第一篇：模式識別課程報告

模式識別文獻綜述報告

一，文獻綜述報告

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），寫一篇文獻綜述報告。

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

2.寫一份文獻綜述報告，包括：每篇論文主要使用什么算法實現(xiàn)什么，論文有沒有對算法做出改進（為什么改進，原算法存在什么問題，改進方法是什么），論文中做了什么對比試驗，實驗結(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，這篇論文所作出的改進策略是否好，你自己對算法有沒有什么改進的想法？

3.把閱讀的參考文獻寫在報告后面。（包括：作者；論文名稱；期刊名稱；出版年，卷號（期號），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，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（占分數(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)容需要刪減？需要調(diào)整？對于作業(yè)（上機實驗）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？有沒有對模式識別或者某種模式識別的算法比較感興趣？有什么想法？

第二篇：模式識別報告格式1

模式識別報告格式

一、封皮的填寫：實驗課程名稱 模式識別

二、實驗名稱：按順序填寫圖像的貝葉斯分類、K均值聚類算法、神經(jīng)網(wǎng)絡(luò)模式識別

三、年月：2013年4月

四、紙張要求：統(tǒng)一采用A4大小紙張，左側(cè)裝訂，裝訂順序與實驗順序一致。

五、書寫要求：

1、報告可以手寫也可以打印。

2、實驗圖像及結(jié)果圖像打印，圖像均位于實驗結(jié)果與分析部分，圖像打印于紙張上部，下部為實驗分析。

3、報告中圖要有圖序及名稱，表要有表序及名稱，每個實驗的圖序和表序單獨標號，具體格式參照畢業(yè)設(shè)計手冊。不合格者扣除相應(yīng)分數(shù)。

4、每個實驗均需另起一頁書寫。

六、關(guān)于雷同報告：報告上交后，如有雷同，則課程考核以不及格處理，不再另行通知修改。

實驗

一、圖像的貝葉斯分類

一、實驗?zāi)康膶⒛Ｊ阶R別方法與圖像處理技術(shù)相結(jié)合，掌握利用最小錯分概率貝葉斯分類器進行圖像分類的基本方法，通過實驗加深對基本概念的理解。

二、實驗儀器設(shè)備及軟件

HP D538、MATLAB

三、實驗原理

以自己的語言結(jié)合課堂筆記進行總結(jié)，要求過程推導(dǎo)清晰明了。

四、實驗步驟及程序

實驗步驟、程序流程、實驗源程序齊全。

五、實驗結(jié)果與分析

要求寫明實驗得到的分割閾值，附分割效果圖。對實驗結(jié)果進行分析，說明實驗結(jié)果好或者不好的原因，提出改進措施。

（另起一頁）

實驗

二、K均值聚類算法

一、實驗?zāi)康膶⒛Ｊ阶R別方法與圖像處理技術(shù)相結(jié)合，掌握利用K均值聚類算法進行圖像分類的基本方法，通過實驗加深對基本概念的理解。

二、實驗儀器設(shè)備及軟件

HP D538、MATLAB、WIT

三、實驗原理

以自己的語言結(jié)合課堂筆記進行總結(jié)，要求過程推導(dǎo)清晰明了。

四、實驗步驟及程序

實驗步驟、程序流程、MATLAB及WIT實驗源程序齊全，WIT聚類程序可以圖像形式

附于報告上。

五、實驗結(jié)果與分析

以MATLAB和WIT分別實現(xiàn)K均值圖像聚類算法，寫明聚類類別數(shù)、聚類中心、迭代次數(shù)、運行時間，附原始圖像和分類結(jié)果圖像，并做實驗分析。

（另起一頁）

實驗

三、神經(jīng)網(wǎng)絡(luò)模式識別

一、實驗?zāi)康恼莆绽酶兄骱虰P網(wǎng)進行模式識別的基本方法，通過實驗加深對基本概念的理解。

二、實驗儀器設(shè)備及軟件

HP D538、MATLAB

三、實驗原理

以自己的語言結(jié)合課堂筆記及相關(guān)資料進行總結(jié)，要求過程推導(dǎo)清晰明了。

四、實驗步驟及程序

感知器實驗：

1、設(shè)計線性可分實驗，要求訓(xùn)練樣本10個以上

2、奇異樣本對網(wǎng)絡(luò)訓(xùn)練的影響

3、以線性不可分樣本集訓(xùn)練分類器

BP網(wǎng)實驗：利用BP網(wǎng)對上述線性不可分樣本集進行分類

五、實驗結(jié)果與分析

寫明迭代次數(shù)、訓(xùn)練時間，附分類界面效果圖，并討論奇異樣本對分類器訓(xùn)練的影響。

第三篇：模式識別總結(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)方法用來對數(shù)據(jù)實現(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)方法不需要單獨的離線訓(xùn)練過程，也沒有帶分類號（標號）的訓(xùn)練數(shù)據(jù)集，一般用來對數(shù)據(jù)集進行分析，如聚類，確定其分布的主分量等。

（實例：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，進行分類器設(shè)計，然后用所設(shè)計的分類器對道路圖像進行分割。

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行聚類運算，以實現(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個初始聚類中心，z1(1)，z2(1)，…，zK(1)，其中括號內(nèi)的序號為尋找聚類中心的迭代運算的次序號。聚類中心的向量值可任意設(shè)定，例如可選開始的K個模式樣本的向量值作為初始聚類中心。第二步：逐個將需分類的模式樣本{x}按最小距離準則分配給K個聚類中心中的某一個zj(1)。假設(shè)i=j時，Dj(k)?min{x?zi(k),i?1,2,?K}，則x?Sj(k)，其中k為迭代運算的次序號，第一次迭代k=1，Sj表示第j個聚類，其聚類中心為zj。第三步：計算各個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個聚類域Sj中所包含的樣本個數(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可使如下聚類準則函數(shù)最?。?/p>

在這一步中要分別計算K個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，將模式樣本逐個重新分類，重復(fù)迭代運算；

?1)?zj(k)，j=1,2,…,K，則算法收斂，計算結(jié)束。

T線性分類器三種最優(yōu)準則：

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

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，Jij=（0）。

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

19、模式識別中，馬式距離較之于歐式距離的優(yōu)點是（③尺度不變性 ④考慮了模式的分布）。20、基于二次準則函數(shù)的H-K算法較之于感知器算法的優(yōu)點是（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后驗概率 ④類概率密度與先驗概率的乘積）。

23、統(tǒng)計模式分類問題中，當(dāng)先驗概率未知時，可使用（②最小最大損失準則 ④N-P判決）

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

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②最大似然估計③Bayes估計 ④Bayes學(xué)習(xí)⑤Parzen窗法）估計該似然函數(shù)。

27、Kn近鄰元法較之Parzen窗法的優(yōu)點是（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分類準則 ③特征選?。?0、假設(shè)在某個地區(qū)細胞識別中正常（w1）和異常（w2）兩類先驗概率分別為 P(w1)=0.9，P(w2)=0.1，現(xiàn)有一待識別的細胞，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

試對該細胞x用一下兩種方法進行分類： 1.基于最小錯誤率的貝葉斯決策； 2.基于最小風(fēng)險的貝葉斯決策； 請分析兩種結(jié)果的異同及原因。

第四篇：數(shù)字圖像模式識別

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、模式識別算法工程師 教育經(jīng)歷

汕頭大學(xué) 電子工程系 信號與信息處理專業(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、二等獎學(xué)金；2008 09擔(dān)任女生部部長負責(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)任班級學(xué)習(xí)委員負責(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，負責(zé)迎新晚會籌劃，鍛煉了團隊領(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、熟悉模式識別基礎(chǔ)知識與智能系統(tǒng)理論及它們的應(yīng)用，在模式識別和運動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：六級考試 362；四級考試 473；具有較強的相關(guān)專業(yè)學(xué)科的英文文獻閱讀能力； ●能熟練使用計算機，會用電路仿真軟件、LabVIEW軟件、熟練掌握Visual C++的MFC程序設(shè)計和MATLAB仿真工具，能夠做算法的設(shè)計和仿真；并能應(yīng)用LabVIEW軟件進行信號處理（波形測量、時頻域分析與數(shù)學(xué)分析（概率統(tǒng)計擬合最優(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

●負責(zé)計算機視覺方面的IEEE文章的講解及不同算法的實現(xiàn)研究，負責(zé)機器視覺系統(tǒng)圖像處理、分析及識別算法設(shè)計、實現(xiàn)，參與圖像處理技術(shù)研究與設(shè)計，對已有算法進行優(yōu)化改進。使用OpenCV進行背景/前景提取、檢測識別、了解運動跟蹤的常用算法、設(shè)計相關(guān)信號特征提取算法及其設(shè)計模式識別分類器等。項目經(jīng)驗

2008 09-2009 11模式識別與智能系統(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生物細胞圖像病變檢測算法研究 ●在MATLAB中仿真了算法，正確率達到82%。

2009 07-2009 09圖像壓縮算法編碼器設(shè)計 ●在FPGA芯片上實現(xiàn)并驗證了方案，對比得出了FPGA比DSP在神經(jīng)網(wǎng)絡(luò)實現(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，即一個時鐘周期內(nèi)可并行完成多次運算，特別適合于神經(jīng)網(wǎng)絡(luò)的并行特點。2010 02在科進生物識別公司 ●了解了不同二維條碼尤其QR code的特點，探討了定位圖形的方法，了解了指紋識別，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。自我評價及愛好

●很強的責(zé)任心創(chuàng)新能力、自學(xué)能力及應(yīng)用知識能力；誠實善良，勤奮刻苦，進取精神、團隊協(xié)作精神；愛好戶外運動、國學(xué)研究，齊白石大師的畫。

第五篇：模式識別簡介

模式識別簡介 Pattern recognition

誕生

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

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

概念

簡單來說，模式識別就是通過計算機用數(shù)學(xué)技術(shù)方法來研究模式的自動處理和判讀。我們把環(huán)境與客體統(tǒng)稱為“模式”。隨著計算機技術(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重要形式是生命體對環(huán)境及客體的識別。對人類來說，特別重要的是對光學(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）的識別。這是模式識別的兩個重要方面。市場上可見到的代表性產(chǎn)品有光學(xué)字符識別（Optical Character Recognition, OCR）、語音識別系統(tǒng)。其計算機識別的顯著特點是速度快，準確性高，效率高。在將來完全可以取代人工錄入。

模式識別是指對表征事物或現(xiàn)象的各種形式的(數(shù)值的、文字的和邏輯關(guān)系的)信息進行處理和分析，以對事物或現(xiàn)象進行描述、辨認、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)是如何感知對象的，屬于認識科學(xué)的范疇，二是在給定的任務(wù)下，如何用計算機實現(xiàn)模式識別的理論和方法。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)專家和計算機科學(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)用計算機對一組事件或過程進行辨識和分類，所識別的事件或過程可以是文字、聲音、圖像等具體對象，也可以是狀態(tài)、程度等抽象對象。這些對象與數(shù)字形式的信息相區(qū)別，稱為模式信息。

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

模式識別與統(tǒng)計學(xué)、心理學(xué)、語言學(xué)、計算機科學(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)或自組織的模式識別系統(tǒng)包含了人工智能的學(xué)習(xí)機制；人工智能研究的景物理解、自然語言理解也包含模式識別問題。又如模式識別中的預(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)用模式識別的技術(shù)。

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

識別過程與人類的學(xué)習(xí)過程相似。首先將漢字圖象進行處理，抽取主要表達特征并將特征與漢字的代碼存在計算機中。就像老師教我們“這個字叫什么、如何寫”記在大腦中。這一過程叫做“訓(xùn)練”。識別過程就是將輸入的漢字圖象經(jīng)處理后與計算機中的所有字進行比較，找出最相近的字就是識別結(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。相機照出的相片=真實相片*透謝分布率+天空亮度。這里要做的就是根據(jù)公式求出真實相片，另外三個未知量是可以求出來的。

交叉驗證方法：

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

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，它在計算機視覺、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)理論上與實際應(yīng)用兩個方面都取得了振奮人心的發(fā)展，研究者結(jié)合計算機視覺，圖形學(xué)，現(xiàn)代統(tǒng)計物理，心理學(xué)和神經(jīng)系統(tǒng)科學(xué)等領(lǐng)域的知識，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領(lǐng)域：濾波理論（filtering theory）和統(tǒng)計建模（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制，該機制認為，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，而這些子帶信號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，它們在紋理分割和分類中有良好的性能。統(tǒng)計建模理論認為，紋理圖像是隨機場上概率分布的采樣，該理論涉及到時間序列模型（time series model），馬爾可夫鏈（Markov chain）模型和馬爾可夫隨機場（Markov random Field，MRF）模型等建模方法?；诮y(tǒng)計的建模方法一般只需要用很少幾個參數(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)化為一個明確的統(tǒng)計推理問題來處理。

計算機視覺研究中低層視覺的一個主要研究方向是圖像分割。由于一個場景中，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。

機器學(xué)習(xí)：

機器學(xué)習(xí)是人工智能的一個分支，它是關(guān)于讓機器具有學(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為大多數(shù)的非隨機的數(shù)據(jù)包含一些模式，這些模式可以讓機器去做泛化。

機器學(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。

機器學(xué)習(xí)的局限性：

機器學(xué)習(xí)在大量的模式面前的泛化能力是不同的，如果一個模式不同于以前所看到的，那么這個算法很容易被誤解。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)不準確性。

AdaBoost人臉檢測原理：

一種基于積分圖、級聯(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”實現(xiàn)特征數(shù)值的快速計算;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)造為一個強分類器;第三部分，將訓(xùn)練得到的若干強分類器串聯(lián)組成一個級聯(lián)結(jié)構(gòu)的層疊分類器，級聯(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50年代以來，模式識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，推動了人工智能系統(tǒng)的發(fā)展，擴大了計算機應(yīng)用的可能性。

經(jīng)過多年的研究和發(fā)展，模式識別技術(shù)已廣泛被應(yīng)用于人工智能、計算機工程、機器學(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，如語音識別、語音翻譯、人臉識別、指紋識別、手寫體字符的識別、工業(yè)故障檢測、精確制導(dǎo)等。模式識別技術(shù)的快速發(fā)展和應(yīng)用大大促進了國民經(jīng)濟建設(shè)和國防科技現(xiàn)代化建設(shè)。