模式模糊本科识别论文.docx

1、模式模糊本科识别论文模式模糊识别论文 模式模糊识别(Pattern Recognition)是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程,是信息科学和人工智能的重要组成部分。模式识别又常称作模式分类，从处理问题的性质和解决问题的方法等角度，模式识别分为有监督的分类（Supervised Classification）和无监督的分类(Unsupervised Classification)两种定义1：借助计算机，就人类对外部世界某一特定环境中的客体、过程和现象的识别功能(包括视觉、听觉、触觉、判断等)进行自动模拟

2、的科学技术。 所属学科：测绘学（一级学科）；摄影测量与遥感学（二级学科） 定义2：一类与计算机技术结合使用数据分类及空间结构识别方法的统称。 所属学科：地理学（一级学科）；数量地理学（二级学科） 定义3：昆虫将目标作为一幅完整图像来记忆和识别。 所属学科：昆虫学（一级学科）；昆虫生理与生化（二级学科） 定义4：主要指膜式识别受体对病原体相关分子模式的识别。 所属学科：免疫学（一级学科）；概论（二级学科）；免疫学相关名词（三级学科） 模式识别 研究内容 ： 模式还可分成抽象的和具体的两种形式。前者如意识、思想、议论等,属于概念识别研究的范畴,是人工智能的另一研究分支。我们所指的模式识别主要是对语

3、音波形、地震波、心电图、脑电图、图片、照片、文字、符号、生物传感器等对象的具体模式进行辨识和分类。 模式识别研究主要集中在两方面,一是研究生物体(包括人)是如何感知对象的，属于认识科学的范畴,二是在给定的任务下,如何用计算机实现模式识别的理论和方法。前者是生理学家、心理学家、生物学家和神经生理学家的研究内容,后者通过数学家、信息学专家和计算机科学工作者近几十年来的努力,已经取得了系统的研究成果。 应用计算机对一组事件或过程进行辨识和分类，所识别的事件或过程可以是文字、声音、图像等具体对象，也可以是状态、程度等抽象对象。这些对象与数字形式的信息相区别，称为模式信息。 模式识别所分类的类别数目由特

4、定的识别问题决定。有时，开始时无法得知实际的类别数，需要识别系统反复观测被识别对象以后确定。 模式识别与统计学、心理学、语言学、 计算机科学 、生物学、控制论等都有关系。它与 人工智能 、 图像处理 的研究有交叉关系。例如自适应或自组织的模式识别系统包含了人工智能的学习机制；人工智能研究的景物理解、自然语言理解也包含模式识别问题。又如模式识别中的预处理和特征抽取环节应用图像处理的技术；图像处理中的图像分析也应用模式识别的技术。 模式识别研究方法：一、模式识别方法 1、决策理论方法 又称统计方法，是发展较早也比较成熟的一种方法。被识别对象首先数字化，变换为适于计算机处理的数字信息。一个模式常常要

5、用很大的信息量来表示。许多模式识别系统在数字化环节之后还进行预处理，用于除去混入的干扰信息并减少某些变形和失真。随后是进行特征抽取，即从数字化后或预处理后的输入模式中抽取一组特征。所谓特征是选定的一种度量，它对于一般的变形和失真保持不变或几乎不变，并且只含尽可能少的冗余信息。特征抽取过程将输入模式从对象空间映射到特征空间。这时，模式可用特征空间中的一个点或一个特征矢量表示。这种映射不仅压缩了信息量，而且易于分类。在决策理论方法中，特征抽取占有重要的地位，但尚无通用的理论指导，只能通过分析具体识别对象决定选取何种特征。特征抽取后可进行分类，即从特征空间再映射到决策空间。为此而引入鉴别函数，由特征

6、矢量计算出相应于各类别的鉴别函数值，通过鉴别函数值的比较实行分类。 2、句法方法 又称结构方法或语言学方法。其基本思想是把一个模式描述为较简单的子模式的组合，子模式又可描述为更简单的子模式的组合，最终得到一个树形的结构描述，在底层的最简单的子模式称为模式基元。在句法方法中选取基元的问题相当于在决策理论方法中选取特征的问题。通常要求所选的基元能对模式提供一个紧凑的反映其结构关系的描述，又要易于用非句法方法加以抽取。显然，基元本身不应该含有重要的结构信息。模式以一组基元和它们的组合关系来描述，称为模式描述语句，这相当于在语言中，句子和短语用词组合，词用字符组合一样。基元组合成模式的规则，由所谓语法

7、来指定。一旦基元被鉴别，识别过程可通过句法分析进行，即分析给定的模式语句是否符合指定的语法，满足某类语法的即被分入该类。 模式识别方法的选择取决于问题的性质。如果被识别的对象极为复杂，而且包含丰富的结构信息，一般采用句法方法；被识别对象不很复杂或不含明显的结构信息，一般采用决策理论方法。这两种方法不能截然分开，在句法方法中，基元本身就是用决策理论方法抽取的。在应用中，将这两种方法结合起来分别施加于不同的层次，常能收到较好的效果。 模式识别的应用：二、模式识别的应用 模式识别可用于文字和语音识别、遥感和医学诊断等方面。 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

8、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。 语音识别 语音识别技术技术所涉及的领域包括：信号处理、

9、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。 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

10、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。 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。 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。 三、统计模式识别 统计模式识别(statistic pattern recognition)的基本原理是：有相似性的样本在模式空间中互相接近，并形成“集团”，即“物以类聚”。其分析方法是根据模式所测得的特征

11、向量Xi=(xi1,xi2,xid)T(i=1,2,N)，将一个给定的模式归入C个类1,2, c中，然后根据模式之间的距离函数来判别分类。其中，T表示转置；N为样本点数；d为样本特征数。 统计模式识别的主要方法有：判别函数法，近邻分类法，非线性映射法，特征分析法，主因子分析法等。 在统计模式识别中，贝叶斯决策规则从理论上解决了最优分类器的设计问题，但其实施却必须首先解决更困难的概率密度估计问题。BP神经网络直接从观测数据(训练样本)学习，是更简便有效的方法，因而获得了广泛的应用，但它是一种启发式技术，缺乏指定工程实践的坚实理论基础。统计推断理论研究所取得的突破性成果导致现代统计学习理论VC理论

12、的建立，该理论不仅在严格的数学基础上圆满地回答了人工神经网络中出现的理论问题，而且导出了一种新的学习方法支持向量机（SVM）。 四、模式识别技术的近乎无限的发展潜力 模式识别技术是人工智能的基础技术，21世纪是智能化、信息化、计算化、网络化的世纪，在这个以数字计算为特征的世纪里，作为人工智能技术基础学科的模式识别技术，必将获得巨大的发展空间。在国际上，各大权威研究机构，各大公司都纷纷开始将模式识别技术作为公司的战略研发重点加以重视。 1、语音识别技术 语音识别技术正逐步成为信息技术中人机接口(Human Computer Interface, HCI)的关键技术，语音技术的应用已经成为一个具有

13、竞争性的新兴高技术产业。中国互联网中心的市场预测：未来5年，中文语音技术领域将会有超过400亿人民币的市场容量,然后每年以超过30%的速度增长。 2、生物认证技术 生物认证技术(Biometrics)本世纪最受关注的安全认证技术，它的发展是大势所趋。人们愿意忘掉所有的密码、扔掉所有的磁卡，凭借自身的唯一性来标识身份与保密。国际数据集团（IDC）预测：作为未来的必然发展方向的移动电子商务基础核心技术的生物识别技术在未来10年的时间里将达到100亿美元的市场规模。 3、数字水印技术 90年代以来才在国际上开始发展起来的数字水印技术(Digital Watermarking)是最具发展潜力与优势的数

14、字媒体版权保护技术。IDC预测，数字水印技术在未来的5年内全球市场容量超过80亿美元。 模式识别的研究状况：模式识别从20世纪20年代发展至今，人们的一种普遍看法是不存在对所有模式识别问题都适用的单一模型和解决识别问题的单一技术，我们现在拥有的只是一个工具袋，所要做的是结合具体问题把统计的和句法的识别结合起来，把统计模式识别或句法模式识别与人工智能中的启发式搜索结合起来，把统计模式识别或句法模式识别与支持向量机的机器学习结合起来，把人工神经元网络与各种已有技术以及人工智能中的专家系统、不确定推理方法结合起来，深入掌握各种工具的效能和应有的可能性，互相取长补短，开创模式识别应用的新局面。 对于识

15、别二维模式的能力，存在各种理论解释。模板说认为，我们所知的每一个模式，在长时记忆中都有一个相应的模板或微缩副本。模式识别就是与视觉刺激最合适的模板进行匹配。特征说认为，视觉刺激由各种特征组成，模式识别是比较呈现刺激的特征和储存在长时记忆中的模式特征。特征说解释了模式识别中的一些自下而上过程，但它不强调基于环境的信息和期待的自上而下加工。基于结构描述的理论可能比模板说或特征说更为合适。模式识别的未来研究趋势 ：中国移动推出了二维码业务，其中关键技术不是二维码的编码和解码，而是用手机摄像头采集二维码时对二维码的定位问题。这恰恰就是一个典型的图像识别问题。通过这个可以看出，手机摄像头日后将被充分使用

16、。我认为只要涉及到对外界环境进行视频或图像采集的应用程序一般都离不开图像的处理与识别，因此有理由认为日后我们的技术将会用在手机增值方面有所发展。如果你对这个应用方向有兴趣建议业余时间学习一下 Symbain C/C+，EVC，J2ME等移动开发技术，当然，课程上学的东西不但不能丢，还必须学精 图像识别未来可能有比较大发展的应用领域：智能交通（废话），智能小区，“智能家庭”（想象一下，日后你出门不需要带钥匙，只要在家门口对着视频采集器傻笑，门锁就能应声而开。你回到家中一个手势或者一句话就能控制家里的电器为你工作，这些方向是不是很有吸引力呀），不停车检查，小区管理，停车场控制，卫星遥感图像识别，雷

17、达方面，运动物体锁定，指纹锁，奥运会应用（比如跳远项目中运动员起跳时脚与踏板之间距离的自动检测）等等等等，甚至可以大胆等想象一下，可能以后登陆一个网站或者网上付费需要的不是密码而是一个摄像头。总之，只要产品中有图像采集设备，就有图像处理与模式识别的应用领域。要想在这些领域做好，那么MFC、STL、框架、构件、.Net等技术就非学不可了，数据库方面技术也要掌握，现在公司需要的是多面手（忘了在那篇文章中看到的了），很难想象汉王科技的算法工程师们都只会用Matlab写算法不是吗？当然，有事没事就在SCI上发表个把篇论文的人另当别论。 首先要对你选择的方向有信心，它确实很有应用前景，然后是要端正学习心

18、态。我相信如果一个人仅仅为了挣钱而去做某些事或者学某些东西，那么几乎可以断定这个人将一事无成，因为浮躁使它不可能专心做好任何事情，心猿意马的结果就是一瓶子不满半瓶子咣当。相反，如果是因为爱好去埋头苦学，那么当他若干年后抬起头时可能就会发现，自己已经把绝大多数人落在了后面。 我只是一名本科生，虽然已然20好几，但却还是充满了幻想。其实我的一切图像识别方面的知识都是通过wangfang上的论文自学来的（3元/篇，真够狠的。），考研好贵，还是等攒上两年钱再说吧。虽然现在的工作挣不到什么钱，但毕竟从事的是我喜欢的职业，我很高兴。一想到自己努力的方向是“让计算机能够看到”，我就非常激动。不管日后会有多少

19、困难，我都一定会在这个领域继续下去，相信大家也都有相同的信念吧？ 1.一切理论学习都是在为日后的应用铺路，发表过论文不代表能找到工作，只有为你研究的东西找到了应用的领域并且真正实现了，那么你的研究才有意义 2.语言不学肯定不行，但语言并不是重点，理论上说不存在一种语言能实现但其他语言实现不了的功能。思想(比如OOA思想)才是关键。重点学什么语言要依你日后的发展方向而定。至于应用，在研究生期间你肯定会对某一领域（智能交通，智能小区，“图像检索系统”等等方面）感兴趣的，顺其自然就好了，不用刻意去找什么跟你专业不相干的东西去学（比如GIS,ERP系统等），否则你的研究生除了基础课以外剩下时间就白白浪费了。 个人感觉现在模式识别方面的工作不太好找，不像学网页后台的兄弟们，熟练使用ASP+SQL Server出去就被人哄抢 一般搞模式识别的很少去研究什么.Net，STL,MFC等技术，我们大多数时间是在捣鼓Matlab，我敢说熟练掌握C/C+的人都很少，如果算法不精或者没有什么有创意的想法，出去肯定是没对口工作的（我指开发方面）。我水平一般，因此费了很大劲才在一家搞智能交通的小公司找到工作，老板在决定用我时的态度还很勉强