第一篇：模式識(shí)別總結(jié)

監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)的區(qū)別：

監(jiān)督學(xué)習(xí)方法用來對(duì)數(shù)據(jù)實(shí)現(xiàn)分類，分類規(guī)則通過訓(xùn)練獲得。該訓(xùn)練集由帶分類號(hào)的數(shù)據(jù)集組成，因此監(jiān)督學(xué)習(xí)方法的訓(xùn)練過程是離線的。

非監(jiān)督學(xué)習(xí)方法不需要單獨(dú)的離線訓(xùn)練過程，也沒有帶分類號(hào)（標(biāo)號(hào)）的訓(xùn)練數(shù)據(jù)集，一般用來對(duì)數(shù)據(jù)集進(jìn)行分析，如聚類，確定其分布的主分量等。

（實(shí)例：道路圖）就道路圖像的分割而言，監(jiān)督學(xué)習(xí)方法則先在訓(xùn)練用圖像中獲取道路象素與非道路象素集，進(jìn)行分類器設(shè)計(jì)，然后用所設(shè)計(jì)的分類器對(duì)道路圖像進(jìn)行分割。

使用非監(jiān)督學(xué)習(xí)方法，則依據(jù)道路路面象素與非道路象素之間的聚類分析進(jìn)行聚類運(yùn)算，以實(shí)現(xiàn)道路圖像的分割。

1、寫出K-均值聚類算法的基本步驟, 算法：

第一步：選K個(gè)初始聚類中心，z1(1)，z2(1)，…，zK(1)，其中括號(hào)內(nèi)的序號(hào)為尋找聚類中心的迭代運(yùn)算的次序號(hào)。聚類中心的向量值可任意設(shè)定，例如可選開始的K個(gè)模式樣本的向量值作為初始聚類中心。第二步：逐個(gè)將需分類的模式樣本{x}按最小距離準(zhǔn)則分配給K個(gè)聚類中心中的某一個(gè)zj(1)。假設(shè)i=j時(shí)，Dj(k)?min{x?zi(k),i?1,2,?K}，則x?Sj(k)，其中k為迭代運(yùn)算的次序號(hào)，第一次迭代k=1，Sj表示第j個(gè)聚類，其聚類中心為zj。第三步：計(jì)算各個(gè)聚類中心的新的向量值，zj(k+1)，j=1,2,…,K zj(k?1)?1Njx?Sj(k)?x,j?1,2,?,K 求各聚類域中所包含樣本的均值向量：

其中Nj為第j個(gè)聚類域Sj中所包含的樣本個(gè)數(shù)。以均值向量作為新的聚類中心，Jj?x?Sj(k)?x?zj(k?1),2j?1,2,?,K可使如下聚類準(zhǔn)則函數(shù)最?。?/p>

在這一步中要分別計(jì)算K個(gè)聚類中的樣本均值向量，所以稱之為K-均值算法。第四步：若zj(k若zj(k ?1)?zj(k)，j=1,2,…,K，則返回第二步，將模式樣本逐個(gè)重新分類，重復(fù)迭代運(yùn)算；

?1)?zj(k)，j=1,2,…,K，則算法收斂，計(jì)算結(jié)束。

T線性分類器三種最優(yōu)準(zhǔn)則：

wSFisher準(zhǔn)則：maxJ(w)?wSwFTb004km.cn>>n）的條件下，可以使用分支定界法以減少計(jì)

m算量。

15、散度Jij越大，說明?i類模式與?j類模式的分布（差別越大）；當(dāng)?i類模式與?j類模式的分布相同時(shí)，Jij=（0）。

16、影響聚類算法結(jié)果的主要因素有（②分類準(zhǔn)則 ③特征選取 ④模式相似性測度。）。

19、模式識(shí)別中，馬式距離較之于歐式距離的優(yōu)點(diǎn)是（③尺度不變性 ④考慮了模式的分布）。20、基于二次準(zhǔn)則函數(shù)的H-K算法較之于感知器算法的優(yōu)點(diǎn)是（①可以判別問題是否線性可分 ③其解的適應(yīng)性更好）。

21、影響基本C均值算法的主要因素有（④初始類心的選取 ①樣本輸入順序 ②模式相似性測度）。

22、位勢函數(shù)法的積累勢函數(shù)K(x)的作用相當(dāng)于Bayes判決中的（②后驗(yàn)概率 ④類概率密度與先驗(yàn)概率的乘積）。

23、統(tǒng)計(jì)模式分類問題中，當(dāng)先驗(yàn)概率未知時(shí)，可使用（②最小最大損失準(zhǔn)則 ④N-P判決）

24、在（①Cn>>n,（n為原特征個(gè)數(shù)，d為要選出的特征個(gè)數(shù)）③選用的可分性判據(jù)J對(duì)特征數(shù)目單調(diào)不減）情況下，用分支定界法做特征選擇計(jì)算量相對(duì)較少。

25、散度JD是根據(jù)（③類概率密度）構(gòu)造的可分性判據(jù)。

26、似然函數(shù)的概型已知且為單峰，則可用（①矩估計(jì)②最大似然估計(jì)③Bayes估計(jì) ④Bayes學(xué)習(xí)⑤Parzen窗法）估計(jì)該似然函數(shù)。

27、Kn近鄰元法較之Parzen窗法的優(yōu)點(diǎn)是（②穩(wěn)定性較好）。

28、從分類的角度講，用DKLT做特征提取主要利用了DKLT的性質(zhì)：（①變換產(chǎn)生的新分量正交或不相關(guān)③使變換后的矢量能量更趨集中）。

29、一般，剪輯k-NN最近鄰方法在（①樣本數(shù)較大）的情況下效果較好。d29、如果以特征向量的相關(guān)系數(shù)作為模式相似性測度，則影響聚類算法結(jié)果的主要因素有（②分類準(zhǔn)則 ③特征選取）。30、假設(shè)在某個(gè)地區(qū)細(xì)胞識(shí)別中正常（w1）和異常（w2）兩類先驗(yàn)概率分別為 P(w1)=0.9，P(w2)=0.1，現(xiàn)有一待識(shí)別的細(xì)胞，其觀察值為x，從類條件概率密度分布曲線上查得P(xw1)?0.2，P(xw2)?0.4，并且已知?11?0，?12?6，?21?1，?22?0

試對(duì)該細(xì)胞x用一下兩種方法進(jìn)行分類： 1.基于最小錯(cuò)誤率的貝葉斯決策； 2.基于最小風(fēng)險(xiǎn)的貝葉斯決策； 請(qǐng)分析兩種結(jié)果的異同及原因。

第二篇：數(shù)字圖像模式識(shí)別

王麗霞

深圳市南山區(qū)學(xué)府路；***、lixia_2011@126.com

求職意向

數(shù)字圖像處理、模式識(shí)別算法工程師 教育經(jīng)歷

汕頭大學(xué) 電子工程系 信號(hào)與信息處理專業(yè) 碩士2007.9—2010.6 汕頭市

·在校期間成績優(yōu)良，分別一次獲汕頭大學(xué)一等、二等獎(jiǎng)學(xué)金；2008 09擔(dān)任女生部部長負(fù)責(zé)統(tǒng)籌管理，成立特色學(xué)科及基礎(chǔ)學(xué)科研討組，積極開拓學(xué)生的思維并提高他們的學(xué)習(xí)成績，更貼近社會(huì)的新路線。

濰坊學(xué)院 信息與控制工程學(xué)院 電子信息工程 學(xué)士2003.9—2007.6 濰坊市

·2007年9月以第一名成績考入汕頭大學(xué)攻讀碩士研究生；在校期間擔(dān)任班級(jí)學(xué)習(xí)委員負(fù)責(zé)不同類學(xué)生的學(xué)習(xí)方法指導(dǎo)；2004-9-2007-6擔(dān)任學(xué)院文藝部部長，負(fù)責(zé)迎新晚會(huì)籌劃，鍛煉了團(tuán)隊(duì)領(lǐng)導(dǎo)能力、協(xié)調(diào)能力、臨場反應(yīng)能力以及創(chuàng)新思維。英語及專業(yè)技能

●熟練掌握了數(shù)字信號(hào)處理及它的常用算法、有良好的數(shù)學(xué)功底；熟悉圖像處理的基本算法、熟悉模式識(shí)別基礎(chǔ)知識(shí)與智能系統(tǒng)理論及它們的應(yīng)用，在模式識(shí)別和運(yùn)動(dòng)跟蹤方面有較深的理解；熟悉光伏應(yīng)用系統(tǒng)的結(jié)構(gòu)、性能原理；曾在核心期刊系統(tǒng)仿真技術(shù)發(fā)表文章（基于神經(jīng)網(wǎng)絡(luò)應(yīng)用的光伏最大功率跟蹤）。

●英語：六級(jí)考試 362；四級(jí)考試 473；具有較強(qiáng)的相關(guān)專業(yè)學(xué)科的英文文獻(xiàn)閱讀能力； ●能熟練使用計(jì)算機(jī)，會(huì)用電路仿真軟件、LabVIEW軟件、熟練掌握Visual C++的MFC程序設(shè)計(jì)和MATLAB仿真工具，能夠做算法的設(shè)計(jì)和仿真；并能應(yīng)用LabVIEW軟件進(jìn)行信號(hào)處理（波形測量、時(shí)頻域分析與數(shù)學(xué)分析（概率統(tǒng)計(jì)擬合最優(yōu)化等）。工作經(jīng)歷

2010 6-2010 8深圳市輝銳天眼科技有限公司擔(dān)任核心研發(fā)工程師 ●職位為智能監(jiān)控核心研發(fā)工程師

●負(fù)責(zé)計(jì)算機(jī)視覺方面的IEEE文章的講解及不同算法的實(shí)現(xiàn)研究，負(fù)責(zé)機(jī)器視覺系統(tǒng)圖像處理、分析及識(shí)別算法設(shè)計(jì)、實(shí)現(xiàn)，參與圖像處理技術(shù)研究與設(shè)計(jì)，對(duì)已有算法進(jìn)行優(yōu)化改進(jìn)。使用OpenCV進(jìn)行背景/前景提取、檢測識(shí)別、了解運(yùn)動(dòng)跟蹤的常用算法、設(shè)計(jì)相關(guān)信號(hào)特征提取算法及其設(shè)計(jì)模式識(shí)別分類器等。項(xiàng)目經(jīng)驗(yàn)

2008 09-2009 11模式識(shí)別與智能系統(tǒng)理論的算法研究 ●算法在MATLAB仿真，并在SIMULINK中建模，最后把這個(gè)算法用C++語言編程，在VC++中生成了可執(zhí)行文件。

2009 01-2009 06生物細(xì)胞圖像病變檢測算法研究 ●在MATLAB中仿真了算法，正確率達(dá)到82%。

2009 07-2009 09圖像壓縮算法編碼器設(shè)計(jì) ●在FPGA芯片上實(shí)現(xiàn)并驗(yàn)證了方案，對(duì)比得出了FPGA比DSP在神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)上的明顯優(yōu)勢，前者采用指令順序執(zhí)行的方式，數(shù)據(jù)位寬固定，F(xiàn)PGA處理數(shù)據(jù)的方式是基于硬件的并行處理方式，即一個(gè)時(shí)鐘周期內(nèi)可并行完成多次運(yùn)算，特別適合于神經(jīng)網(wǎng)絡(luò)的并行特點(diǎn)。2010 02在科進(jìn)生物識(shí)別公司 ●了解了不同二維條碼尤其QR code的特點(diǎn)，探討了定位圖形的方法，了解了指紋識(shí)別，探討了小波變換及gabor變換在紋理圖像的特征提取的優(yōu)劣。自我評(píng)價(jià)及愛好

●很強(qiáng)的責(zé)任心創(chuàng)新能力、自學(xué)能力及應(yīng)用知識(shí)能力；誠實(shí)善良，勤奮刻苦，進(jìn)取精神、團(tuán)隊(duì)協(xié)作精神；愛好戶外運(yùn)動(dòng)、國學(xué)研究，齊白石大師的畫。

第三篇：模式識(shí)別簡介

模式識(shí)別簡介 Pattern recognition

誕生

狗的嗅覺的靈敏度非常高，大約是人的50至100倍。狗通過這項(xiàng)特異的功能來識(shí)別各種各樣的東西，幫助人類完成一些鑒別工作。不僅如此，識(shí)別也是人類的一項(xiàng)基本技能，人們無時(shí)無處的在進(jìn)行“模式識(shí)別”，古人有一成語“察言觀色”表達(dá)的正是這個(gè)意思。

模式識(shí)別是人類的一項(xiàng)基本智能，在日常生活中，人們經(jīng)常在進(jìn)行“模式識(shí)別”。隨著20世紀(jì)40年代計(jì)算機(jī)的出現(xiàn)以及50年代人工智能的興起，人們當(dāng)然也希望能用計(jì)算機(jī)來代替或擴(kuò)展人類的部分腦力勞動(dòng)。計(jì)算機(jī)模式識(shí)別在20世紀(jì)60年代初迅速發(fā)展并成為一門新學(xué)科。

概念

簡單來說，模式識(shí)別就是通過計(jì)算機(jī)用數(shù)學(xué)技術(shù)方法來研究模式的自動(dòng)處理和判讀。我們把環(huán)境與客體統(tǒng)稱為“模式”。隨著計(jì)算機(jī)技術(shù)的發(fā)展，人類有可能研究復(fù)雜的信息處理過程。信息處理過程的一個(gè)重要形式是生命體對(duì)環(huán)境及客體的識(shí)別。對(duì)人類來說，特別重要的是對(duì)光學(xué)信息（通過視覺器官來獲得）和聲學(xué)信息（通過聽覺器官來獲得）的識(shí)別。這是模式識(shí)別的兩個(gè)重要方面。市場上可見到的代表性產(chǎn)品有光學(xué)字符識(shí)別（Optical Character Recognition, OCR）、語音識(shí)別系統(tǒng)。其計(jì)算機(jī)識(shí)別的顯著特點(diǎn)是速度快，準(zhǔn)確性高，效率高。在將來完全可以取代人工錄入。

模式識(shí)別是指對(duì)表征事物或現(xiàn)象的各種形式的(數(shù)值的、文字的和邏輯關(guān)系的)信息進(jìn)行處理和分析，以對(duì)事物或現(xiàn)象進(jìn)行描述、辨認(rèn)、分類和解釋的過程，是信息科學(xué)和人工智能的重要組成部分。

研究

模式識(shí)別研究主要集中在兩方面，一是研究生物體(包括人)是如何感知對(duì)象的，屬于認(rèn)識(shí)科學(xué)的范疇，二是在給定的任務(wù)下，如何用計(jì)算機(jī)實(shí)現(xiàn)模式識(shí)別的理論和方法。前者是生理學(xué)家、心理學(xué)家、生物學(xué)家和神經(jīng)生理學(xué)家的研究內(nèi)容，后者通過數(shù)學(xué)家、信息學(xué)專家和計(jì)算機(jī)科學(xué)工作者近幾十年來的努力，已經(jīng)取得了系統(tǒng)的研究成果。

應(yīng)用計(jì)算機(jī)對(duì)一組事件或過程進(jìn)行辨識(shí)和分類，所識(shí)別的事件或過程可以是文字、聲音、圖像等具體對(duì)象，也可以是狀態(tài)、程度等抽象對(duì)象。這些對(duì)象與數(shù)字形式的信息相區(qū)別，稱為模式信息。

模式識(shí)別所分類的類別數(shù)目由特定的識(shí)別問題決定。有時(shí)，開始時(shí)無法得知實(shí)際的類別數(shù)，需要識(shí)別系統(tǒng)反復(fù)觀測被識(shí)別對(duì)象以后確定。

模式識(shí)別與統(tǒng)計(jì)學(xué)、心理學(xué)、語言學(xué)、計(jì)算機(jī)科學(xué)、生物學(xué)、控制論等都有關(guān)系。它與人工智能、圖像處理的研究有交叉關(guān)系。例如自適應(yīng)或自組織的模式識(shí)別系統(tǒng)包含了人工智能的學(xué)習(xí)機(jī)制；人工智能研究的景物理解、自然語言理解也包含模式識(shí)別問題。又如模式識(shí)別中的預(yù)處理和特征抽取環(huán)節(jié)應(yīng)用圖像處理的技術(shù)；圖像處理中的圖像分析也應(yīng)用模式識(shí)別的技術(shù)。

應(yīng)用領(lǐng)域包括：計(jì)算機(jī)視覺、醫(yī)學(xué)圖像分析、光學(xué)文字識(shí)別、自然語言處理、語音識(shí)別、手寫識(shí)別、生物特征識(shí)別、人臉識(shí)別、指紋識(shí)別、虹膜識(shí)別、文件分類、互聯(lián)網(wǎng)搜索引擎、信用評(píng)分、測繪學(xué)、攝影測量與遙感學(xué)。以“漢字識(shí)別”為例：

識(shí)別過程與人類的學(xué)習(xí)過程相似。首先將漢字圖象進(jìn)行處理，抽取主要表達(dá)特征并將特征與漢字的代碼存在計(jì)算機(jī)中。就像老師教我們“這個(gè)字叫什么、如何寫”記在大腦中。這一過程叫做“訓(xùn)練”。識(shí)別過程就是將輸入的漢字圖象經(jīng)處理后與計(jì)算機(jī)中的所有字進(jìn)行比較，找出最相近的字就是識(shí)別結(jié)果。這一過程叫做“匹配”。

還有一些比較典型的應(yīng)用例子如： 去霧算法：

由有霧的圖片處理成無霧的過程用的是一種基于暗影通道的去霧算法。相機(jī)照出的相片=真實(shí)相片*透謝分布率+天空亮度。這里要做的就是根據(jù)公式求出真實(shí)相片，另外三個(gè)未知量是可以求出來的。

交叉驗(yàn)證方法：

用來驗(yàn)證分類器的性能一種統(tǒng)計(jì)分析方法,基本思想是把在某種意義下將原始數(shù)據(jù)進(jìn)行分組,一部分做為訓(xùn)練集，另一部分做為驗(yàn)證集，首先用訓(xùn)練集對(duì)分類器進(jìn)行訓(xùn)練,在利用驗(yàn)證集來測試訓(xùn)練得到的模型，以此來做為評(píng)價(jià)分類器的性能指標(biāo)。

紋理：

在自然圖象中，紋理作為物體的一種重要外觀特征，為視覺感知提供了無處不在的信息，它在計(jì)算機(jī)視覺、圖形學(xué)、圖像編碼等領(lǐng)域都有著重要作用，例如，格式塔（Gestalt）心理學(xué)，早期視覺理論和Marr的原始簡約圖（Primal Sketch）都將紋理模式作為中心話題。

因此，對(duì)紋理的理解是視覺理解不可或缺的組成部分。過去的幾年里，紋理分析和合成的相關(guān)研究工作在基礎(chǔ)理論上與實(shí)際應(yīng)用兩個(gè)方面都取得了振奮人心的發(fā)展，研究者結(jié)合計(jì)算機(jī)視覺，圖形學(xué)，現(xiàn)代統(tǒng)計(jì)物理，心理學(xué)和神經(jīng)系統(tǒng)科學(xué)等領(lǐng)域的知識(shí)，提出了很多關(guān)于紋理理解的新方法。紋理的研究工作主要集中在兩個(gè)領(lǐng)域：濾波理論（filtering theory）和統(tǒng)計(jì)建模（statistical modeling）理論。濾波理論來源于在神經(jīng)生理學(xué)中被發(fā)現(xiàn)并被廣泛接受的多通道濾波機(jī)制，該機(jī)制認(rèn)為，人類視覺系統(tǒng)將視網(wǎng)膜圖像分解為一組子帶（sub-band）圖像信號(hào)，而這些子帶信號(hào)可以通過一組線性濾波器和圖像卷積然后經(jīng)過某些非線性操作計(jì)算得到。濾波理論在紋理方面的應(yīng)用主要有 Gabor 濾波器和小波（wavelet）塔等，它們?cè)诩y理分割和分類中有良好的性能。統(tǒng)計(jì)建模理論認(rèn)為，紋理圖像是隨機(jī)場上概率分布的采樣，該理論涉及到時(shí)間序列模型（time series model），馬爾可夫鏈（Markov chain）模型和馬爾可夫隨機(jī)場（Markov random Field，MRF）模型等建模方法?；诮y(tǒng)計(jì)的建模方法一般只需要用很少幾個(gè)參數(shù)來描述紋理特征，因此能為紋理提供簡練的表示，而且它能把紋理分析問題轉(zhuǎn)化為一個(gè)明確的統(tǒng)計(jì)推理問題來處理。

計(jì)算機(jī)視覺研究中低層視覺的一個(gè)主要研究方向是圖像分割。由于一個(gè)場景中，不同的物體之間有不同層度的交疊，使得最理想的分割結(jié)果也會(huì)出現(xiàn)物體的不同部分（可視部分）之間分割開來，而不可視部分則為其它物體所覆蓋的情況，這就不利于完整地展現(xiàn)物體。因此，有必要利用由圖像得到的相關(guān)信息，如原始簡約圖（Primal Sketch）、顏色一致性、方位一致性等，研究一套算法，把同一物體分在同一個(gè)層里面，然后再把它們相應(yīng)的部分之間連接起來，組成完整的物體。這就是2.1D Sketch的主要研究任務(wù)。

2.1D Sketch主要研究面物體，且不關(guān)心物體之間的深度信息，而只考慮它們之間的偏序關(guān)系（Partial Order）。

2.1D Sketch的研究成果將會(huì)用于圖像分割、圖像編輯、藝術(shù)圖像生成以及圖像序列分析中。

機(jī)器學(xué)習(xí)：

機(jī)器學(xué)習(xí)是人工智能的一個(gè)分支，它是關(guān)于讓機(jī)器具有學(xué)習(xí)能力的一些算法。許多情況這種算法給一些數(shù)據(jù)和從這些數(shù)據(jù)屬性的推出的信息對(duì)將來出現(xiàn)的新的數(shù)據(jù)做出預(yù)測。之所以可以這么做是因?yàn)榇蠖鄶?shù)的非隨機(jī)的數(shù)據(jù)包含一些模式，這些模式可以讓機(jī)器去做泛化。

機(jī)器學(xué)習(xí)的相關(guān)概念掃盲：

監(jiān)督式學(xué)習(xí)：訓(xùn)練數(shù)據(jù)中包含輸入的向量集合并且有相應(yīng)的目標(biāo)值（labeled樣例）

例如分類（Classification）、關(guān)聯(lián)規(guī)則、回歸(Regression)非監(jiān)督式學(xué)習(xí)：訓(xùn)練數(shù)據(jù)中不包含labeled樣例

例如聚類(Cluster)、Density estimation、Visualization.半監(jiān)督式學(xué)習(xí)：組合了labled和unlabeled的Example去生成一個(gè)函數(shù)或分類

泛化（Generalization）：通過訓(xùn)練數(shù)據(jù)訓(xùn)練之后能夠識(shí)別新的數(shù)據(jù)。特征提取(Feature Extraction): 為了降維去除不想關(guān)的特征，在數(shù)據(jù)預(yù)處理階段把數(shù)據(jù)轉(zhuǎn)化成容易處理的。

機(jī)器學(xué)習(xí)的局限性：

機(jī)器學(xué)習(xí)在大量的模式面前的泛化能力是不同的，如果一個(gè)模式不同于以前所看到的，那么這個(gè)算法很容易被誤解。由于當(dāng)前的數(shù)據(jù)量不夠，不能涵蓋各種將來的情況，所以機(jī)器學(xué)習(xí)的方法很容易出現(xiàn)過度泛化，從而出現(xiàn)不準(zhǔn)確性。

AdaBoost人臉檢測原理：

一種基于積分圖、級(jí)聯(lián)檢測器和AdaBoost 算法的方法，方法框架可以分為以下三大部分: 第一部分，使用Harr-like特征表示人臉，使用“ 積分圖”實(shí)現(xiàn)特征數(shù)值的快速計(jì)算;第二部分，使用Adaboost算法挑選出一些最能代表人臉的矩形特征(弱分類器)，按照加權(quán)投票的方式將弱分類器構(gòu)造為一個(gè)強(qiáng)分類器;第三部分，將訓(xùn)練得到的若干強(qiáng)分類器串聯(lián)組成一個(gè)級(jí)聯(lián)結(jié)構(gòu)的層疊分類器，級(jí)聯(lián)結(jié)構(gòu)能有效地提高分類器的檢測速度。

總結(jié)

自20世紀(jì)50年代以來，模式識(shí)別在人工智能興起后不久就迅速發(fā)展成一門學(xué)科。它所研究的理論和方法在很多科學(xué)和技術(shù)領(lǐng)域得到廣泛重視，推動(dòng)了人工智能系統(tǒng)的發(fā)展，擴(kuò)大了計(jì)算機(jī)應(yīng)用的可能性。

經(jīng)過多年的研究和發(fā)展，模式識(shí)別技術(shù)已廣泛被應(yīng)用于人工智能、計(jì)算機(jī)工程、機(jī)器學(xué)、神經(jīng)生物學(xué)、醫(yī)學(xué)、偵探學(xué)以及高能物理、考古學(xué)、地質(zhì)勘探、宇航科學(xué)和武器技術(shù)等許多重要領(lǐng)域，如語音識(shí)別、語音翻譯、人臉識(shí)別、指紋識(shí)別、手寫體字符的識(shí)別、工業(yè)故障檢測、精確制導(dǎo)等。模式識(shí)別技術(shù)的快速發(fā)展和應(yīng)用大大促進(jìn)了國民經(jīng)濟(jì)建設(shè)和國防科技現(xiàn)代化建設(shè)。

第四篇：模式識(shí)別與智能控制總結(jié)專題

模式識(shí)別與智能系統(tǒng)是一個(gè)新興的交叉學(xué)科，它源于自動(dòng)控制與計(jì)算機(jī)科學(xué)，又和機(jī)電一體化、人工生命等學(xué)科密不可分，涉及計(jì)算機(jī)技術(shù)、控制與決策、電子信息、機(jī)電一體化、生物信息等眾多研究領(lǐng)域。

本學(xué)科培養(yǎng)德智體全面發(fā)展，在模式識(shí)別與智能系統(tǒng)領(lǐng)域具有堅(jiān)實(shí)的理論基礎(chǔ)、系統(tǒng)的專業(yè)知識(shí)和熟練的實(shí)踐技能，了解模式識(shí)別與智能系統(tǒng)學(xué)科發(fā)展的前沿和動(dòng)態(tài)，能夠適應(yīng)我國經(jīng)濟(jì)、科技、教育發(fā)展的需要，面向二十一世紀(jì)的科學(xué)研究、工程技術(shù)和高等教育的高層次人才。具備模式識(shí)別、圖像處理、人工智能、智能控制以及智能信息系統(tǒng)等方面的獨(dú)立從事科研和科技開發(fā)工作的能力，注重理論聯(lián)系實(shí)際，具有較強(qiáng)的創(chuàng)新意識(shí)和良好開拓能力，能夠分析和解決經(jīng)濟(jì)建設(shè)和交叉學(xué)科中涌現(xiàn)出的新課題。熟練掌握一門外語，具有健康的身體。

二、研究方向

1．先進(jìn)機(jī)器人技術(shù)

機(jī)器人是模擬人某種功能的自動(dòng)化的機(jī)械電子裝置。側(cè)重于機(jī)器人控制系統(tǒng)、決策規(guī)劃系統(tǒng)、結(jié)構(gòu)可視化設(shè)計(jì)等方面的研究與開發(fā)，以各種工業(yè)機(jī)器人、足球機(jī)器人、自主機(jī)器人為主要研究內(nèi)容。

2．計(jì)算機(jī)視覺與模式識(shí)別

研究計(jì)算機(jī)視覺的理論與方法。應(yīng)用圖像工程的有關(guān)原理與技術(shù)，研究圖像獲取、處理、分析、理解與辨識(shí)功能的實(shí)現(xiàn)，并應(yīng)用于實(shí)際工程問題。

3．智能控制與調(diào)度

對(duì)模糊集理論、模糊控制及決策、神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、遺傳算法等智能控制理論和方法的研究，著重研究上述方法的綜合及其在工業(yè)控制中的實(shí)際應(yīng)用，提高控制的效果和系統(tǒng)性能。

4．智能信息系統(tǒng)

將控制、優(yōu)化、決策與調(diào)度結(jié)合起來，實(shí)現(xiàn)生產(chǎn)過程的綜合自動(dòng)化，以及建立面向應(yīng)用的管理與決策支持系統(tǒng)。著重研究各類復(fù)雜信息系統(tǒng)的優(yōu)化、控制決策與調(diào)度。

5．計(jì)算機(jī)控制技術(shù)及應(yīng)用

研究在低成本的概念下，使用先進(jìn)的控制方法、計(jì)算機(jī)控制技術(shù)和網(wǎng)絡(luò)技術(shù)，設(shè)計(jì)計(jì)算機(jī)控制系統(tǒng)。著重開展對(duì)工業(yè)控制網(wǎng)絡(luò)、現(xiàn)場總線和分布式計(jì)算機(jī)控制系統(tǒng)的研究。

6.模式識(shí)別與信息處理自動(dòng)化

研究模式識(shí)別與信息處理的理論與方法。重點(diǎn)研究文字識(shí)別、語音、圖象識(shí)別的方法、關(guān)鍵技術(shù)及其實(shí)際應(yīng)用。

7.系統(tǒng)仿真與虛擬現(xiàn)實(shí)

系統(tǒng)仿真是應(yīng)用系統(tǒng)建模與科學(xué)的計(jì)算方法，模擬并分析客觀事物運(yùn)行規(guī)律。虛擬現(xiàn)實(shí)則又加以先進(jìn)的圖像圖形處理技術(shù)，豐富參與者的沉浸感與想象力。

8.現(xiàn)代傳感器技術(shù)與智能儀表

各種新型傳感器的設(shè)計(jì)和應(yīng)用。以超聲、微波、激光等現(xiàn)代檢測技術(shù)為手段，以計(jì)算機(jī)為工具的各種智能儀表的設(shè)計(jì)和使用，現(xiàn)代檢測技術(shù)與智能儀表在工程領(lǐng)域的應(yīng)用。

模式識(shí)別研究主要集中在兩方面,一是研究生物體(包括人)是如何感知對(duì)象的，屬于認(rèn)識(shí)科學(xué)的范疇,二是在給定的任務(wù)下,如何用計(jì)算機(jī)實(shí)現(xiàn)模式識(shí)別的理論和方法。

模式識(shí)別可用于文字和語音識(shí)別、遙感和醫(yī)學(xué)診斷等方面。

智能系統(tǒng)研究的對(duì)象具有以下特點(diǎn)：

1.不確定性的模型

2.高度的非線性

3.復(fù)雜的任務(wù)要求

數(shù)學(xué)系的在這個(gè)專業(yè)很吃香，導(dǎo)師也很歡迎，這個(gè)專業(yè)與數(shù)學(xué)的聯(lián)系非常緊密，這么說吧，假設(shè)你要上數(shù)學(xué)系研究生的話如果導(dǎo)師不是老學(xué)究天天拿張紙拿支筆證明定理的話肯定會(huì)和這個(gè)領(lǐng)域有點(diǎn)關(guān)系的。

主要研究方向很廣，智能領(lǐng)域在現(xiàn)在發(fā)展也很迅速。主要的研究可以是機(jī)器人智能、各種生物信息識(shí)別（包括指紋、人臉、虹膜等等）、視頻跟蹤、自主導(dǎo)航、各類圖像處理（遙感圖像、醫(yī)學(xué)圖像等）、地理信息系統(tǒng)、三維仿真、數(shù)據(jù)挖掘等等。

第五篇：模式識(shí)別課程報(bào)告

模式識(shí)別文獻(xiàn)綜述報(bào)告

一，文獻(xiàn)綜述報(bào)告

閱讀至少5篇論文（最好包含1篇英文論文；自己去學(xué)校電子圖書館下載，考慮中國知網(wǎng)；IEEE，Elsevier等數(shù)據(jù)庫），寫一篇文獻(xiàn)綜述報(bào)告。

1.選題不限，可以是任何一種模式識(shí)別算法（例如k-means，kNN，bayes，SVM，PCA，LDA等），閱讀所選題方面的相關(guān)文獻(xiàn)（論文都是關(guān)于一個(gè)主題的，例如都是svm算法方面的）。

2.寫一份文獻(xiàn)綜述報(bào)告，包括：每篇論文主要使用什么算法實(shí)現(xiàn)什么，論文有沒有對(duì)算法做出改進(jìn)（為什么改進(jìn)，原算法存在什么問題，改進(jìn)方法是什么），論文中做了什么對(duì)比試驗(yàn)，實(shí)驗(yàn)結(jié)論是什么？注意，盡量用自己的話總結(jié)，不要照抄原文?？梢约尤胱约旱姆治龊拖敕?，例如這篇論文還存在什么問題或者缺點(diǎn)，這篇論文所作出的改進(jìn)策略是否好，你自己對(duì)算法有沒有什么改進(jìn)的想法？

3.把閱讀的參考文獻(xiàn)寫在報(bào)告后面。（包括：作者；論文名稱；期刊名稱；出版年，卷號(hào)（期號(hào)），頁碼。例如：[1] 趙銀娣，張良培，李平湘，一種紋理特征融合分類算法，武漢大學(xué)學(xué)報(bào)，信息科學(xué)版，2006,31(3):278-281.）

二、寫一下學(xué)習(xí)這門課的心得體會(huì)（占分?jǐn)?shù)）。

學(xué)習(xí)這門課有什么收獲？老師在教學(xué)中還應(yīng)該加入些什么教學(xué)內(nèi)容？或者有哪些教學(xué)內(nèi)容需要?jiǎng)h減？需要調(diào)整？對(duì)于作業(yè)（上機(jī)實(shí)驗(yàn)）內(nèi)容有什么意見和建議？目前內(nèi)容過多過難還是適中？你希望出什么樣的上機(jī)題目（可以得到好的鍛煉和能力的提高）？完成作業(yè)過程中有什么收獲和體會(huì)？有沒有對(duì)模式識(shí)別或者某種模式識(shí)別的算法比較感興趣？有什么想法？