模式识别复习要点.doc

模式识别复习要点.doc

《模式识别复习要点.doc》由会员分享，可在线阅读，更多相关《模式识别复习要点.doc（4页珍藏版）》请在冰豆网上搜索。

复习要点

绪论

1、举出日常生活或技术、学术领域中应用模式识别理论解决问题的实例。

答：

语音识别，图像识别，车牌识别，文字识别，人脸识别，通信中的信号识别；

①文字识别

汉字已有数千年的历史，也是世界上使用人数最多的文字，对于中华民族灿烂文化的形成和发展有着不可磨灭的功勋。

所以在信息技术及计算机技术日益普及的今天，如何将文字方便、快速地输入到计算机中已成为影响人机接口效率的一个重要瓶颈，也关系到计算机能否真正在我过得到普及的应用。

目前，汉字输入主要分为人工键盘输入和机器自动识别输入两种。

其中人工键入速度慢而且劳动强度大；自动输入又分为汉字识别输入及语音识别输入。

从识别技术的难度来说，手写体识别的难度高于印刷体识别，而在手写体识别中，脱机手写体的难度又远远超过了联机手写体识别。

到目前为止，除了脱机手写体数字的识别已有实际应用外，汉字等文字的脱机手写体识别还处在实验室阶段。

②　语音识别

语音识别技术技术所涉及的领域包括：

信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人工智能等等。

近年来，在生物识别技术领域中，声纹识别技术以其独特的方便性、经济性和准确性等优势受到世人瞩目，并日益成为人们日常生活和工作中重要且普及的安验证方式。

而且利用基因算法训练连续隐马尔柯夫模型的语音识别方法现已成为语音识别的主流技术，该方法在语音识别时识别速度较快，也有较高的识别率。

③指纹识别

我们手掌及其手指、脚、脚趾内侧表面的皮肤凹凸不平产生的纹路会形成各种各样的图案。

而这些皮肤的纹路在图案、断点和交叉点上各不相同，是唯一的。

依靠这种唯一性，就可以将一个人同他的指纹对应起来，通过比较他的指纹和预先保存的指纹进行比较，便可以验证他的真实身份。

一般的指纹分成有以下几个大的类别:

环型（loop）,螺旋型（whorl）,弓型（arch）,这样就可以将每个人的指纹分别归类，进行检索。

指纹识别基本上可分成：

预处理、特征选择和模式分类几个大的步骤。

③遥感

遥感图像识别已广泛用于农作物估产、资源勘察、气象预报和军事侦察等。

④　医学诊断

在癌细胞检测、X射线照片分析、血液化验、染色体分析、心电图诊断和脑电图诊断等方面，模式识别已取得了成效。

2、若要实现汽车车牌自动识别，你认为应该有哪些处理步骤？

分别需要哪些模式识别方法？

试用流程图予以说明

统计决策

3、最小错误率贝叶斯决策方法与最小风险贝叶斯决策方法

4、正态分布下最小错误率决策与Neyman-Pearson决策方法

（1）假设在某个地区的细胞识别中正常和异常两类的先验概率分别为

正常状态：

异常状态：

现有一待识的细胞，其观测值为，从类条件概率密度分布曲线上查得

并且已知损失系数为l11=0，l12=1，l21=6，l22=0。

试对该细胞以以下两种方法进行分类：

①基于最小错误概率准则的贝叶斯判决；②基于最小风险的贝叶斯判决。

（2）已知两个一维模式类别的类概率密度函数为

先验概率P（w1）=P（w2），损失函数，l11=l22=0，l12=0.6，l21=0.4。

对于这个两类一维问题，若这两类的类概率密度分别服从正态分布N（0,s2）和N（1,s2），证明使平均决策风险最小的决策阈值为

这里，假设风险函数l11=l22=0。

一维正态分布：

概率密度函数估计

5、最大似然估计方法与贝叶斯估计方法

6、Parzen窗法

（3）试用最大似然估计的方法估计单变量正态分布的均值和方差。

线性分类器与非线性分类器

7、线性判别函数及线性分类器

8、Fisher线性判别方法

9、最小平方差误差判别

10、分段线性距离分类器与二次判别函数

11、支持向量机

12、近邻法

（4）设以下两类模式均为正态分布

w1：

{（0,0）T，（2,0）T，（2,2）T，（0,2）T}

w2：

{（4,4）T，（6,4）T，（6,6）T，（4,6）T}

设P（w1）=P（w2）=1/2，求该两类模式之间的Bayes判别界面的方程，并绘出判别界面。

（5）假设在一维两类分类当中样本点符合Rayleigh概率密度函数分布：

试求判决边界。

（6）指出在Fisher线性判别中，的比例因子对Fisher判别结果无影响的原因。

（7）考虑一种情况，在类中包含两个特征向量，。

类中包含和两个向量。

根据感知器算法，其中，，设计一个线性分离器来区分这两类

特征选择与提取

13、基于类内类间距离的可分性判据

14、主成分分析方法与K-L变换基本原理

（8）三类，其中，，，求及。

（9）两个一维正态分布， 其期望与方差如下：

第一组；第二组。

求Bhattacharyya距离及散度。

（10）已知以下两类模式

w1：

{（0,0,0）T，（1,0,0）T，（1,0,1）T，（1,1,0）T}

w2：

{（0,0,1）T，（0,1,0）T，（0,1,1）T，（1,1,1）T}

试用K-L变换分别把特征空间维数降到d=2和d=1，并作图画出样本在该特征空间中的位置。

聚类

15、动态聚类法

（11）设有二维样本：

x1=（-1,0）T，x2=（0,-1）T，x3=（0,0）T，x4=（2,0）T和x5=（0,2）T。

试选用一种合适的方法进行一维特征特征提取yi=WTxi。

要求求出变换矩阵W，并求出变换结果yi，（i=1,2,3,4,5）。

（12）根据（11）特征提取后的一维特征，选用一种合适的聚类算法将这些样本分为两类，要求每类样本个数不少于两个，并写出聚类过程。

（13）试给出c-均值算法的算法流程图;并证明c-均值算法可使误差平方和准则

最小。

其中，k是迭代次数；是的样本均值。

（1）框图中给出以下基本步骤：

1、任选个模式特征矢量作为初始聚类中心。

2、将待分类的模式特征矢量集中的模式逐个按最小距离原则分划给类中的某一类。

3、计算重新分类后的各类心。

4、如果任一类的类心改变，则转至⑵；否则结束