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
(句法)模式识别方法，与此相对应的模式识别系统都由两个过程所组成，即设计和实现。
2.2模式识别的一些基本问题。
关于模式识别的一些基本问题主要包括模式类的紧致性、相似与分类、特征的生成。
a模式类的紧致性
为了能在某个空间中进行分类，通常假设同一类的各个模式在该空间中组成一个紧致集。从这个紧致集中的任何一点可以均匀的过度到同一集中的另外一点，而在过渡途中的所有各点都仍然属于这个紧致集即属于同一模式类。此外当紧致集中各点在任意方向有某些不大的移动时它仍属于这个集合。
b相似与分类
模式识别是把具体事物归入某一类的过程。研究相似与分类这样的认知基本问题，有助于更深入的理解模式识别。
c特征的生成
特征是决定相似性与分类的关键。为了通过学习获得新的特征，我们需要充分的底层次特征。如果低层次特征足够丰富，通过选择和简单的运算就可以得到高层次的新特征，同时新特征又可以成为更高层次特征的基础。
3模式识别的现状
由于模式识别具有广泛的应用价值和发展潜力，因次模式识别受到了人们极大的重视。尤其是随着现今的计算机及其外部硬件环境的不断提高,科技不断发展，从事模式识别的研究的人员也越来越多。因此在国内外都有许多政府机构、公司、大学、研究所等正在致力于此领域的研究当中。目前模式识别已经在天气预报、卫星航空图片解释、工业产品检测、字符识别、语音识别、指纹识别、医学图像分析、数字水印技术等许多方面得到了成功的应用。比较成熟的模式识别技术如下所述。
3.1语音识别技术
模式识别中的一个重要应用是语音识别。语音识别就是让计算机能听懂人说的话。语音识别技术正逐步成为信息技术中人机接口的关键技术，语音技术的应用已经成为一个具有竞争性的新兴高技术产业。中国互联网中心的市场预测：未来5年，中文语音技术领域将会有超过400亿人民币的市场容量，然后每年以超过30%的速度增长。
3.1.1模式识别在语音识别应用中的方法。
目前出现的语音识别技术都是基于言语产生的模型，各种模板匹配、多模板聚类、隐含马尔可夫链、神经网络模型等被广泛应用，目前在语音识别领域非常活跃的课题为稳健语音识别、说话人自适应技术、大词汇量关键词识别算法、语音识别的可信度评测算法、基于类的语言模型和自适应语言模型以及深层次的自然语言的理解。
3.2生物认证技术
生物认证技术本世纪最受关注的安全认证技术，它的发展是大势所趋。人们愿意忘掉所有的密码、扔掉所有的磁卡，凭借自身的唯一性来标识身份与保密。国际数据集团（IDC）预测：作为未来的必然发展方向的移动电子商务基础核心技术的生物识别技术在未来10年
的时间里将达到100美元的市场规模。
3.2.1模式识别在生物认证技术应用中的方法。
由于化学模式识别对高维数据具有降维、分类和识别等特点，所以在生物认证中得到了广泛的应用。其主要包括主成分分析、聚类分析、人工神经网络和SIMCA分类法。
3.3数字水印技术
90年代以来才在国际上开始发展起来的数字水印技术是最具发展潜力与优势的数字媒体版权保护技术。IDC预测，数字水印技术在未来的5年内全球市场容量超过80亿美元。
数字水印技术是将一些标识信息（即数字水印）直接嵌入数字载体（包括多媒体、文档、软件等）当中，但不影响原载体的使用价值，也不容易被人的知觉系统（如视觉或听觉系统）觉察或注意到。通过这些隐藏在载体中的信息，可以达到确认内容创建者、购买者、传送隐秘信息或者判断载体是否被篡改等目的。数字水印是信息隐藏技术的一个重要研究方向。
4模式识别的发展趋势
通过对近几年的学术研究进行总结分析可以清楚了解到模式识别在近几年的发展极为迅速，并且以模式识别为基础大力推动了人工智能的发展，并且应用方向越来越广泛。
工业领域尤其是制造业,已成功地使用了人工智能技术。包括智能设计、虚拟制造、柔性制造、敏捷制造、在线分析、智能调度、仿真和规划等,这些都大大提高了生产效益。人工智能对经济和金融的影响,专家系统的广泛使用功不可没。据估计全世界通过这项技术每年可节省10亿美元以上。
例如,股票商利用智能系统辅助其进行分析、判断和决策,信用卡欺诈检侧系统得到普遍应用。人工智能也渗透进了人们日常生活,如教育、医疗和通信我们已经亲眼目睹、亲身体会到智能技术给日常生活带来的深刻变化,它使得我们周围无处不在的计算机系统具有灵活而友好的多种智能用户界面,使计算机和人的交流更为容易和自然。带有嵌入式计算机的家用电器的智能化和自动化,把我们从琐碎的家务劳动中解放出来。人工智能技术帮助我们进行医疗保健帮助我们丰富儿重教育,帮助我们在浩如烟海的因特网中寻找真实、有用的信息,成为默默无闻的好助手它改变了传统的通信方式语。
还有模式识别在各个领域的应用现在也取得较好的成绩，因此模式识别在以后的发展中会被各国重点应用在各个领域当中，方便人们的生活。
以知识为基础的模式识别系统的出现和不断发展,标志着模式识别方法的更加智能化,是日益受到重视的发展方向。
5结语
模式识别从20世纪20年代发展至今，人们的一种普遍看法是不存在对所有模式识别问题都适用的单一模型和解决识别问题的单一技术，我们在现拥有的只是一个工具袋，所要做的是结合具体问题把统计的和句法的识别结合起来，把统计模式识别或句法模式识别与人工智能中的启发式搜索结合起来，把统计模式识别或句法模式识别与支持向量机的机器学习结合起来，把人工神经元网络与各种已有技术以及人工智能中的专家系统、不确定推理方法结合起来，深入掌握各种工具的效能和应有的可能性，互相取长补短，开创模式识别应用的新局面。
参考文献
1赵志宇模式识别系统的工作原理及发展趋势[J].科技风,2010.
2刘迪模式识别综述[J].黑龙江科技信息,2012.
3王岚，陈晶，王睿，卢小泉几种模式识别方法在生物信息中的应用[J].计算机与应用化学，2007
4杨海峰，张德祥模式识别理论和技术在语音识别研究中的应用[J].合肥学院学报（自然科学版）2009
5霍桂利现代模式识别发展的研究与探索[J].河北广播电视大学学报2012
6斯芸芸嵌入式语音识别系统的设计与实现[J].重庆大学2012
7李冬梅基于人工神经网络和模式识别方法的地震序列类型早期预测研究[J].中国地震局兰州地震研究所2012
8Soong F K.A Vector Quantization Approach to Speaker Recognition[C]//Proc of ICASSP-85,Tampa:IEEE,1985:387-390
当今世界能源现状及发展趋势 当今世界，人类社会发展日益加速，无论是在工业，农业，还是第三产业服务业，高新技术产业，都是处于人类历史上空前发 展最快的一个阶段。社会的发展提高了人类的生活水平，大大加 强了社会生产力，同时对能源（如煤，石油）的需求和使用也大 幅提高，从汽车内燃机到家用用电器，无不需要能源去运作。 就中国目前来说，我国GDP每年以10%的速度发展，能源消 耗急骤增加，环境、生态日益恶化。这种对自然无序的、掠夺性 索取的发展模式已难以为继，实际上已造成当前十分严重的、不 可逆转的后果，大自然的惩罚已经不断地凸现出来，并还要继续 加重。 能源在历史上的利用状况： 人类对能源的利用主要有三大转换：第一次是煤炭取代木材 等成为主要能源；第二次是石油取代煤炭而居主导地位；而当 今世界是在石油逐渐枯竭的状况下向多能源结构的过渡转换。
18世纪前，人类只限于对风力、水力、畜力、木材等天然能源的直接利用，尤其是木材，在世界一次能源消费结构中长期占据首位。蒸汽机的出现加速了18世纪开始的产业革命，促进了煤炭的大规模开采。到19世纪下半叶，出现了人类历史上第一次能源转换。1860年，煤炭在世界一次能源消费结构中占24％，1920年上升为62％。从此，世界进入了“煤炭时代”。 19世纪70年代，电力代替了蒸汽机，电器工业迅速发展，煤炭在世界能源消费结构中的比重逐渐下降。1965年，石油首次取代煤炭占居首位，世界进入了“石油时代”。1979年，世界能源消费结构的比重是：石油占54％，天然气和煤炭各占18％，油、气之和高达72％。石油取代煤炭完成了能源的第二次转换。因此，石油是现在世界上利用最多的能源，并且面临着枯竭的危机。 化石燃料的大量利用破坏了生态环境，间接上对人类的发展也造成了不良的影响。因此，发展新能源，向多能源结构的过渡是当今人类所不可避免的。 我国能源利用现状： 一、能源丰富而人均消费量少 我国能源虽然丰富，但分布很不均匀，煤炭资源60%以上在华北，水力资源70%以上在西南，而工业和人口集中的南方八
第一次课堂作业 1.人在识别事物时是否可以避免错识 2.如果错识不可避免，那么你是否怀疑你所看到的、听到的、嗅 到的到底是真是的，还是虚假的 3.如果不是，那么你依靠的是什么呢用学术语言该如何表示。 4.我们是以统计学为基础分析模式识别问题，采用的是错误概率 评价分类器性能。如果不采用统计学，你是否能想到还有什么合理地分类 器性能评价指标来替代错误率 1.知觉的特性为选择性、整体性、理解性、恒常性。错觉是错误的知觉，是在特定条件下产生的对客观事物歪曲的知觉。认知是一个过程，需要大脑的参与.人的认知并不神秘，也符合一定的规律，也会产生错误 2.不是 3.辨别事物的最基本方法是计算 . 从不同事物所具有的不同属性为出发点认识事物. 一种是对事物的属性进行度量，属于定量的表示方法(向量表示法 )。另一种则是对事务所包含的成分进行分析，称为定性的描述(结构性描述方法)。 4.风险 第二次课堂作业 作为学生，你需要判断今天的课是否点名。结合该问题(或者其它你熟悉的识别问题，如”天气预报”)，说明: 先验概率、后验概率和类条件概率 按照最小错误率如何决策 按照最小风险如何决策 ωi为老师点名的事件,x为判断老师点名的概率 1.先验概率: 指根据以往经验和分析得到的该老师点名的概率,即为先验概率 P(ωi ) 后验概率: 在收到某个消息之后，接收端所了解到的该消息发送的概率称为后验概率。 在上过课之后,了解到的老师点名的概率为后验概率P(ωi|x) 类条件概率:在老师点名这个事件发生的条件下,学生判断老师点名的概率p(x| ωi ) 2. 如果P(ω1|X)>P(ω2|X)，则X归为ω1类别 如果P(ω1|X)≤P(ω2|X)，则X归为ω2类别 3.1)计算出后验概率 已知P(ωi)和P(X|ωi)，i=1,…，c，获得观测到的特征向量X 根据贝叶斯公式计算 j=1,…，x
中国镁产业发展现状综述 （2014年8月22日） 镁是地壳中含量高，分布广的元素之一。镁天然存在于菱镁矿MgCO3、白云石CaMg（CO3）2、光卤石KCl·MgCl2·6H2O及橄榄石中，海水、盐湖及油田卤水中也含有大量的镁。自然界中以化合态存在，主要分布于白云石矿、盐湖、海水等资源中。镁在地壳表层储量居第8位，占2.35%（质量比），已知的含镁矿物有60多种，具有工业价值的有：菱镁矿MgCO3，含镁28.8%；白云石CaMg（CO3）2，含镁13.2%；光卤石KCl·MgCl2·6H2O，含镁8.8%。世界各地还有很多含镁的盐湖、地下卤水和盐矿床。 金属镁是继钢铁、铝之后的第三大金属工程材料，被称为“21世纪的绿色工程材料”。在所有结构金属中，镁的密度最低，仅为1.74g/cm3，只有铝的2/3、钛的2/5、钢的1/4，是迄今为止能够应用于工业最轻的金属结构材料之一。镁合金具有密度低、比强度高、比刚度高、阻尼性能好、散热性能好、电磁屏蔽能力强、易于回收等优点，在电子通讯、汽车制造、印刷影印、轨道交通、航空航天、军工兵器及钢铁脱硫和阴极保护等领域有着广泛的应用，尤其是随着世界能源危机、环境污染问题日趋严峻的今天，汽车的轻量化已迫在眉睫，而镁合金是汽车减轻的首选材料之一。 随着人类社会的发展，金属材料的消耗与日俱增，一些金属矿产资源趋于枯竭，金属矿产资源的紧缺已成为全球性的问题。在我国，
随着经济的高速发展，对钢铁、铝材等基础材料的需求在逐年增加，但其资源极为贫乏，资源问题已直接影响到钢铁、铝材工业的持续、稳定发展。与之相比，镁资源在我国及其丰富，现已探明储量70亿吨以上，占世界储量的22.5%，居世界第一，其中，在青海察尔汗湖，氯化镁储量达30多亿吨，占全国储量的74%，居全国首位。由于镁具有铝的特性，在铝资源短缺的今天，用取之不尽的镁资源代替日益枯竭铝资源已成为趋势。 目前镁冶炼的方法主要有两种：1、从尖晶石、卤水或海水中将含有氯化镁的溶液经脱水或熔融氯化镁熔体，之后进行电解，此法称为电解法；2、用硅铁对从碳酸盐矿石中经煅烧产生的氧化镁进行热还原，此法称为热还原法。其中皮江法是热还原法中使用最广泛的方法。 第一部分：国内外镁资源开发现状和发展趋势 一、国外镁资源开发现状和发展趋势 近年来世界镁工业发展非常迅速，但金属镁的生产却出现了不平衡趋势，全球原镁生产呈现西方国家减产中国增产两大走向。国外因镁矿石资源贫乏以及较高的环保要求，80%以上的金属镁是通过电解法生产的，而中国的皮江法炼镁生产不断扩大，产量及出口量快速增长，对全世界金属镁供应链造成了巨大冲击和严重影响，使西方国家的原镁冶炼厂纷纷关闭，仅存的几家如俄罗斯素里卡姆斯克镁厂（SMW）、以色列死海镁厂（Dead Sea Magnesium Works）、美国镁业
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。
模式识别综述与应用 院系：计算机与通信工程学院 班级：电子信息10-01班 姓名： 学号：
模式识别综述与应用 摘要 模式识别就是研究用计算机实现人类的模式识别能力的一门学科，目的是利用计算机将对象进行分类。模式识别技术近年来得到了迅速的发展。 关键词 模式识别应用发展状况 前言 模式识别(Pattern Recognition)是人类的一项基本智能，在日常生活中，人们经常在进行“模式识别”。模式识别是一个多领域的交叉学科，它涉及人工智能、统计学、计算机科学、工程学、医学等众多的研究问题。随着2 0世纪4 0年代计算机的出现以及5 0年代人工智能的兴起，模式识别在2 0世纪6 0年代初迅速发展并成为一门新学科。 一、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)。 模式识别是指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,是信息科学和人工智能的重要组成部分。 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。前者是生理学家、心理学家、生物学家、神经生理学家的研究内容，属于认知科学的范畴；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来的努力，已经取得了系统的研究成果。 二、模式识别方法——统计模式识别方法和结构(句法)模式识别方法 把图像或图像系列分割为线条、边缘，结点，区域等并提供相应的特征，诸如灰度值、颜色、形状、纹理，深度等[5]。目的是要利用这些信息对模式进行分类或者对模式进行分析(描述)。分类是实现一个模式与
第一次课堂作业 ? 1.人在识别事物时是否可以避免错识？ ? 2.如果错识不可避免，那么你是否怀疑你所看到的、听到的、嗅到的到底 是真是的，还是虚假的？ ? 3.如果不是，那么你依靠的是什么呢？用学术语言该如何表示。 ? 4.我们是以统计学为基础分析模式识别问题，采用的是错误概率评价分类 器性能。如果不采用统计学，你是否能想到还有什么合理地分类器性能评价指标来替代错误率？ 1.知觉的特性为选择性、整体性、理解性、恒常性。错觉是错误的知觉，是在特定条件下产生的对客观事物歪曲的知觉。认知是一个过程，需要大脑的参与.人的认知并不神秘，也符合一定的规律，也会产生错误 2.不是 3.辨别事物的最基本方法是计算.从不同事物所具有的不同属性为出发点认识事物.一种是对事物的属性进行度量，属于定量的表示方法(向量表示法)。另一种则是对事务所包含的成分进行分析，称为定性的描述(结构性描述方法)。 4.风险 第二次课堂作业 ?作为学生，你需要判断今天的课是否点名。结合该问题(或者其它你熟悉的识别问题， 如”天气预报”)，说明: ?先验概率、后验概率和类条件概率？ ?按照最小错误率如何决策？ ?按照最小风险如何决策？ ωi为老师点名的事件,x为判断老师点名的概率 1.先验概率:指根据以往经验和分析得到的该老师点名的概率,即为先验概率P(ωi ) 后验概率:在收到某个消息之后，接收端所了解到的该消息发送的概率称为后验概率。 在上过课之后,了解到的老师点名的概率为后验概率P(ωi|x) 类条件概率:在老师点名这个事件发生的条件下,学生判断老师点名的概率p(x| ωi ) 2. 如果P(ω1|X)>P(ω2|X)，则X归为ω1类别 如果P(ω1|X)≤P(ω2|X)，则X归为ω2类别 3.1)计算出后验概率 已知P(ωi)和P(X|ωi)，i=1,…，c，获得观测到的特征向量X 根据贝叶斯公式计算 j=1,…，x 2)计算条件风险
指导老师：马丽 学号：700 班级： 075111 姓名：刘建 成绩： 目录 ............................................................ 一、报告内容要点............................................................ 二、《应用主成分分解(PCA)法的图像融合技术》............................................................ 三、《基于类内加权平均值的模块 PCA 算法》............................................................
四、《PCA-LDA 算法在性别鉴别中的应用》 ............................................................ 五、《一种面向数据学习的快速PCA算法》 ............................................................ 六、《Theory of fractional covariance matrix and its applications in PCA and 2D-PCA》 ............................................................ 七、课程心得体会 ............................................................ 八、参考文献 ............................................................ 一、报告内容要点 ①每篇论文主要使用什么算法实现什么 ②论文有没有对算法做出改进（为什么改进，原算法存在什么问题，改进方法是什么） ③论文中做了什么对比试验，实验结论是什么？可以加入自己的分析和想法，例如这篇论文还存在什么问题或者缺点，这篇论文所作出的改进策略是否好，你自己对算法有没有什么改进的想法？ 二、《应用主成分分解(PCA)法的图像融合技术》 第一篇《应用主成分分解(PCA)法的图像融合技术》，作者主要是实现用PCA可以提取图像数据中主要成分这一特点，从元图像获得协方差矩阵的特征值和特征向量，据此确定图像融合算法中的加权系数和最终融合图像。 作者在图像融合的算法上进行改进，用PCA获得待融合的每幅图像的加权系数Wi。是这样实现的：计算待融合的i幅图像数据矩阵的协方差矩阵，从中获
商业模式理论发展现状综述 1：商业模式理论经过十几年的发展之后，已经出现非常多的研究成本，这些研究成果包括了很多的方面，所以说，很多的学者都是通过不同的方向都对商业模式进行不同的研究，得出的成果也都不同。从总体上看，商业模式的理论都是围绕着企业的根本性质与目标进行的研究结论。现在商业模式理论涵盖的范围非常的广泛，包括了很多内容，例如：资源获取、生产、营销、售后、研究开发、客户资源、成本及收入等等。所以，商业模式是一个非常复杂的课题，他会涉及很多的经济学和管理学理论，所以商业模式的研究需要研究者都能够用创新性的思维，不会被局限在已有的理论基础上。事实上人们对商业模式研究的共同目标和共同理想，都是为了使人们能够对商业关系和经营管理理论有更进一步认知，让以后利用其理论更加的简便。 2国外商业模式理论相关研究成果 商业模式这个词语，第一次是出现在《经营研究》这一篇文章中的。而到了20世纪90年代才成为了被学者们所研究的热门话题。在20世纪90年代，著名管理学大师，彼得·德鲁克将商业模式称之为经营理论，而加拿大著名管理学家亨利·明兹伯格将商业模式称为战略思想。国外的学者加里·哈默尔以及C.K. 普拉哈拉德两人，所提出的“战略意向”这一概念也比较符合商业模式的实际意义。他们通过对世界上的成功企业进行分析和研究后指出，战略不应该是一种具体规划，因为成功的企业是不可能通过规划规划出来的，所以，战略在本质上应该是一种意象，它是企业渴望得到的远大前程和领先地位的一种意象。 而随着时间的发展，学者们对于商业模式研究的方向也越来越多，20世纪 90年代后国外的研究者们对商业模式理论的研究方向就是寻找商业模式的通用 性概念，找出商业模式的构成要素，在这个阶段研究者们对商业模式理论已经有一定的认知，理论研究已经进入了对商业模式概念的描述阶段。而随着时间的发展，学者们对商业模式的构成要素的总结越来越完善，提出的观点就越来越符合一般规律。当商业模式的概念比较清晰之后，学者们就开始对商业模式的一般模型进行研究，但是到目前为止还没有一个比较优秀、系统的观点出现。 3：国内商业模式理论相关研究成果 国内商业模式理论研究的起步阶段要远远晚于国外关于商业模式理论的研究，所以国内商业模式研究的成果、阶段，也是远远落后于国外的理论研究阶段的。在我国当前的理论研究阶段中，我国学者对商业模式的研究还主要是处于商业模式的跟踪研究阶段。王波和彭亚利2002年在《经济观察报》中提出的“何为商业模式”中，提出的理论都是应用性的研究理论，其最终成果缺乏相关理论成果的支持，并不能构成完整的理论体系。 国内后续商业模式理论的主要研究者有西南财经大学的罗珉教授、曾涛博士，以及厦门大学管理学院翁君奕教授、程愚博士。他们各自都在自己所著的文献中
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 现代模式识别是在20 世纪40 年代电子计算机发明以后逐渐发展起来的。在更早的
作业一： 在一个10类的模式识别问题中，有3类单独满足多类情况1，其余的类别满足多类情况2。问该模式识别问题所需判别函数的最少数目是多少？ 答案：将10类问题可看作4类满足多类情况1的问题，可将3类单独满足多类情况1的类找出来，剩下的7类全部划到4类中剩下的一个子类中。再在此子类中，运用多类情况2的判别法则进行分类，此时需要7*（7-1）/2=21个判别函数。故共需要4+21=25个判别函数。 作业二： 一个三类问题，其判别函数如下： d1(x)=-x1, d2(x)=x1+x2-1, d3(x)=x1-x2-1 1.设这些函数是在多类情况1条件下确定的，绘出其判别界 面和每一个模式类别的区域。 2.设为多类情况2，并使：d12(x)= d1(x), d13(x)= d2(x), d23(x)= d3(x)。绘出其判别界面和多类情况2的区域。 3. 设d1(x), d2(x)和d3(x)是在多类情况3的条件下确定的，绘 出其判别界面和每类的区域。 答案： 1
2
3 作业三： 两类模式，每类包括5个3维不同的模式，且良好分布。如果它们是线性可分的，问权向量至少需要几个系数分量？假如要建立二次的多项式判别函数，又至少需要几个系数分量？（设模式的良好分布不因模式变化而改变。） 答案：如果它们是线性可分的，则至少需要4个系数分量；如果要建立二次的多项式判别函数，则至少需要10 25 C 个系数分量。 作业四： 用感知器算法求下列模式分类的解向量w :
ω1: {(0 0 0)T, (1 0 0)T, (1 0 1)T, (1 1 0)T} ω2: {(0 0 1)T, (0 1 1)T, (0 1 0)T, (1 1 1)T} 答案：将属于ω2的训练样本乘以（-1），并写成增广向量的形式。 x①=(0 0 0 1)T,x②=(1 0 0 1)T,x③=(1 0 1 1)T,x④=(1 1 0 1)T x⑤=(0 0 -1 -1)T,x⑥=(0 -1 -1 -1)T,x⑦=(0 -1 0 -1)T,x⑧=(-1 -1 -1 -1)T 第一轮迭代：取C=1，w(1)=(0 0 0 0)T 因w T(1)x①=(0 0 0 0)(0 0 0 1)T=0≯0，故w(2)=w(1)+x①=(0 0 0 1) 因w T(2)x②=(0 0 0 1)(1 0 0 1)T =1>0，故w(3)=w(2)=(0 0 0 1)T 因w T(3)x③=(0 0 0 1)(1 0 1 1)T=1>0，故w(4)=w(3)=(0 0 0 1)T 因w T(4)x④=(0 0 0 1)(1 1 0 1)T=1>0，故w(5)=w(4)=(0 0 0 1)T 因w T(5)x⑤=(0 0 0 1)(0 0 -1 -1)T=-1≯0，故w(6)=w(5)+x⑤=(0 0 -1 0)T 因w T(6)x⑥=(0 0 -1 0)(0 -1 -1 -1)T=1>0，故w(7)=w(6)=(0 0 -1 0)T 因w T(7)x⑦=(0 0 -1 0)(0 -1 0 -1)T=0≯0，故w(8)=w(7)+x⑦=(0 -1 -1 -1)T 因w T(8)x⑧=(0 -1 -1 -1)(-1 -1 -1 -1)T=3>0，故w(9)=w(8)=(0 -1 -1 -1)T 因为只有对全部模式都能正确判别的权向量才是正确的解，因此需进行第二轮迭代。 第二轮迭代：
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
目前，国内外污水处理厂采用的工艺有普通活性污泥法，氧化沟工艺，SBR 间歇活性污泥法，AB法(Adsorption—Biooxidation),A-A-O法(Anaerobic—Anoxic—Oxic),活性污泥法非新工艺，生物滤池法，生物转盘法，生物接触氧化法等工艺 1．普通活性污泥法 在当前污水处理技术领域中，普通活性污泥法是应用最广泛的技术之一。有机污染物在曝气池内降解，有机污染物沿池长降低，需氧速度也沿池长降低。普通活性污泥法处理效果很好，BOD去除率达到90%以上，适于处理净化程度和稳定程度要求较高的污水。 不足之处是：普通活性污泥法只能作为常规二级处理，不具备脱氮除磷的功能；曝气池容积大，占地面积大，经济上面不划算；耗氧速度沿池长是变化的，但是供氧速度达不到要求；对进水水质，水量变化的适应性较低；运行效果易受水质水量的影响。 2 氧化沟工艺 氧化沟又称循环曝气池，是于50年代由荷兰的Pasveer所开发的一种污水生物处理技术，属活性污泥法的一种变法。氧化沟在应用中发展为多种形式，比较有代表性的有：卡罗塞尔(Carrousel)氧化沟；奥贝尔(Orbal)氧化沟；三沟式氧化沟(T型氧化沟) 氧化沟具有出水水质好、抗冲击负荷能力强、除磷脱氮效率高、污泥易稳定、能耗省、便于自动化控制等优点。但是，在实际的运行过程中，仍存在一系列的问题，如污泥膨胀问题、泡沫问题、污泥上浮问题、流速不均及污泥沉积问题 。同时，该法采用低负荷延时曝气运行方式，池的容量大，曝气时间长，建设费用和运行费用都比较高，而且占地大，一般运用于处理水质要求高的小型城镇污水和工业污水。 3 SBR间歇活性污泥法(Sequencing Batch Reactor) SBR法早在20世纪初已开发，由于人工管理繁琐未予推广。此法集进水、曝气、沉淀、出水在一座池子中完成，常由四个或三个池子构成一组，轮流运转，一池一池地间歇运行，故称序批式活性污泥法。现在又开发出一些连续进水连续出水的改良性SBR工艺，如ICEAS法、CASS法、IDEA法等。这种一体化工艺的特点是工艺简单，由于只有一个反应池，不需二沉池、回流污泥及设备，一般情况下不设调节池，多数情况下可省去初沉池。正是SBR 工艺这些特殊性使其具有以下优点：
模式识别大作业 班级 021252 姓名 谭红光 学号 02125128 1.线性投影与Fisher 准则函数 各类在d 维特征空间里的样本均值向量： ∑∈= i k X x k i i x n M 1 ，2,1=i (1) 通过变换w 映射到一维特征空间后，各类的平均值为： ∑∈= i k Y y k i i y n m 1，2,1=i (2) 映射后，各类样本“类内离散度”定义为： 22 ()k i i k i y Y S y m ∈= -∑，2,1=i (3) 显然，我们希望在映射之后，两类的平均值之间的距离越大越好，而各类的样本类内离 散度越小越好。因此，定义Fisher 准则函数： 2 1222 12||()F m m J w s s -= + (4) 使F J 最大的解* w 就是最佳解向量，也就是Fisher 的线性判别式. 从 )(w J F 的表达式可知，它并非w 的显函数，必须进一步变换。 已知： ∑∈= i k Y y k i i y n m 1，2,1=i , 依次代入上两式，有： i T X x k i T k X x T i i M w x n w x w n m i k i k === ∑∑∈∈)1 (1 ，2,1=i (5) 所以：2 21221221||)(||||||||M M w M w M w m m T T T -=-=- w S w w M M M M w b T T T =--=))((2121 (6)
其中：T b M M M M S ))((2121--= (7) b S 是原d 维特征空间里的样本类内离散度矩阵，表示两类均值向量之间的离散度大 小，因此，b S 越大越容易区分。 将(4.5-6) i T i M w m =和(4.5-2) ∑∈= i k X x k i i x n M 1代入(4.5-4)2i S 式中： ∑∈-= i k X x i T k T i M w x w S 22)( ∑∈?--? =i k X x T i k i k T w M x M x w ))(( w S w i T = (8) 其中：T i X x k i k i M x M x S i k ))((--= ∑=，2,1=i (9) 因此：w S w w S S w S S w T T =+=+)(212221 (10) 显然： 21S S S w += (11) w S 称为原d 维特征空间里，样本“类内离散度”矩阵。 w S 是样本“类内总离散度”矩阵。 为了便于分类，显然 i S 越小越好，也就是 w S 越小越好。
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
模式识别上机作业 队别：研究生二队 姓名：孙祥威 学号：112082
作业一： 1{(0,0),(0,1)} ω=， 2{(1,0),(1,1)} ω=。用感知器固定增量法求判别函数，设 1(1,1,1) w=，1 k ρ=。写程序上机运行，写出判别函数，打出图表。 解答： 1、程序代码如下： clc,clear w=[0 0 1; 0 1 1; -1 0 -1; -1 -1 -1]; W=[1 1 1]; rowk=1; flag=1; flagS=zeros(1,size(w,1)); k=0; while flag for i=1:size(w,1) if isempty(find(flagS==0)) flag=0; break; end k=k+1; pb=w(i,:)*W'; if pb<=0 flagS(i)=0; W=W+rowk*w(i,:); else flagS(i)=1; end end end W,k wp1=[0 0; 0 1;]; wp2=[1 0; 1 1]; plot(wp1(:,1),wp1(:,2),'o')
hold on plot(wp2(:,1),wp2(:,2),'*') hold on y=-0.2:1/100:1.2; plot(1/3*ones(1,size(y)),y,'r-') axis([-0.25 1.25 -0.25 1.25]) 2、判别函数。计算得到增广权矢量为*(3,0,1)T w =-，故判别函数表达式为： 1310x -+= 3、分类示意图： 图 1 感知器算法分类结果图 作业二： 在下列条件下，求待定样本(2,0)T x =的类别，画出分界线，编程上机。 1、二类协方差相等；2、二类协方差不等。 训练样本号k 1 2 3 1 2 3 特征1x 1 1 2 -1 -1 -2
武汉理工大学 模式识别及其在图像处理中的应用 学院（系）：自动化学院 课程名称：模式识别原理 专业班级：控制科学与工程1603班 任课教师：张素文 学生姓名：王红刚 2017年1月3日
模式识别及其在图像处理中的应用 摘要:随着计算机和人工智能技术的发展,模式识别在图像处理中的应用日益广泛。综述了模式识别在图像处理中特征提取、主要的识别方法(统计决策法、句法识别、模糊识别、神经网络)及其存在的问题, 并且对近年来模式识别的新进展———支持向量机与仿生模式识别做了分析和总结, 最后讨论了模式识别亟待解决的问题并对其发展进行了展望。 关键词:模式识别;图像处理;特征提取;识别方法 Pattern Recognition and Its Application in Image Processing Abstract:With the development of computer and artificial intelli-gence , pattern recognition is w idely used in the image processing in-creasingly .T he feature extraction and the main methods of pattern recognition in the image processing , w hich include statistical deci-sion, structural method , fuzzy method , artificial neural netw ork aresummarized.T he support vector and bionic pattern recognition w hich are the new developments of the pattern recognition are also analyzed .At last, the problems to be solved and development trends are discussed. Key words:pattern recognition ;image processing ;feature extrac-tion;recognition methods
模式识别课程设计 聚类图像分割 一．图像分割概述 图像分割是一种重要的图像分析技术。在对图像的研究和应用中,人们往往仅对图像中的某些部分感兴趣。这些部分常称为目标或前景（其他部分称为背景）。它们一般对应图像中特定的、具有独特性质的区域。为了辨识和分析图像中的目标,需要将它们从图像中分离提取出来,在此基础上才有可能进一步对目标进行测量,对图像进行利用。图像分割就是把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。近年来,研究人员不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割,提出了不少新的分割方法。 图象分割是图象处理、模式识别和人工智能等多个领域中一个十分重要且又十分困难的问题,是计算机视觉技术中首要的、重要的关键步骤。图象分割应用在许多方面,例如在汽车车型自动识别系统中,从CCD摄像头获取的图象中除了汽车之外还有许多其他的物体和背景,为了进一步提取汽车特征,辨识车型,图象分割是必须的。因此其应用从小到检查癌细胞、精密零件表面缺陷检测,大到处理卫星拍摄的地形地貌照片等。在所有这些应用领域中,最终结果很大程度上
依赖于图象分割的结果。因此为了对物体进行特征的提取和识别,首先需要把待处理的物体(目标)从背景中划分出来,即图象分割。但是,在一些复杂的问题中,例如金属材料内部结构特征的分割和识别,虽然图象分割方法已有上百种,但是现有的分割技术都不能得到令人满意的结果,原因在于计算机图象处理技术是对人类视觉的模拟,而人类的视觉系统是一种神奇的、高度自动化的生物图象处理系统。目前,人类对于视觉系统生物物理过程的认识还很肤浅,计算机图象处理系统要完全实现人类视觉系统,形成计算机视觉,还有一个很长的过程。因此从原理、应用和应用效果的评估上深入研究图象分割技术,对于提高计算机的视觉能力和理解人类的视觉系统都具有十分重要的意义。 二．常用的图像分割方法 1.基于阈值的分割方法 包括全局阈值、自适应阈值、最佳阈值等等。阈值分割算法的关键是确定阈值,如果能确定一个合适的阈值就可准确地将图像分割开来。阈值确定后,将阈值与像素点的灰度值比较和像素分割可对各像素并行地进行,分割的结果直接给出图像区域。全局阈值是指整幅图像使用同一个阈值做分割处理,适用于背景和前景有明显对比的图像。它是根据整幅图像确定的：T=T(f)。但是这种方法只考虑像素本身的灰度值,一般不考虑空间特征,因而对噪声很敏感。常用的全局阈值选取方法有利用图像灰度直方图的峰谷法、最小误差法、最大类间方差法、最大熵自动阈值法以及其它一些方法。