颈，也关系到计算机能否真正在我过得到普及的应用。目前，汉字输 入主要分为人工键盘输入和机器自动识别输入两种。其中人工键入速度慢而且劳动强度大；自动输入又分 为汉字识别输入及语音识别输入。从识别技术的难度来说，手写体识别的难度高于印刷体识别，而在手写 体识别中，脱机手写体的难度又远远超过了联机手写体识别。到目前为止，除了脱机手写体数字的识别已 有实际应用外，汉字等文字的脱机手写体识别还处在实验室阶段。 ②语音识别 语音识别技术技术所涉及的领域包括：信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人 工智能等等。近年来，在生物识别技术领域中，声纹识别技术以其独特的方便性、经济性和准确性等优势 受到世人瞩目，并日益成为人们日常生活和工作中重要且普及的安验证方式。而且利用基因算法训练连续 隐马尔柯夫模型的语音识别方法现已成为语音识别的主流技术，该方法在语音识别时识别速度较快，也有 较高的识别率。 ③ 指纹识别 我们手掌及其手指、脚、脚趾内侧表面的皮肤凹凸不平产生的纹路会形成各种各样的图案。而这些皮肤的 纹路在图案、断点和交叉点上各不相同，是唯一的。依靠这种唯一性，就可以将一个人同他的指纹对应起 来，通过比较他的指纹和预先保存的指纹进行比较，便可以验证他的真实身份。一般的指纹分成有以下几 个大的类别:环型(loop),螺旋型(whorl),弓型(arch),这样就可以将每个人的指纹分别归类，进行检索。指 纹识别基本上可分成：预处理、特征选择和模式分类几个大的步骤。 ③ 遥感 遥感图像识别已广泛用于农作物估产、资源勘察、气象预报和军事侦察等。 ④医学诊断 在癌细胞检测、X射线照片分析、血液化验、染色体分析、心电图诊断和脑电图诊断等方面，模式识别已取 得了成效。
人工智能的研究方向和应用领域 人工智能(Artificial Intelligence) ，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。广义的人工智能包括人工智能、人工情感与人工意志三个方面。 一、研究方向 1.问题求解 人工智能的第一个大成就是发展了能够求解难题的下棋(如国际象棋)程序。在下棋程序中应用的某些技术，如向前看几步，并把困难的问题分成一些比较容易的子问题，发展成为搜索和问题归约这样的人工智能基本技术。今天的计算机程序能够下锦标赛水平的各种方盘棋、十五子棋和国际象棋。另一种问题求解程序把各种数学公式符号汇编在一起，其性能达到很高的水平，并正在为许多科学家和工程师所应用。有些程序甚至还能够用经验来改善其性能。 2.逻辑推理与定理证明 逻辑推理是人工智能研究中最持久的子领域之一。其中特别重要的是要找到一些方法，只把注意力集中在一个大型数据库中的有关事实上，留意可信的证明，并在出现新信息时适时修正这些证明。对数学中臆测的定理寻找一个证明或反证，确实称得上是一项智能任务。为此不仅需要有根据假设进行演绎的能力，而且需要某些直觉技巧。 1976年7月，美国的阿佩尔(K.Appel)等人合作解决了长达124年之久的难题--四色定理。他们用三台大型计算机，花去1200小时CPU时间，并对中间结果进行人为反复修改500多处。四色定理的成功证明曾轰动计算机界。 3.自然语言理解 NLP(Natural Language Processing)自然语言处理也是人工智能的早期研究领域之一，已经编写出能够从内部数据库回答用英语提出的问题的程序，这些程序通过阅读文本材料和建立内部数据库，能够把句子从一种语言翻译为另一种语言，执行用英语给出的指令和获取知识等。有些程序甚至能够在一定程度上翻译从话筒输入的口头指令(而不是从键盘打入计算机的指令)。目前语言处理研究的主要课题是：在翻译句子时，以主题和对话情况为基础，注意大量的一般常识--世界知识和期望作用的重要性。
模式识别与智能系统 （081104） 一、培养目标 培养热爱祖国，拥护中国共产党的领导，拥护社会主义制度，遵纪守法，品德良好，具有服务国家、服务人民的社会责任感，掌握本学科坚实的基础理论和系统的专业知识，具有创新精神、创新能力和从事科学研究、教学、管理等工作能力的高层次学术型专门人才。 模式识别与智能系统是20世纪60年代以来在信号处理、人工智能、控制论、计算机技术等学科基础上发展起来的新型学科。该学科以各种传感器为信息源，以信息处理与模式识别的理论技术为核心，以数学方法与计算机为主要工具，探索对各种媒体信息进行处理、分类、理解并在此基础上构造具有某些智能特性的系统或装置的方法、途径与实现，以提高系统性能。模式识别与智能系统是一门理论与实际紧密结合，具有广泛应用价值的控制科学与工程的重要学科分支。 本学科培养德智体全面发展，具有坚实和系统的模式识别与智能系统理论知识和实践技能，了解模式识别与智能系统学科发展的前沿和动态，能够适应我国经济、科技、教育发展需要，面向二十一世纪的科学研究、工程技术和高等教育的高层次人才。学位获得者业务上应具有具备从事在本学科及相关学科领域独立开发研究工作的能力，注意理论联系实际，能够分析和解决现代经济建设和交叉学科中涌现出的新课题；能够熟练利用计算机解决本学科的有关问题；较为熟练地掌握一门外国语；具有健康的体格。 二、研究方向 （一）智能机器人系统 主要进行智能机器人控制与决策系统的研究与开发，包括自主移动机器人、特种机器人、服务机器人、工业机器人等内容。机器人的自主定位、导航、避障与多机器人协调控制为主要研究方向。 （二）系统仿真技术与应用 主要研究方向为控制系统仿真与计算机辅助设计、半实物仿真与实时控制、分数阶与网络控制系统仿真、系统建模校验与验证及仿真算法和高层体系结构理论与应用技术、工业过程建模仿真和提高控制效果与系统性能的方法研究。 （三）图像处理与计算机视觉 研究图像信息获取、处理、分析、理解与识别分类等理论与技术，研究图像处理技术在医学影像处理、动态目标识别与跟踪、智能交通系统、军事等领域的工程应用问题。 （四）建筑智能化技术 本方向以建筑智能化技术为背景，主要研究智能建筑系统集成理论与技术、
模式识别研究进展 刘成林，谭铁牛 中国科学院自动化研究所 模式识别国家重点实验室 北京中关村东路95号 摘要 自20世纪60年代以来，模式识别的理论与方法研究及在工程中的实际应用取得了很大的进展。本文先简要回顾模式识别领域的发展历史和主要方法的演变，然后围绕模式分类这个模式识别的核心问题，就概率密度估计、特征选择和变换、分类器设计几个方面介绍近年来理论和方法研究的主要进展，最后简要分析将来的发展趋势。 1. 前言 模式识别(Pattern Recognition)是对感知信号（图像、视频、声音等）进行分析，对其中的物体对象或行为进行判别和解释的过程。模式识别能力普遍存在于人和动物的认知系统，是人和动物获取外部环境知识，并与环境进行交互的重要基础。我们现在所说的模式识别一般是指用机器实现模式识别过程，是人工智能领域的一个重要分支。早期的模式识别研究是与人工智能和机器学习密不可分的，如Rosenblatt的感知机[1]和Nilsson的学习机[2]就与这三个领域密切相关。后来，由于人工智能更关心符号信息和知识的推理，而模式识别更关心感知信息的处理，二者逐渐分离形成了不同的研究领域。介于模式识别和人工智能之间的机器学习在20世纪80年代以前也偏重于符号学习，后来人工神经网络重新受到重视，统计学习逐渐成为主流，与模式识别中的学习问题渐趋重合，重新拉近了模式识别与人工智能的距离。模式识别与机器学习的方法也被广泛用于感知信号以外的数据分析问题（如文本分析、商业数据分析、基因表达数据分析等），形成了数据挖掘领域。 模式分类是模式识别的主要任务和核心研究内容。分类器设计是在训练样本集合上进行优化（如使每一类样本的表达误差最小或使不同类别样本的分类误差最小）的过程，也就是一个机器学习过程。由于模式识别的对象是存在于感知信号中的物体和现象，它研究的内容还包括信号/图像/视频的处理、分割、形状和运动分析等，以及面向应用（如文字识别、语音识别、生物认证、医学图像分析、遥感图像分析等）的方法和系统研究。 本文简要回顾模式识别领域的发展历史和主要方法的演变，介绍模式识别理论方法研究的最新进展并分析未来的发展趋势。由于Jain等人的综述[3]已经全面介绍了2000年以前模式分类方面的进展，本文侧重于2000年以后的研究进展。
人脸识别技术的几个主要研究方向 1 引言 计算机人脸识别是指基于已知的人脸样本库,利用计算机分析图像和模式识别技术从静态或动态场景中,识别或验证一个或多个人脸。通常识别处理后可得到的基本信息包括人脸的位置、尺度和姿态信息。利用特征提取技术还可进一步抽取出更多的生物特征(如:种族、性别、年龄..) 。计算机人脸识别是目前一个非常活跃的研究课题，它可以广泛应用于保安系统、罪犯识别以及身份证明等重要场合。虽然人类对于人脸的识别能力很强，能够记住并辨识上千个不同的人脸，可是对于计算机则困难多了，其表现在：人脸表情丰富；人脸随年龄的增长而变化；发型、胡须、眼镜等装饰对人脸造成的影响；人脸所成图像受光照、成像角度以及成像距离等影响。 计算机人脸识别技术是近20年发展起来的，90年代更成为科研热点，仅从1990 年到1999年之间,EI 可检索到的相关文献多达数千篇，关于人脸识别的综述也屡屡可见[1] 。自动人脸识别系统包括两个主要技术环节首先是人脸检测和定位，然后是对人脸进行特征提取和识别（匹配）。本文着重介绍人脸识别技术的各类方法，通过对比指出各类方法的优缺点及今后的发展方向。 2 人脸检测和定位 人脸检测和定位即对于给定的一幅图像检测图像中是否有人脸,若有则确定其在图像中的位置,并从背景中分割出来。这是个极富挑战性的问题，因为人脸是非刚体，且人脸在图像中的大小和方向以及人的肤色和纹理等方面有很大的可变形。人脸检测问题主要有四种：（1）对于给定的一幅人脸图像，将其中的人脸定位并给出其位置；（2）在一幅混乱的单色场景图中检测出所有的人脸；（3）在彩色图像中检测（定位）所有人脸；（4）在某一视频序列中，检测和定位出所有人脸。文献[2]对人脸检测进行了较为详细的综述，指出常用的人脸检测方法有四种：（1）基于知识的方法；（2）基于人脸固定特征的方法；（3）基于模板匹配的方法；（4）基于外貌的方法（Appearance-based methods），在基于模板匹配的方法中所采用的是预先确定的模板，而在基于外貌的方法中其模板的选择是通过对一系列图像的学习而确定的。一般来说，基于外貌的方法依靠统计和学习技术来找出人脸和非人脸图像的相关特征。在该方法中有特征脸法、基于聚类的方法、神经网络方法和支持向量机的方法。CMU库是常用的人脸检测库，主要的算法评定指标为错误接受率（FAR）和错误拒绝率（ARR）。 3 人脸特征提取和识别 目前大部分研究主要是针对二维正面人脸图像，也有基于三维人脸模型的方法，还有一种所谓的混合系统的身份鉴定系统。 3.1 二维正面人脸识别 在对人脸图像进行特征提取和分类之前一般需要做几何归一化和灰度归一化。几何归一化是指根据人脸定位结果将图像中人脸变换到同一位置和同样大
课程名称:中外文学术论文写作 姓名:周杉 学号:212012083500005 专业:软件工程 学院:数学与计算机学院 导师:黄襄念 成绩: 2013.5.23
关于模式识别应用发展的研究和分析 周杉 (西华大学数学与计算机学院图像处理与模式识别实验室成都610039) 摘要：自20世纪50年代以来，模式识别（Pattern Recognition）在人工智能兴起后不久就迅速发展成一门学科。它所研究的理论和方法在很多科学和技术领域得到广泛的重视，推动了人工智能系统的发展，扩大了计算机应用的可能性。本文主要讨论模式识别的一些基本概念和问题，以利于对模式识别的现状与未来的发展方向有更全面的了解。 关键词：模式识别人工智能信息科学 中图分类号：TP399 The Research and Analysis about the Development of Pattern Recognition Applications ZHOU Shan (Mathematics and Computer College of Xihua University, Image Processing and Pattern Recognition Laboratory,Chengdu,610039) Abstract:Since the1950s,pattern recognition shortly quickly developed after the rise of artificial intelligence into a discipline.It studies the theory and methods in many areas of science and technology which has received considerable attention,and it also promote the development of artificial intelligence systems,expanding the possibilities of computer applications.This article focuses on pattern recognition of some basic concepts and issues in order to getting more comprehensive understanding about facilitate pattern recognition status and future direction of development. Keywords:Pattern Recognition Artificial Intelligence Information Science 0引言 狗的嗅觉的灵敏度非常高，大约是人的50至100倍。狗通过这项特异的功能来识别各种各样的东西，帮助人类完成一些鉴别工作。不仅如此，识别也是人类的一项基本技能，人们无时无处的在进行“模式识别”，古人有一成语“察言观色”表达的正是这个意思。随着第一台计算机ENIAC的出现以及人工智能的兴起，人们自然而然的把目光投向如何将人类的识别能力成为计算机的一部分功能，从而减轻人类自身的脑力劳动。计算机模式识别在20世纪60年代初迅速发展并成为一门新学科[1]。 1模式识别与统计模式识别 1.1模式与模式识别的概念 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；狭义地说，模式是通过对具体的个别事物进行观测所得到的具有时间和空间分布的信息；把模式所属的类别或同一类中模式的总体称为模式类(或简称为类)[2]。 模式识别则是在某些一定量度或观测基础上把待识模式划分到各自的模式类中去。计算机模式识别就是是指利用计算机等装置对物体、图像、图形、语音、字形等信息进行自动识
模式识别发展及现状综述 xxx （xxxxxxxxxxxxxxxxxxx） 摘要 [摘要]：通过对模式识别的发展及现状进行调查研究，了解到模式识别的理论和方法在很多科学和技术领域中得到了广泛的应用，极大的推动了人工智能系统的发展，同时扩大了计算机应用的可能性。模式识别 的研究主要集中在研究生物体(包括人)是如何感知对象的，以及在给定的任务下，如何用计算机实现模式 识别的理论和方法。本文详细的阐述了模式识别系统的组成结构以及模式识别的现状并展望了未来的模式 识别的发展趋势。 [关键词]：模式识别;模式识别的应用 Abstract [Abstract]:through the investigation and Study on the present situation and development of pattern recognition, knowing that the theory and method of pattern recognition has been widely used in many fields of science and technology and greatly promoting the development of artificial intelligence systems as well as expanding the fields of computer applied to.The research of pattern recognition mainly concentrated on the research of the theory and method of pattern recognition which how the organisms(including humans)to perceive objects as well as,in a given task,how to realize the pattern recognition with computer.This paper expounds the present situation and system structure of the pattern recognition as well as prospects the development trend in the future of pattern recognition. [keyword]:pattern recognition;pattern recognition applications 1前言 模式识别诞生于20世纪20年代，随着40年代计算机的出现，50年代人工智能的兴起，模式识别在60年代初迅速发展成一门学科。什么是模式和模式识别呢？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；狭义地说，模式是通过对具体的个别事物进行观测所得到的具有时间和空间分布的信息；把模式所属的类别或同一类中模式的总体称为模式类(或简称为类)[1]。而“模式识别”则是在某些一定量度或观测基础上把待识模式划分到各自的模式类中去。 经过多年的研究和发展，模式识别技术已广泛被应用于人工智能、计算机工程、机器人学、神经生物学、医学、侦探学以及高能物理、考古学、地质勘探、宇航科学和武器技术等许多重要领域，如语音识别、语音翻译、人脸识别、指纹识别、生物认证技术等。模式识别的技术对国民经济建设和国防科技发展的重要性已得到了人们的认可和广泛重视。本文将就模式识别所涉及的基本问题、研究的领域及其当前进展现状进行详细的介绍，并对模式识别的发展趋势进行展望。 2模式识别 2.1模式识别系统 一个计算机模式识别系统基本上是由三个相互关联而又有明显区别的过程组成的，即数据生成、模式分析和模式分类。有两种基本的模式识别方法，即统计模式识别方法和结构
2017考研专业：模式识别与智能系统 一、专业介绍 1、学科简介 模式识别与智能系统是一门理论与实际紧密结合，具有广泛应用价值的控制科学与工程的重要学科下的二级学科硕士点。模式识别与智能系统是在信号处理、人工智能、控制论、计算机技术等学科基础上发展起来的新型学科。该学科以各种传感器为信息源，以信息处理与模式识别的理论技术为核心，以数学方法与计算机为主要工具，探索对各种媒体信息进行处理、分类、理解并在此基础上构造具有某些智能特性的系统或装置的方法、途径与实现，以提高系统性能。 2、培养目标： 该学科的硕士毕业生应具有坚实的模式识别与智能系统学科的基础理论和系统的专门知识;对于模式识别与智能系统某一研究领域的进展和学术动态有较深的了解;能够熟练利用计算机解决本学科的有关问题;具有从事模式识别与智能系统中的某一研究方向的科学研究或独立担负专门技术工作的能力，并取得有意义的成果;较为熟练地掌握一门外国语。 各招生单位研究方向和考试科目等不尽相同，在此以江苏大学为例： 3、研究方向 1.模式识别及图像处理 2.智能控制与机器人 3.图像处理及图像数据库系统 4.数据挖掘与决策支持系统 4、硕士研究生入学考试科目： ①101政治理论 ②201英语 ③301数学一 ④833自动控制理论(含经典与现代部分)、851数据结构、852通信系统原理选一 二、就业方向 该学科培养的研究生毕业后，可到大、中、小型企业，科技部门，高等院校，金融、电讯单位，政府机关等各行业从事自动化和系统工程相关的科研、开发、设计、研制、生产与管理等工作。 三、职业规划 计算机技术的应用在我国各个领域发展迅速，为了适应知识经济和信息产业发展的需要，操作和应用计算机已成为人们必须掌握的一种基本技能。该专业用到的计算机技术相对较多，可以通过全国计算机等级考试(National Computer Rank Examination，简称NCRE)来获得自己相应水平实力的等级证书。 NCRE是经原国家教育委员会(现教育部)批准，由教育部考试中心主办，面向社会，用于考查应试人员计算机应用知识与能力的全国性计算机水平考试体系。 NCRE每年开考两次，上半年开考一、二、三级，下半年开考一、二、三、四级。上半年考试时间为4月第一个星期六上午(笔试)，下半年考试时间为9月倒数第二个星期六上午(笔试)，上机考试从笔试的当天下午开始。上机考试期限为五天，由考点根据考生数量和设备情况具体安排。 四、推荐院校
模式识别研究进展 摘要：自20世纪60年代以来，模式识别的理论与方法研究及在工程中的实际应用取得了很大的进展。本文先简要回顾模式识别领域的发展历史和主要方法的演变，然后围绕模式分类这个模式识别的核心问题，就概率密度估计、特征选择和变换、分类器设计几个方面介绍近年来理论和方法研究的主要进展，最后简要分析将来的发展趋势。 1. 前言 模式识别(Pattern Recognition)是对感知信号（图像、视频、声音等）进行分析，对其中的物体对象或行为进行判别和解释的过程。模式识别能力普遍存在于人和动物的认知系统，人和动物获取外部环境知识，并与环境进行交互的重要基础。我们现在所说的模式识别一般是指用机器实现模式识别过程，是人工智能领域的一个重要分支。早期的模式识别研究是与人工智能和机器学习密不可分的，如Rosenblatt 的感知机和Nilsson的学习机就与这三个领域密切相关。后来，由于人工智能更关心符号信息和知识的推理，而模式识别更关心感知信息的处理，二者逐渐分离形成了不同的研究领域。介于模式识别和人工智能之间的机器学习在20 世纪80 年代以前也偏重于符号学习，后来人工神经网络重新受到重视，统计学习逐渐成为主流，与模式识别中的学习问题渐趋重合，重新拉近了模式识别与人工智能的距离。模式识别与机器学习的方法也被广泛用于感知信号以外的数据分析问题（如文本分析、商业数据分析、基因表达数据分析等），形成了数据挖掘领域。模式分类是模式识别的主要任务和核心研究内容。分类器设计是在训练样本集合上进行优化（如使每一类样本的表达误差最小或使不同类别样本的分类误差最小）的过程，也就是一个机器学习过程。由于模式识别的对象是存在于感知信号中的物体和现象，它研究的内容还包括信号/图像/ 视频的处理、分割、形状和运动分析等，以及面向应用（如文字识别、语音识别、生物认证、医学图像分析、遥感图像分析等）的方法和系统研究。 本文简要回顾模式识别领域的发展历史和主要方法的演变，介绍模式识别理论方法研究的最新进展并分析未来的发展趋势。由于Jain 等人的综述[3]已经全面介绍了2000 年以前模式分类方面的进展，本文侧重于2000 年以后的研究进展。 2. 历史回顾
优质参考文档 2017电子信息工程考研方向：模式识别与智能系统 模式识别与智能系统 1、学科概况 模式识别与智能系统是20世纪60年代以来在信号处理、人工智能、控制论、计算机技术等学科基础上发展起来的新型学科。该学科以各种传感器为信息源，以信息处理与模式识别的理论技术为核心，以数学方法与计算机为主要工具，探索对各种媒体信息进行处理、分类、理解并在此基础上构造具有某些智能特性的系统或装置的方法、途径与实现，以提高系统性能。模式识别与智能系统是一门理论与实际紧密结合，具有广泛应用价值的控制科学与工程的重要学科分支。 2、培养目标 本学科培养从事模式识别与智能系统的研究、开发、设计等方面工作的高级专门人才。 (1).博士学位应具有模式识别、信息处理、人工智能与认知科学及有关数学领域坚实宽广的基础理论和系统深入的专门知识;对于模式识别与智能系统主要前沿领域有深入了解;能独立开展模式识别与智能系统中有关研究方向的专题研究工作，并取得具有创造性的研究成果;学风严谨;至少掌握一门外国语，能熟练地阅读本专业的外文资料，具有一定的写作能力和进行国际学术交流的能力。 (2).硕士学位应具有坚实的模式识别与智能系统学科的基础理论和系统的专门知识;对于模式识别与智能系统某一研究领域的进展和学术动态有较深的了解;能够熟练利用计算机解决本学科的有关问题;具有从事模式识别与智能系统中的某一研究方向的科学研究或独立担负专门技术工作的能力，并取得有意义的成果;较为熟练地掌握一门外国语。 3、业务范围 (1).学科研究范围模式识别，图象处理与分析，计算机视觉，智能机器人，人工智能，计算智能，信号处理。 (2).课程设置随机过程与数理统计，矩阵论，优化理论，近世代数，数理逻辑，数字信号处理，图象处理与分析，模式识别，计算机视觉，人工智能，机器人学，计算智能，非线性理论(如分形、混沌等)，控制理论，系统分析与决策，计算机网络理论等。 4、主要相关学科 控制理论与控制工程，计算机科学与技术，信息与通信系统，电子科学与技术，生物学，心理学 优质参考文档
研究生培养方案 学科专业：模式识别与智能系统代码： 081104 一、培养目标 培养德、智、体全面发展，在模式识别与智能系统领域具有创新精神的高层次科学研究与工程技术人才。具体要求： 1.学习马列主义、毛泽东思想和邓小平理论，坚持四项基本原则，热爱祖国。 2.具有良好的团结协作和奉献精神，有严谨的治学态度和开拓创新精神。 3.掌握本专业基础理论知识，掌握科学研究的基本方法，具有较强的独立从事科学研究和应用开发能力，了解国内外本学科的学术动态和最新研究成果。 二、研究方向 1.智能系统理论与技术 2.模式识别 3.人机交互与虚拟现实 4.智能传感系统 5.智能机器人系统与信息处理 三、培养年限 本专业学制为三年，在校最长年限（含休学）为4年。其中理论学习在第一、二学期进行，论文开题在第三学期进行。科学研究、撰写论文及论文答辩的时间不少于一年半。 四、课程设置及学分要求 本专业硕士研究生的课程设置分必修课和选修课两类（见附表），其中公共课和学位课为必修课。实行学分制，至少修满30个学分，其中必修课不少于18个学分。提倡研究生以本方向的课程为主体，同时在导师指导小组的指导下，选择一些以拓宽知识面、提高实践能力为目的的相关学科课程。对于跨学科专业学习的研究生应根据研究方向补修相应的本科生课程，补修课程不计学分。 五、研究选题 研究生应在导师指导小组指导下，广泛查阅相关文献资料，了解国内外发展动态，在开展探索性研究工作的基础上进行选题。学位论文题目选定后，应撰写开题报告。经审核批准后，在导师指导下按计划开展课题研究。 论文选题应有一定的前沿性和新颖性，符合本专业的研究方向，对本学科发展和国民经济建设具有一定的理论意义和应用价值。 六、培养方式 1.研究生入学后一个月内，由导师指导小组制定出全面的培养实施计划。 2.研究生应积极参加导师所在系（研究所）的政治学习和业务活动。 3.研究生应掌握扎实的基础理论和系统的专业知识；课程学习与科学研究并重，着重培养解决实际问题的能力。 4.研究生必须参加一定的学术研讨和教学实践活动，以培养其组织、协调、
156 电脑知识与技术 DIANNAO ZHISHI YU JISHU 百家论坛 模式识别的主要方法及其应用 杨合超 宋海歌 周雪梅 (河南理工大学计算机科学与技术学院 焦作 454000) [摘 要] 模式识别技术现在已经在各个领域得到广泛应用。本文对其理论基础与应用作了详细介绍与阐述。介绍了模式识别的基本概念、主要方法、模式识别的应用及其发展趋势。 [关键词] 模式识别；应用；发展趋势 模式识别是人类的一项基本智能, 日常生活中, 人们经常在进行“模式识别”。随着20世纪40 年代计算机的出现以及50年代人工智能的兴起, 人们当然也希望能用计算机来代替或扩展人类的部分脑力劳动。模式识别在20世纪60年代初迅速发展并成为一门新学科。识别也是人类的一项基本技能。随着计算机出现以及人工智能兴起，将人类识别技能赋予计算机成为一项新兴课题。 1．模式识别的基本概念 一般认为，模式是通过对具体的事物进行观测所得到的具有时间与空间分布的信息，模式所属类别或同一类中的模式的总体称为模式类，其中个别具体的模式往往称为样本。模式识别就是研究通过计算机自动(或人为进行少量干预)将待识别的模式分配到各个模式类中的技术[3] 图一：模式识别的基本框架 模式识别的研究主要集中在两方面，一是研究生物体(包括人)是如何感知对象的，二是在给定的任务下，如何用计算机实现模式识别的理论和方法。后者通过数学家、信息学专家和计算机科学工作者近几十年的努力，已经取得了系统的研究成果。 2．模式识别的主要方法 模式识别方法大致可以分为4类：统计决策法、结构模式识别方法、模糊模式识别方法与基于人工智能方法。其中基于人工智能的方法本文主要介绍人工神经网络模式识别方法。前两种方法发展得比较早，理论相对也比较成熟，在早期的模式识别中应用较多。后两种方法目前的应用较多，由于模糊方法更合乎逻辑、神经网络方法具有较强的解决复杂模式识别能力，因此日益得到人们重视。 2.1 统计决策法 统计决策法以概率论和数理统计为基础，它包括参数方法和非参数方法。 参数方法主要以Bayes决策准则为指导。其中最小错误率和最小风险贝叶斯决策是最常用的两种决策方法。假定特征对于给定类的影响独立于其他特征，在决策分类的类别N已知与各类别的先验概率及类条件概率密度已知的情况下，对于一特征矢量X根据公式计算待检模式在各类中发生的后验概率，后验概率最大的类别即为该模式所属类别。在这样的条件下，模式识别问题转化为一个后验概率的计算问题。 在贝叶斯决策基础上，根据各种错误决策造成损失不同，人们提出基于贝叶斯风险的决策，即计算给定特征矢量X在各种决策中的条件风险大小，找出其中风险最小的决策。 参数估计方法的理论基础是样本数目趋近于无穷大时的渐进理论。在样本数目很大时，参数估计结果才趋近于真实的模型。然而实 际样本数目总是有限的，很难满足这一要求。另外参数估计的另一个前提条件是特征独立性，这一点有时和实际差别较大。 2.2 结构模式识别 结构模式识别是利用模式的结构描述与句法描述之间的相似性对模式进行分类。每个模式由它的各个子部分(称为子模式或模式基元)的组合来表示。对模式的识别常以句法分析的方式进行，即依据给定的一组句法规则来剖析模式的结构。当模式中每一个基元被辨认后，识别过程就可通过执行语法分析来实现。选择合适的基元是结构模式识别的关键。 结构模式识别主要用于文字识别、遥感图形的识别与分析、纹理图像的分析中。该方法的特点是识别方便，能够反映模式的结构特征，能描述模式的性质，对图像畸变的抗干扰能力较强。 2.3 模糊模式识别 模糊模式识别方法是利用模糊数学中的概念、原理与方法解决分类识别问题. 这里有很多与普通聚类算法“平行”的方法,它们之间存在某种程度的借鉴和相似,但又有很大的不同,两者之间根本性的不同是概念的不同:模糊模式识别是将待识别类、对象作为模糊集或其元素,然后对这些模糊集或元素进行分类;普通聚类算法是根据事物间的不同特征、亲疏程度和相似性等关系,直接对它们进行分类. 因此,设计人员应根据实际问题进行特征提取或特征变换(将原来普通意义上的特征值变为模糊特征) ,建立模糊集的隶属度函数,或建立元素之间的模糊相似关系,并确定这个关系的隶属度函数(相关程度) ,然后运用相关的模糊数学的原理方法进行分类识别。同一般的模式识别方法相比较，模糊模式识别具有客体信息表达更加合理，信息利用充分，各种算法简单灵巧，识别稳定性好，推理能力强的特点。 2.4 人工神经网络模式识别 早在20世纪50年代，研究人员就开始模拟动物神经系统的某些功能，他们采用软件或硬件的办法，建立了许多以大量处理单元为结点，处理单元间实现互联的拓扑网络，进行模拟，称之为人工神经网络。这种方法可以看作是对原始特征空间进行非线性变换，产生一个新的样本空间，使得变换后的特征线性可分。同传统统计方法相比，其分类器是与概率分布无关的。 人工神经网络的主要特点在于其具有信息处理的并行性、自组织和自适应性、具有很强的学习能力和联想功能以及容错性能等，在解决一些复杂的模式识别问题中显示出其独特的优势。 人工神经网络是一种复杂的非线性映射方法，其物理意义比较难解释，在理论上还存在一系列亟待解决的问题。在算法复杂度方面，神经网络计算复杂度大，在特征维数比较高时，样本训练时间比较长；在算法稳定性方面，学习过程中容易陷入局部极小，并且存在欠学习与过学习的现象范化能力不容易控制。这些也是制约人工神经网络进一步发展的关键问题。 3． 模式识别的应用 经过多年的研究和发展，模式识别技术已广泛应用于人工智能、 The main methods and applications of Pattern recognition Yang He-chao, Song Hai-ge, Zhou Xue-mei (College of Computer Science&Technology, Henan Polytechnic University, JiaoZuo 454000) Abstract: Pattern recognition technology has been widely used in various ? elds. In this paper, we elaborate upon its theoretical basis and applications ? rstly. Then we introduce the basic concepts of pattern recognition, the main methods and applications of pattern recognition and its development trend.Key words: Pattern recognition; Application; Trend of development
模式识别与智能系统专业解析 一、专业介绍 1、学科简介 模式识别与智能系统是一门理论与实际紧密结合，具有广泛应用价值的控制科学与工程的重要学科下的二级学科硕士点。模式识别与智能系统是在信号处理、人工智能、控制论、计算机技术等学科基础上发展起来的新型学科。该学科以各种传感器为信息源，以信息处理与模式识别的理论技术为核心，以数学方法与计算机为主要工具，探索对各种媒体信息进行处理、分类、理解并在此基础上构造具有某些智能特性的系统或装置的方法、途径与实现，以提高系统性能。 2、培养目标： 该学科的硕士毕业生应具有坚实的模式识别与智能系统学科的基础理论和系统的专门知识；对于模式识别与智能系统某一研究领域的进展和学术动态有较深的了解；能够熟练利用计算机解决本学科的有关问题；具有从事模式识别与智能系统中的某一研究方向的科学研究或独立担负专门技术工作的能力，并取得有意义的成果；较为熟练地掌握一门外国语。 各招生单位研究方向和考试科目等不尽相同，在此以江苏大学为例： 3、研究方向 1.模式识别及图像处理 2.智能控制与机器人 3.图像处理及图像数据库系统 4.数据挖掘与决策支持系统 4、硕士研究生入学考试科目： ①101政治理论 ②201英语 ③301数学一 ④833自动控制理论（含经典与现代部分）、851数据结构、852通信系统原理选一 二、就业方向 该学科培养的研究生毕业后，可到大、中、小型企业，科技部门，高等院校，金融、电讯单位，政府机关等各行业从事自动化和系统工程相关的科研、开发、设计、研制、生产与管理等工作。 三、职业规划 计算机技术的应用在我国各个领域发展迅速，为了适应知识经济和信息产业发展的需要，操作和应用计算机已成为人们必须掌握的一种基本技能。该专业用到的计算机技术相对较多，可以通过全国计算机等级考试（National Computer Rank Examination，简称NCRE）来获得自己相应水平实力的等级证书。 NCRE是经原国家教育委员会（现教育部）批准，由教育部考试中心主办，面向社会，用于考查应试人员计算机应用知识与能力的全国性计算机水平考试体系。 NCRE每年开考两次，上半年开考一、二、三级，下半年开考一、二、三、四级。上半年考试时间为4月第一个星期六上午（笔试），下半年考试时间为9月倒数第二个星期六上午（笔试），上机考试从笔试的当天下午开始。上机考试期限为五天，由考点根据考生数量和设备情况具体安排。
本人在念研究生期间，攻读模式识别方向，对人脸识别产生了很大的兴趣。现今，模式识别领域已经发展的较为广泛，尤其是指纹识别、掌纹识别等已经渗透到许多行业。然而这些方法也存在一个共同的缺点，就是必须要有人为的接触，否则很难进行识别，这就造成了一些行业只能望洋兴叹。举例来说，虽然美国这些年对于反恐一直在加大力度，但有时因为警力人员缺少，不能对许多人流量很大的场合进行有效的监视，及时发现可疑人员并报警，这就造成了还是有许多恐怖事件屡禁不止，然而又不能用指纹或掌纹识别对每一个人进行鉴别，但是人脸识别却恰恰满足了美国在这方面的需要。当然，人脸识别的应用领域还有很多，在这里就不一一细举了。但是，人脸识别要能真正付诸实践，也有许多难题等待攻破。比如，人脸的姿态、表情、遮挡以及复杂的背景和光照等因素都有可能影响人脸的识别情况，以上这些都等待着有识之士去攻破，现在也只能尽量的去缩小它们的影响。 除了一些基本的操作流程外，本软件主要分为以下四大部分： 1. 视频捕捉：这一模块主要是基于DirectShow知识写的，当然限于作者对于COM理解的不是很透彻，里面可能隐藏着一些bug。 2. 人脸定位：主要采用的方法是先对整幅RGB图像进行相似度计算，然后进行二值化得到人脸区域，最后通过直方图原理得到人脸区域的位置。由于本人此块研究的不是很多，本软件的定位精确度离实用还是有一段距离，希望能有人提出更多更好的方法。 3. 人脸识别：先用PCA降维，然后运用带有冲量的BP神经网络算法。虽然还有许多识别率更高的算法，但限于实时性的要求，都被忍痛割爱了。另外，因为本软件属于测试软件，所以对于未知人脸本软件没有作任何处理，如以后有商业开发的需要，这些以后都会得到更改。 4. 数据库管理：这一方面是我开发前考虑的最少，而开发中用的最多的。虽然我N年前也曾自学过数据库的基本知识和ACCESS，但用到软件开发上却相对太少。又因为本人生性懒惰，只好采用了个笨方法，用文本文件对人脸数据进行存储和管理。哎！这就是笨和懒的结晶。当然这部分知识在以后的软件更新中一定要补上去的。 软件使用方法：为了提高人脸识别率，本软件规定每个训练样本类必须采集10个样本。采集方法：单击检测人脸，当检测到人脸后，关闭检测并点击添加就可以了。记着全部采集完后，要对样本集进行训练，可单击系统菜单下的训练样本。至于其它的摸索一下就都会了，不再多说了。 真正想把人脸识别运用到实践中去，光靠软件是很难实现的，最终归宿还是要与嵌入式系统或者DSP相结合，现在我主要考虑嵌入式系统，本人已初步学习了Linux的内核，但离开发还有一段距离，除了本人的努力外，也请高手予以指导。 闲话说多了，至于作者姓名等软件更成熟的时候告诉你吧，如果方便称呼“云梦星魂”吧，这个昵称用了很多年，最后强调一句：本软件是作者的处女作，其中一定存在许多BUG，希望热心的使用者积极提供意见，谢谢！ 附赠一句诗（我昵称的由来)：风携柳絮轻云梦，水映桃花乱星魂。 E-Mail: chaowang52@https://www.doczj.com/doc/0b11628598.html, 人脸识别梦工厂