下载文档原格式
统计模式识别统计分类方法
统计模式识别是一种常见的机器学习算法，用于对未知模式和统
计模式进行学习。
它可以使用模式的历史记录和观察结果来预测未来
模式的行为。
该技术也被称为统计分类，用于解决分类和分组问题，
其目的是根据现有的统计数据来评估一个特定的类别的可能性。
统计模式识别基于概率统计理论，可对数据进行分析并扩展到传
统模式识别范围之外，以解决复杂问题。
它可以用于分类多维数据，
识别新类别或模式，并帮助训练机器学习模型，使用有效的特征提取
和结构学习算法。
它提供一种新的方法，通过有效的表示和分类模型，来表示实体和相关的对象。
与其他分类算法相比，统计模式识别的有点是它'数据挖掘'的概念，在这种类型的模式识别中，模式数据是根据观察数据一直进行改
变的，没有预先定义模式及其功能，它根据具有可利用自学能力的方
法逐渐改善。
统计模式识别非常重要，因为它可以帮助我们找到自动化解决方
案来实现更多基于数据的智能分析和决策，从而增强分析模型的能力，例如，可以使用该技术识别股票市场及其他金融市场的模式变化，以
便于能够更高效地进行投资决定。
它也可以应用于诊断和分析少量样
本事件，进而对学习和决策进行调节和优化。
模式识别(Pattern Recognition)：确定一个样本的类别属性（模式类）的过程，即把某一样本归属于多个类型中的某个类型。
样本（Sample )：一个具体的研究（客观）对象。
如患者，某人写的一个汉字，一幅图片等。
模式(Pattern)：对客体（研究对象）特征的描述（定量的或结构的描述），是取自客观世界的某一样本的测量值的集合（或综合）。
特征(Features)：能描述模式特性的量（某一模式的测量值集合中的同一量）。
在统计模式识别方法中，通常用一个矢量x 表示，称之为特征矢量，记为12(,,,)n x x x x '=。
（一个特征矢量描述一种模式） 模式类(Class)：具有某些共同特性的模式的集合。
模式识别的三大任务模式采集：从客观世界（对象空间）到模式空间的过程称为模式采集。
特征提取和特征选择：由模式空间到特征空间的变换和选择。
类型判别：特征空间到类型空间所作的操作。
模式识别系统的主要环节特征提取： 符号表示，如长度、波形、。
特征选择： 选择有代表性的特征，能够正确分类 学习和训练：利用已知样本建立分类和识别规则分类识别： 对所获得样本按建立的分类规则进行分类识别一、统计模式识别 模式描述方法：特征向量 12(,,,)n x x x x '= 模式判定：模式类用条件概率分布P(X/wi)表示,m 类就有m 个分布，然后判定未知模式属于哪一个分布。
主要方法：线性、非线性分类、Bayes 决策、聚类分析 主要优点：1）比较成熟2）能考虑干扰噪声等影响 3）识别模式基元能力强 主要缺点：1）对结构复杂的模式抽取特征困难 2）不能反映模式的结构特征，难以描述模式的性质 3）难以从整体角度考虑识别问题二、句法模式识别 模式描述方法：符号串，树，图 模式判定：是一种语言，用一个文法表示一个类，m 类就有m 个文法，然后判定未知模式遵循哪一个文法。
主要方法：自动机技术、CYK 剖析算法、Early 算法、转移图法主要优点：1）识别方便，可以从简单的基元开始，由简至繁。
《统计模式识别》课程报告姓名：赵思源学号：20141000215专业：地球信息科学与技术教师：余翔宇2017年11月SVM简单原理SVM hypothesis：SVMDecisionBoundary:LinearlyseparablecaseKernels可以将给定的每个样本点定为一个landmark，只要满足类似于（f为x和l之间的kernel函数值）表达式即可常用的kernel有高斯函数、Polynomialkernel等LIBSVM用法1. libSVM的数据格式Label 1:value 2:value ….Label：是类别的标识，比如上节train.model中提到的1 -1，你可以自己随意定，比如-10，0，15。
当然，如果是回归，这是目标值，就要实事求是了。
Value：就是要训练的数据，从分类的角度来说就是特征值，数据之间用空格隔开比如: -15 1:0.708 2:1056 3:-0.3333需要注意的是，如果特征值为0，特征冒号前面的(姑且称做序号)可以不连续。
如：-15 1:0.708 3:-0.3333表明第2个特征值为0，从编程的角度来说，这样做可以减少内存的使用，并提高做矩阵内积时的运算速度。
我们平时在matlab中产生的数据都是没有序号的常规矩阵，所以为了方便最好编一个程序进行转化。
2. svmscale的用法svmscale是用来对原始样本进行缩放的，范围可以自己定，一般是[0,1]或[-1,1]。
缩放的目的主要是1）防止某个特征过大或过小，从而在训练中起的作用不平衡；2）为了计算速度。
因为在核计算中，会用到内积运算或exp运算，不平衡的数据可能造成计算困难。
用法：svmscale [-l lower] [-u upper][-y y_lowery_upper][-s save_filename][-r restore_filename] filename其中，[]中都是可选项：-l：设定数据下限；lower：设定的数据下限值，缺省为-1-u：设定数据上限；upper：设定的数据上限值，缺省为1-y：是否对目标值同时进行缩放；y_lower为下限值，y_upper为上限值；-s save_filename：表示将缩放的规则保存为文件save_filename；-r restore_filename：表示将按照已经存在的规则文件restore_filename进行缩放；filename：待缩放的数据文件，文件格式按照libsvm格式。
几种统计模式识别方案的比较摘要：模式识别是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，以达到对事物或现象进行描述、辨认、分类和解释的目的，是信息科学和人工智能的重要组成部分。
而统计决策理论是处理模式分类问题的基本理论之一，它对模式分析和分类器的设计有着实际的指导意义。
本文归纳总结了统计模式识别的不同方案的详细性能，比较了它们的原理、算法、属性、应用场合、错误率等。
关键词：统计模式识别贝叶斯决策方法几何分类法监督参数统计法非监督参数统计法聚类分析法Comparison of Several Kinds of Statistical Pattern Recognit ion SchemesAbstract: Pattern recognition deals with and analyses the i nformation which signify all kinds of things and phenomena (number values, Characters and logic relation), in order to describe, recognize, classify and interpret them. It is on e of the important parts of information science and artific ial intelligence. While statistical pattern recognition is one of the basics theory of classifying and is real directi ve significance in analyzing and classifying of pattern. Wesum up the detailed performance of summarizing different s chemes which counts the pattern recognition in this text, C ompare their principle, algorithm, attribute, using occasio n, etc.1引言模式识别诞生于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年代初迅速发展成为一门学科。
