清华大学 模式识别 第一章(引言)

• 依赖于具体的问题（语音识别、图像识别） • 选择反映模式本质特性的参数作为特征 • 使样本类间距离较大、类内距离较小 • 与类别信息不相关的变换（平移、旋转、尺度变换）具有
不变性
• 尽量选择相关性小的特征 • 尽可能不受噪声的干扰
Applied Pattern Recognition CSE616
38
模式识别的基本方法
• 模糊模式识别
• 基于模糊数学和统计分析的识别方法，在不能明确描述模式
特征和结构的复杂模式识别问题中得到了成功应用
模糊模式类
清晰模式类
很像三角 形的图形
远大于2 的整数
三角形
大于2的 整数
• 根据隶属度和模糊文法进行分类
Applied Pattern Recognition CSE616
• 需要考虑的问题： • 特征越多分类性能越好吗？ • 什么样的特征才是好的特征？ • 特征的相关性与冗余？
Applied Pattern Recognition CSE616
17
如何获取判别边界：判别模型？ 什么样的判别边界才是最优的：模型优化？
Applied Pattern Recognition CSE616
用能力和领域，促进人工智能的应用与发展
• 促进人们对人脑识别过程的理解和认识
Applied Pattern Recognition CSE616
31
模式识别存在的问题
• 模式识别是一门快速发展的新兴学科，涉及到多学科、
多领域的复杂问题
• 和生物认知系统相比，现有人工模式识别系统的适应
和识别能力还远远不能令人满意
• 原理：
样本 观测值 特征 概率统计 决策准则
分类
Applied Pattern Recognition CSE616

模式识别※第一章绪论§课前索引§1.1 模式识别和模式的概念§1.2 模式的描述方法§1.3 模式识别系统§1.4 有关模式识别的若干问题§1.5 本书内容及宗旨§本章小节§本章习题※第二章贝叶斯决策理论与统计判别方法§课前索引§2.1 引言§2.2 几种常用的决策规则§2.3 正态分布时的统计决策§本章小节§本章习题※第三章非参数判别分类方法§课前索引§3.1引言§3.2线性分类器§3.3 非线性判别函数§3.4 近邻法§3.5 支持向量机§本章小结§本章习题※第四章描述量选择及特征的组合优化§课前索引§4.1 基本概念§4.2 类别可分离性判据§4.3 按距离度量的特征提取方法§4.4 按概率距离判据的特征提取方法§4.5 基于熵函数的可分性判据§4.6 基于Karhunen-Loeve变换的特征提取§4.7 特征提取方法小结§4.8 特征选择§本章小节§本章习题※第五章非监督学习法§课前索引§5.1 引言§5.2 单峰子类的分离方法§5.3 聚类方法§5.4 非监督学习方法中的一些问题§本章小节§本章习题※第六章人工神经元网络§课前索引§6.1 引言§6.2 Hopfield模型§6.3 Boltzmann机§6.4 前馈网络§6.5 人工神经网络中的非监督学习方法§6.6 小结§本章习题第一章绪论本章要点、难点本章是这门课的绪言，重点是要弄清“模式识别”的名词含义，从而弄清这门课能获得哪方面的知识，学了以后会解决哪些问题。

Machine Perception
模式识别的发展史
1929年 G. Tauschek发明阅读机，能够阅读0-9 的数字。
30年代 Fisher提出统计分类理论，奠定了统计 模式识别的基础。
60～70年代，统计模式识别发展很快，但由于 被识别的模式愈来愈复杂，特征也愈多，出现 “维数灾难”。
2020/4/16
References
[1] Richard O. Duda, Peter E. Hart, David G. Stork, Pattern Classification, 2nd Edition, John Wiley & Sons, Inc. 2019
(《模式分类》， 李宏东 姚天翔等 译，北京：机械工 业出版社，2003 年9月
➢ Machine Perception ➢ An Example ➢ Pattern Recognition Systems ➢ The Design Cycle ➢ Learning and Adaptation ➢ Methods of Pattern Recognition ➢ Conclusion
2020/4/16
Machine Percepti源自nBuild a machine that can recognize patterns:
• Speech recognition • Fingerprint identification • OCR (Optical Character Recognition) • DNA sequence identification
式识别理论得到了较广泛的应用。 80年代 Hopfield提出神经元网络模型理论。近
些年人工神经元网络在模式识别和人工智能上 得到较广泛的应用。 90年代小样本学习理论，支持向量机也受到了 很大的重视。

红苹果
橙子 2.00
1.50
x1
0.60
0.80
1.00
1.20
1.40
模式识别 – 绪论
特征的分布
x2 3.00 2.50
红苹果
绿苹果
橙子 2.00
1.50
x1
0.60
0.80
1.00
1.20
1.40
模式识别 – 绪论
五、模式识别系统
待识模式 数据采集及预 处理
训练模式
数据采集及预 处理
特征提取与选 择
安全领域：生理特征鉴别(Biometrics)，网 上电子商务的身份确认，对公安对象的刑侦和 鉴别；
模式识别 – 绪论
二、模式识别的应用
军事领域：巡航导弹的景物识别，战斗单元的 敌我识别；
办公自动化：文字识别技术和声音识别技术； 数据挖掘：数据分析； 网络应用：文本分类。
ቤተ መጻሕፍቲ ባይዱ
模式识别 – 绪论
《模式分类》，机械工业出版社，Richard O.
Duda
《模式识别》（第二版），清华大学出版社，边
肇祺，张学工；
特征提取与选 择
识别结果 模式分类
分类 训练
分类器设计
模式识别 – 绪论
六、模式识别问题的描述
给定一个训练样本的特征矢量集合：
D x 1 ,x 2 , ,x n ,x i R d
分别属于c个类别：
1,2, ,c
设计出一个分类器，能够对未知类别样本x进行分类
ygx ,R d 1 , ,c
模式识别 – 绪论
模式识别 – 绪论
第一章 绪论
模式识别 – 绪论
一、模式识别的概念
什么是模式识别？ 模式识别研究的内容？

《模式识别》课程教学大纲课程编号：04226课程名称：模式识别英文名称：Pattern Recognition课程类型：专业课课程要求：选修学时/学分：32/2 （讲课学时：28 实验学时：4）适用专业：智能科学与技术一、课程性质与任务模式识别课程是智能科学与技术专业的•门选修课，是研究计算机模式识别的基本理论和方法、应用。

模式识别就是利用计算机对某些物理现象进行分类，在错误概率最小的条件下，使识别的结果尽量与事物相符。

这门课的教学目的是让学生掌握统计模式识别和结构模式识别基本原理和方法。

本课程的主要任务是通过对模式识别的基本理论和方法、运用实例的学习，使学生掌握模式识别的基本理论与方法，培养学生利用模式识别方法、运用技能解决本专业及相关领域实际问题的能力，为将来继续深入学习或进行科学研究打下坚实的基础。

本课程的教学目的是为了使学生能应用模式识别处理计算机自动识别事物，机器学习数据分析中有关的技术问题。

由于本课程的目标是侧重在应用模式识别技术，因此在学习内容上侧重基本概念的讲解，辅以必要的数学推导，使学生能掌握模式识别技术中最基本的概念，以及最基本的处理问题方法。

学生在学习过程中还会用到一些概率论的最基本知识，线性代数中的部分知识，对学生在数学课中学到知识的进一步理解与巩固起到温故而知新的作用。

（该门课程支撑毕业要求中1.1, 2.1, 3.1, 3.3, 4.1, 6.1, 10.1和12.1）二、课程与其他课程的联系先修课程：概率论与数理统计、线性代数、机器学习后续课程：智能感知综合实践先修课程概率论与数理统计和线性代数为学生学习模式识别技术中最基本的概念，必要的数学推导打下基础，机器学习可以使学生建立整体思考问题的方法，并具有系统性能优化的概念。

本课程为后续智能优化方法打下理论基础。

三、课程教学目标1. 学习模式识别基本理论知识，理解参数估计的基本思想，掌握最大似然和贝叶斯儿种典型算法，理解聚类分析的的基本思想，掌握聚类分析的几种典型算法：（支撑毕业要求1.1,2.1）2. 具有数学分析和识别的基本能力；（支撑毕业要求1.1）3. 掌握基本的识别优化创新方法，培养学生追求创新的态度和意识；（支撑毕业要求3.1）4. 培养学生树立正确的分析和识别思想，了解设计过程中国家有关的经济、环境、法律、安全、健康、伦理等政策和制约因素；（支撑毕业要求3.3）5. 培养学生的工程实践学习能力，使学生具有运用标准、规范、手册、图册和查阅有关技术资料的能力；（支撑毕业要求4.1, 6.1）6, 了解模式识别方法前沿和新发展动向；（支撑毕业要求10.1, 12.1）四、教学内容、基本要求与学时分配五、其他教学环节（课外教学环节、要求、目标）无六、教学方法本课程以课堂教学为主，结合作业、自学及洲验等教学手段和形式完成课程教学任务。

5. 特征选择及特征提取的含 义、区别与联系，类别可分 离性判据满足的要求，K-L降 维过程等。
6. 无监督学习与聚类的含义， 主要包括两类学习方法，理 解投影法的过程，重点掌握 动态聚类方法中的K-Means 算法。
7. 理解人工神经网络的含义 及历史，人工神经元的模型 及数学分析，掌握主要的人 工神经网络算法，尤其是感 知器与BP算法，能利用人工 神经网络设计模式识别系统。
l() p(x1, x2,...xN ) p(x1 ) p(x2 ) p(xN )
•对数似然函数
N
L() ln p( ) ln p(xi ) i 1
3.1 设总体分布密度为N(,1), 并设 {x1, x2,...xN},
N
2
1

2

2

1
2
N i 1
xi2





——二次函数的指数函数
2 贝叶斯估计
解：•把 p( )写成 N ( N, N 2 )，即：
p( )
1
2
N
exp

(x N 2 N 2
)2

p( ) ~ N(,1)
下的最小错误率贝叶斯决策规则。
贝叶斯决策规则：
如果P(i
|
x)

max j 1,2
P( j
|
x),则x i
其中,
p(i | x)
p(x | i )P(i )
2
p(x | j )P( j )
j 1
例题讲解
（1） P(x|ω1)=P(x|ω2 )
p(i | x)
p( x | i ) P(i )

模式识别课程编码:课程英文译名:Pattern Recognition课程类别:学位课开课对象:模式识别与智能系统开课学期:第2学期学分: 3 学分;总学时: 48 学时;理论课学时:48 学时;实验学时:0 学时;上机学时:先修课程:学习本课程之前,应先学习《概率论》、《线性代数》课程。

教材:《模式识别》清华大学出版社,2000年1月,第二版参考书:【1】《数字图像处理》 Kenneth.R.Castleman著,朱志刚等译,电子工业出版社 1998年9月一、课程的性质、目的和任务《模式识别》是模式识别与智能系统硕士生一门学位课。

模式识别就是利用计算机对某些物理现象进行分类,在错误概率最小的条件下,使识别的结果尽量与事物相符。

本课程的任务是使学生掌握模式识别的基本原理和方法,了解模式识别在实际系统中的应用。

二、课程的基本要求通过本课程的学习,要求重点掌握统计模式识别的基本理论和应用。

掌握统计模式识别方法中的特征提取和分类决策。

掌握特征提取和选择的准则和算法,掌握监督学习的原理以及分类器的设计方法。

基本掌握非监督模式识别方法。

了解应用人工神经网络和模糊理论的模式识别方法。

掌握模式识别的应用和系统设计。

三、教学方式课程采用教师课堂讲授和学生课外自学相结合的教学方式。

教师课堂讲模式识别方面的核心内容,学生通过阅读参考书和文献资料,进一步深入了解课程的最新研究成果。

四、课程的主要教学内容和学时分配授课时数:48学时主要内容:第一章绪论1.1 模式和模式识别的概念1.2 模式识别系统1.3 关于模式识别的一些基本问题第二章贝叶斯决策理论2.1 几种常用的决策规则2.2 正态分布时的统计决策2.3 分类器的错误率分析第三章概率密度函数的估计3.1 参数估计的基本原理3.2 监督参数估计3.3非监督参数估计第四章线性判别函数4.1线性判别函数和线性分类器的基本概念4.2 常用准则函数的线性分类器设计4.3 多类问题第五章非线性判别函数5.1 分段线性判别函数的基本概念5.2 分段线性分类器设计5.3 二次判别函数5.4 近邻法第六章特征的选择与提取6.1 基本概念6.2 类别可分离性6.3 特征提取6.4 特征选择第七章非监督学习方法7.1 引言7.2 单峰子集(类)的分离方法7.3 类别分离的间接方法7.4 分级聚类方法第八章模式识别的发展与应用8.1 神经网络模式识别8.2 模糊模式识别方法8.3 识别方法在语音信号数字处理中的应用8.4 印刷体汉字识别中的特征提取五、习题及课外教学要求通过习题巩固和加深对所学知识的理解,培养分析能力计算能力,为此要布置适量的习题。

问题是，事物有没有“本质”？一个苹果，牛顿看到
的是它的质量，遗传学家看到的是它的染色体中的
• 一般说来，模式识别过程是将感觉信息 与长时记忆中的信息进行比较，再决定 它与哪个长时记忆中的项目有着最佳匹 配的过程。
.
15
认识模式识别
• 认知模式识别是认知心理学研究领域的 核心问题之一，是人的一种最基本的认 知能力。匹配过程可以采用 ：
1. 模板匹配理论
2. 原形匹配理论
3. 特征匹配理论
.
36
模式识别方法
• 模式识别系统的目标：在特征空间和解 释空间之间找到一种映射关系，这种映 射也称之为假说。
– 特征空间：从模式得到的对分类有用的度 量、属性或基元构成的空间。
– 解释空间：将c个类别表示为 其中 为所属类别的集合，称为解释空间。
.
37
假说的两种获得方法
• 监督学习、概念驱动或归纳假说：在特征空 间中找到一个与解释空间的结构相对应的假 说。在给定模式下假定一个解决方案，任何 在训练集中接近目标的假说也都必须在“未 知”的样本上得到近似的结果。
• 预处理：去噪声，用一个分割操作把鱼 和鱼之间以及鱼和背景之间分开
.
25
识别过程
• 特征提取和选择：对单个鱼的信息进行特征 选择，从而通过测量某些特征来减少信息量
– 长度 – 亮度 – 宽度 – 鱼翅的数量和形状 – 嘴的位置，等等 …
• 分类决策：把特征送入决策分类器
.
26
.
27
.
28
.
– 周围物体的认知：桌子、椅子
– 人的识别：张三、李四
– 声音的辨别：汽车、火车，狗叫、人语
– 气味的分辨：炸带鱼、红烧肉

Xuegong Zhang
17
Tsinghua University
教材 和 参考书
Xuegong Zhang Tsinghua University
Duda, Hart, Stork著，李宏东等 译，《模式分类》，机械工业 出版社，中信出版社，2003
18
课程安排
• 课程大纲 • 要求：
– 听课 – 阅读 – 作业/实验
DNA
mRNA
Protein
Phenotype
Genome
Transcriptome
Proteome
Phenome
miRNA
13
Xuegong Zhang
14
Tsinghua University
……
Xuegong Zhang
15
Tsinghua University
再看什么叫模式识别
• People recognize things, from observations.
• Because we are curious • Because we are lazy • Because we are not so able
Xuegong Zhang
16
Tsinghua University
本课程主要内容
• 模式识别的概念 • 模式识别问题的数学表达 • 基本模式识别系统的组成 • 解决模式识别问题的基本理论与方法 • 一些代表性方法/算法 • 一些最新进展和存在问题
模式识别基础
Fundamental Pattern Recognition
张学工
TA: 吕雪松，李婷婷
Xuegong Zhang
1
Tsinghua University

j =1,...,c
先验概率和类条件概率相联系的形式，即 如果p(x|wi )P (wi ) = max p(x|wj )P (wj )，则x ∈ wi 。
j =1,...,c
• 2.6 对两类问题，证明最小风险贝叶斯决策规则可表示为，若 p(x|w1 ) (λ12 − λ22 )P (w2 ) > , p(x|w2 ) (λ21 − λ11 )P (w1 ) 则x ∈ w1 ，反之则属于w2 。 解 ：计算条件风险
第二章 贝叶斯决策理论
• 2.11 xj (j = 1, 2, ..., n)为n个独立随机变量，有E [xj |wi ] = ijη ，var[xj |wi ] = i2 j 2 σ 2 ，计算在λ11 = λ22 = 0 及λ12 = λ21 = 1的情况下，由贝叶斯决策引 起的错误率。（中心极限定理） 解 ： 在0 − 1损失下，最小风险贝叶斯决策与最小错误率贝叶斯决策等 价。 • 2.12 写出离散形式的贝叶斯公式。 解： P (wi |x) = P (x|wi )P (x) P (x|wi )P (wi )
– II –
第一章 绪论
第一章
略
绪论
–1–
第二章 贝叶斯决策理论
第二章
示？
贝叶斯决策理论
• 2.1 如果只知道各类的先验概率，最小错误率贝叶斯决策规则应如何表 解 ： 设一个有C 类，每一类的先验概率为P (wi )，i = 1, ..., C 。此时最小错 误率贝叶斯决策规则为：如果i∗ = max P (wi )，则x ∈ wi 。
2
R(α1 |x) =
j =1
λ1j P (wj |x)
= λ11 P (w1 |x) + λ12 P (w2 |x)

Xuegong Zhang Tsinghua University
38
19
概念和名词约定（续）
• 分类器classifier：能够将每个样本都分到某个类别中去 （或者拒绝）的计算机算法 • Decision region: 分类器将特征空间划分为若干区域（决策 域） • Decision boundary: 不同类别区域之间的边界称作分类边 界、决策边界或分类面、决策面
36
18
概念和名词约定
• 样本sapmle：待研究对象的个体，包括性质已知或未知的 个体 （注意：统计学中有不同的约定） • 类别class：将所研究的样本性质离散化为有限的类别，认 为同一类的样本在该性质上是不可区分的
– 习惯上，类别用ω 表示，如ω1、ω2，也用{-1,1}表示
• 已知样本known samples：类别情况已知的样本 • 未知样本unknown samples：类别情况未知的样本 • 样本集sample set：若干样本的集合，分已知样本集和未 知样本集
Xuegong Zhang Tsinghua University 27
常见模式举例（续）
人脸的模式
• 共性：人脸作为一类对象区别于其他 • 个性：每个人作为一类区别于其他人
Xuegong Zhang Tsinghua University
28
14
什么是“模式（Pattern）”？
• 对象的组成成分或影响因素之间所存在 的直接或间接的规律性的关系 or • 存在确定性或随机规律的对象、过程或 事件的集合
Xuegong Zhang Tsinghua University 37
概念和名词约定（续）
• 特征features：样本的任何可区分的（且可观测的）方面 – 包括定量特征和定性特征，但通常最后转化为定量特征 • 特征向量feature vectors：样本的所有特征组成的 n 维向量 是样本在数学上的表达，因此也称作样本 • 特征空间feature space：特征向量所在的 n 维空间，每一个 样本（特征向量）是该空间中的一个点，一个类别是该空间中 的一个区域

1.4.3模式识别软件
目前来说，有很多软件可以指导设计模式识别系统，建立一 个模式识别系统要用到的相关软件有MATLAB、opencv 、 vc6.0等等
图1-6 MATLAB仿真示意图
第一章 绪论
1.1 模式识别的基本概念 1.2 特征描述 1.3 模式识别方法 1.4 模式识别工程设计
1.1 模式识别的基本概念
模式—通过信息的采集，形成的对一个对象的描述
模式类—模式所属的类别或同一类中的模式的总体
模式识别—利用计算机（或人为少量的干预）自动 地将待识别的事物分配到各个模式类中的技术
(1) 可靠性； (2) 样本数目足够多； (3) 样本数M与模式空间维数N的关系要满足M/N>3,最好M/N>10； 在选择训练集的实验中一般选择一些具有相同特征且特征明显的数据 样本作为训练集，这类样本能让分类器更快更有效的获得此类样本的特 性；
测试集：样本是未知的（没有标定的），需要用分类器进行 识别的，一般选择在设计分类系统没有使用过的独立的样本 即可。
聚类法：用某种相似性度量的方法将数据组分成所需要的各 组数据。主要有分层聚类法和迭代聚类法。
神经网络法：利用给定的样本，在学习过程中不断修正内部 连接权重和阈值，使实际输出与期望输出在一定误差范围内 相等。 BP(误差反传播算法)网络模型是模式识别应用最广 泛的网络之一 人工智能法： 应用专家系统、智能推理技术、不确定性推理 等智能算法，所获取样本进行识别。主要解决高复杂度，无 法建立准确的模型或者信息不准确、不确切等问题。
1.1 模式识别的基本概念
模式识别系统的组成
数据采集
预处理
特征提取 和选择
分类器设 计
分类决策
图1-1 模式识别系统的基本构成

课程中文名称：模式识别原理与技术（课程代码：系统生成，不必填写）课程英文名称：The Principle and Technology of Pattern Recognition学分：2 总学时：32开课学院：信息科学与技术学院层次：学术硕士研究生主要面向学科（类别）：控制科学与工程学科/领域（与培养方案保持一致）预备知识：概率论与数理统计，最优化理论，数据结构课程学习目的与要求：通过本课程的学习，使学生掌握模式识别的基本概念、基本原理、基本分析方法和算法，具有初步设计、实现模式识别中比较简单的分类器算法的能力，从而为学生进一步从事该方向的学习与研究工作打下基础。

要求重点掌握统计模式识别方法中的特征提取和分类决策。

掌握特征提取和选择的准则和算法，掌握监督学习的原理以及分类器的设计方法。

基本掌握非监督模式识别方法。

掌握模式识别的应用和系统设计。

课程主要内容：一、绪论（2学时）1 模式和模式识别的概念2 模式识别系统3 关于模式识别的一些基本问题二、贝叶斯决策理论（6学时）1 引言2几种常用的决策规则2.1 基于最小错误率的贝叶斯决策2.2基于最小风险的贝叶斯决策2.3在限定一类错误率条件下使另一类错误率为最小的两类别决策2.4判别函数、决策面与分类器设计3正态分布时的统计决策3.1正态分布概率密度函数的定义与性质3.2正态分布概率模型下的最小错误率贝叶斯决策3分类器的错误率分析4 小结三、概率密度函数的估计（4学时）1. 什么是概率总体的估计？2 正态分布的监督参数估计2.1 极大似然估计2.2 贝叶斯估计2.3 贝叶斯学习2.4 极大似然估计、Bayes估计和Bayes学习之间的关系*3 非参数估计3.1概率密度函数估计的基本方法3.2 密度函数估计的收敛性4 小结四、线性判别函数（6学时）1 引言2 线性分类器2.1 线性判别函数的基本概念2.2 广义线性判别函数2.3 线性分类器设计步骤2.4 Fisher线性判别函数2.5 感知准则函数2.6 多类问题3 非线性判别函数3.1 非线性判别函数与分段线性判别函数3.2 基于距离的分段线性判别函数3.3 错误修正算法3.4 局部训练法4 近邻法4.1 最近邻法决策规划4.2 近邻法错误率分析4.3 改进的近邻法5 支持向量机5.1 线性可分条件下的支持向量机最优分界面5.2 线性不可分条件下的广义最优线性分界面5.3 特征映射法、解决非线性判别分类问题5 小结五、描述量选择及特征的组合优化（8学时）1 基本概念2 类别可分离性判据3 按距离度量的特征提取方法3.1基于距离的可分性判据3.2 按欧氏距离度量的特征提取方法4 按概率距离判据的特征提取方法4.1 基于概率分布的可分性判据4.2 按概率距离判据提取特征5 基于熵函数的可分性判据5.1 基于熵函数的可分性判据5.2 相对熵的概念及应用举例6 基于KarhunenKarhunenLoeveLoeve变换的特征提取6.1 KarhunenKarhunen--LoeveLoeve变换6.2 KarhunenKarhunen--LoeveLoeve变换的性质6.3 使用KK--LL变换进行特征提取7 特征提取方法小结8 特征选择六、* 非监督学习法（4学时）1 引言2 单峰子类的分离方法2.1 投影法2.2 基于对称集性质的单峰子集分离法3 聚类方法3.1 动态聚类方法3.2 分级聚类方法4 非监督学习方法中的一些问题5小节课程考核要求：1.小论文+开卷考试2.成绩评定规则，如综合成绩=期末考试成绩*70%+小论文成绩*30%主要参考书：1.张学工，《模式识别（第三版）》，清华大学出版社，2010an Sonka 等著，Image Processing, Analysis and Machine Visio n 人民邮电出版社，20023.期刊：模式识别与人工智能、中国图象图形学报等撰写人：郝矿荣2014 年12月10 日学院盖章：教授委员会主任签字：年月日。

故障检测与分离(FDI)：故障检测与故障分离之和。 故障检测与诊断(FDD)：故障检测与故障诊断之和。 监视(monitoring)：通过记录信息、识别与指示系统 行为的异常现象，连续与实时地确定某一物理系统的运 行状态。 监控(supervision)：对物理系统进行监视，并且当它 发生故障时采取适当的措施，以维持其运行。 误报(false alarm)：系统没有发生故障而报警。“误报 率”是衡量故障诊断系统性能的基本指标之一。 漏报(missing alarm)：系统发生了故障而没有报警。 “漏报率”是衡量故障诊断系统性能的又一个基本指标。
动态系统的容错控制(fault tolerant contro1一FTC)是伴 随着基于解析冗余的故障诊断技术的发展而发展起来的。 如果在执行器、传感器或元部件发生故障时，闭环控制系 统仍然是稳定的，并仍然具有较理想的特性，就称此闭环 控制系统为容错控制系统，容错控制方法一般可以分成两 大类，即：被动容错控制(passive FTC)和主动容错控制 (active FTC)。我国在容错控制理论上的研究基本上与国外 同步。 动态系统的故障检测与诊断(fault detection and diagnosis—FDD)既是一门相对独立发展的技术，也是容错 控制的重要支柱技术之一,我国开始动态系统FDD技术的 研究要比国外晚十年左右。
· (2)参数估计方法
参数估计方法与状态估计方法不同，不需要计算残差 序列，而是根据参数变化的统计特性来检测故障的发生。
2．基于信号处理的方法 目前大多数方法都是针对线性系统提出的，但很容 易推广到非线性系统，除非其中应用了线性系统的某些 特性。 (1)利用Kullback信息准则检测故障 (2)基于小波变换的故障诊断方法
1.2 非线性系统的故障检测与诊断技术 1.2.1 动态系统故障检测与诊断技术的一些概念与名词 故障(fault)：系统至少一个特性或参数出现较大偏差， 超出了可接受的范围。此时系统的性能明显低于其正常水 平，所以已难以完成其预期的功能. 加性故障(additive fault)：故障加性地作用在系统的输 入输出上，因此对残差信号(residual signal)的影响也是加 性的。 严重故障(failure)：在特定的操作条件下，由于故障 使系统持续丧失了完成给定任务的能力。 失灵(malfunction)：在系统完成持定的任务时，出现 了间断性的不规则现象。 残差(residual)：故障指示器，由测量值与模型计算值 的差得到。

模式识别Pattern Recognition自我介绍李玉鑑联系电话：67392879-2514 E-mail: liyujian@ 办公地点：信息北楼309课程的基本情况中文名称:模式识别英文名称：Pattern Recognition 课程类型：专业选修课学时：32学分：2.0教材和参考书✷教材：✷Richard O.Duda,Peter E.Hart,David G. Stork著,《模式分类》,李宏东、姚天翔译，机械工业出版社，2007年6月✷参考书：✷边肇祺、张学工等编著，《模式识别》，清华大学出版社✷杨光正、无岷、张晓莉编著，《模式识别》，中国科学技术大学出版社考试方法 闭卷考试，100分制第１讲模式识别简介✷常见模式识别系统举例✷模式识别的基本概念✷模式识别的相关领域✷模式识别的应用✷模式识别系统的基本组成常见模式识别系统举例✷汉王OCR✷指纹识别✷虹膜识别✷人脸识别✷返回模式识别的基本概念✷模式识别的定义✷样本、模式和模式类的相对关系✷模式识别的复杂性✷两可图形：立方体，面孔与酒杯✷返回模式识别的定义✷计算机对人或动物的识别功能的模拟✷Pattern Recognition✷Pattern：相似、相近但又不同的样本✷Recognition：识别，辨认✷“Pattern”源于法文Patron，本来指可作为大家典范的理想的人，或用以模仿复制的完美的样品。

返回样本、模式与模式类✷模式识别系统:✷输入通常称为样本，有时也称为模式。

✷输出通常称为模式，有时也称为模式类。

✷返回模式识别的复杂性✷模式识别是一个非常复杂的问题✷鲸在生物学中属于哺乳类，应该和牛算作同一类；但是从产业的角度看，捕鲸属于水产业，鲸和鱼是一类，而牛属于畜牧业，与鲸不同类。

✷返回立方体返回面孔与酒杯返回模式识别的相关领域✷模式识别技术不同于经典的统计“假设检验”技术✷模式识别技术也不同于“图像处理”(image processing)✷其它3种密切相关的技术：回归分析，函数内插，和(概率)密度估计✷返回假设检验（hypothesis testing ）✷根据输入数据，判断零假设（或原假设、空假设）H 0与备择假设H 1中哪一个成立。

模式识别导论 课程对象： C方向和导航方向的专业选修课。 成绩评定： 1，作 业 2，实 习 3，期末考试 20分 20分 60分
主要章节： 第一章 概论（2）
第八章人工神 经网络在模式 第三章判别函数与确定性分类器（6） 第四章 聚类分析（4） 识别中的应用 （4） 第五章模式特征分析与选取（4） 第八章人工神经网络在 实习（4） 模式识别中的应用（4） 第二章贝叶斯决策理论（6）
马属于畜牧业。
② 分类的客观性：科学性 判断分类必须有客观标准，因此分类是追求客观性的， 但主观性也很难避免，这就是分类的复杂性。
模式识别导论
四.特征的生成
1.低层特征： ①无序尺度：有明确的数量和数值，比如通过仪器可直接量测：长度、 重量、时间等。其度量结果就是特征量化值。 ②有序尺度：有先后、好坏的次序关系，如酒分为上，中，下三个等 级。
人民邮电出版社
罗耀光 盛立东 Richard R. Duda
• Pattern Classification
模式识别导论
中南海
故宫
如何让计算机自动分析不同地物类？
模式识别导论
体重 成年人
未成年人
×× × × ××
身高
计算机如何自动来进行判别？
模式识别导论
计 算 机 如 何 自 动 分 析 对 话 ？
Geoffrey Hinton Yoshua Bengio
Yann LeCun
模式识别导论
§1-2 模式识别系统
监督模式识别
• 信息的获取：是通过传感器，将光或声音等信息转化为电信息。 信息可以是二维的图象如文字，图象等；可以是一维的波形如声
波，心电图，脑电图；也可以是物理量与逻辑值。
• 预处理：包括A\D,二值化，图像的平滑，变换，增强，恢复，滤 波等, 主要指图象处理。