下载文档原格式
基于模式识别的个人认识班级自动化1002班姓名刘永福学号 1009101016摘要：本文主要介绍了模式识别的基本理论概念及算法，通过对模式识别的几种算法的概括、分析，推出算法的要求及步骤，实现样本的基本分类要求。
主要包括模式识别及模式识别系统的基本概念以及应用领域、线性判别函数的介绍及相关算法的推理证明、非线性判别函数的介绍及相关算法的推理证明。
一．模式识别及模式识别系统（1）模式识别的基本概念模式识别是以计算机为工具、各种传感器为信息来源，数据计算与处理为方法，对各种现象、事物、状态等进行准确地分析、判断识别与归类，包括人类在内的生物体的一项基本智能。
对于模式和模式识别有“广义”和“狭义”两种解释：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。
此时，模式识别是生物体(包括人)的基本活动，与感觉、记忆、学习、思维等心理过程紧密联系，是透视人类心理活动的重要窗口之一。
从这个角度讲，模式识别是研究生物体如何感知对象的学科，属于认识科学的范畴，是生理学家、心理学家、生物学家和神经生理学家的研究内容，常被称做认知模式识别。
具体来说，它是指人们把接收到的有关客观事物或人的刺激信息与他在大脑里已有的知识结构中有关单元的信息进行比较和匹配，从而辨认和确定该刺激信息意义的过程。
正是通过认知模式识别，我们才能认识世界，才能辨别出各个物体之间的差别，才能更好地学习和生活。
狭义地说，模式是为了能让计算机执行和完成分类识别任务，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)。
计算机模式识别就是指根据待识别对象的特征或属性，利用以计算机为中心的机器系统，运用一定的分析算法确定对象的类别的学科，是数学家、信息学专家和计算机专家的研究内容。
因此，模式识别的研究主要集中在认知模式识别和计算机模式识别这两个方面。
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。
《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。
