资源预览内容
第1页 / 共25页
第2页 / 共25页
第3页 / 共25页
第4页 / 共25页
第5页 / 共25页
第6页 / 共25页
第7页 / 共25页
第8页 / 共25页
第9页 / 共25页
第10页 / 共25页
亲,该文档总共25页,到这儿已超出免费预览范围,如果喜欢就下载吧!
资源描述
复 习,第一章 模式识别概论 第二章 聚类分析 第三章 判别函数 第四章 统计判别 第五章 特征选择与提取 第六章 人工神经网络 第七章 句法模式识别 第八章 模糊模式识别方法 第九章 模式识别应用,第一章 模式识别概论,模式 概念 广义地说,存在于时间和空间中可观察的物体,如果可以区别它们是否相同或是否相似,都可以称之为模式。 直观特性 可观察性 可区分性 相似性 模式识别 目的 利用计算机对物理对象进行分类,在错误概率最小的条件下,使识别的结果尽量与客观物体相符合。 方法(两种假说) 监督学习、概念驱动或归纳假说 非监督学习、数据驱动或演绎假说,第一章 模式识别概论,模式分类 数据聚类 统计分类 神经网络 结构模式识别 模式识别系统组成 模式识别过程实例,第二章 聚类分析,聚类分析的相关概念 定义 对一批没有标出类别的模式样本集,按照样本之间的相似程度分类,相似的归为一类,不相似的归为另一类,这种分类称为聚类分析。 模式相似/分类的依据 把整个模式样本集的特征向量看成是分布在特征空间中的一些点,点与点之间的距离即可作为模式相似性的测量依据。 聚类分析的有效性 特征选择的维数和降维处理,第二章 聚类分析,模式相似性的测度和聚类准则 相似性测度 欧氏距离 马氏距离 一般化的明氏距离 角度相似性函数 聚类准则 试探方法 聚类准则函数法,第二章 聚类分析,基于试探的聚类搜索算法 按最近邻规则的简单试探法 最大最小距离算法 系统聚类法 算法 几种距离计算准则:最小距离准则 实例 动态聚类法 K-均值算法 算法和实例 ISODATA算法 基本步骤和思路 算法和实例,第三章 判别函数,线性判别函数 用判别函数分类的概念 线性判别函数的一般形式和分类问题 两类情况: 多类情况:三种多类情况 广义线性判别函数 基本思想 广义线性判别函数的意义 线性的判别函数 判别函数选用二次多项式函数 判别函数选用r次多项式函数 分段线性判别函数 模式空间和权空间,第三章 判别函数,Fisher线性判别 从d维空间到一维空间的一般数学变换方法 Fisher准则函数的定义 基于最佳变换向量的投影 感知器算法 线性判别函数的感知器赏罚训练算法 采用感知器算法的多类模式的分类 可训练的确定性分类器的迭代算法 梯度法 固定增量的逐次调整算法 最小平方误差(LMSE)算法,第三章 判别函数,势函数法 判别函数的产生 分析步骤 势函数的选择 第一类势函数 对称的有限多项式展开 第二类势函数 双变量的对称函数 实例 决策树简介 概念 二叉树,第四章 统计判别,作为统计判别问题的模式分类 贝叶斯判别原则 贝叶斯最小风险判别 正态分布模式的贝叶斯分类器 M种模式类别的多变量正态类密度函数 两类问题且其类模式都是正态分布的特殊情况 模式分布密度的协方差矩阵不等 模式分布密度的协方差矩阵相等 实例,第四章 统计判别,在贝叶斯分类器中,构造分类器需要知道类概率密度函数。 类概率密度是正态分布,它完全由其均值向量和协方差矩阵所确定。 均值和协方差矩阵的非随机参数的估计 均值和协方差矩阵的估计量定义 均值和协方差矩阵估计量的迭代运算 均值向量和协方差矩阵的贝叶斯学习 一般概念 单变量正态密度函数的均值学习,第五章 特征选择与提取,特征选择的概念 所谓特征选择,就是从n个度量值集合中,按某一准则选取出供分类用的子集,作为降维(m维,mn)的分类特征; 特征提取的概念 所谓特征提取,就是通过某种变换,从n个度量值集合中产生m个特征 (mn) ,作为新的分类特征(或称为二次特征); 目的 为了在尽可能保留识别信息的前提下,降低特征空间的维数,已达到有效的分类。,第五章 特征选择与提取,模式类别可分性的测度 点到点之间的距离 点到点集之间的距离 类内距离 类内散布矩阵 类间距离和类间散布矩阵 多类模式集的散布矩阵 特征选择 对于独立特征的选择原则 一般特征的散布矩阵准则,第五章 特征选择与提取,离散K-L变换 一种适用于任意概率密度函数的正交变换 将原来的特征做正交变换,获得的每个数据都是原来n个数据的线性组合,然后从新的数据中选出少数几个,使其尽可能多地反映各类模式之间的差异,而这些特征间又相互独立。 离散的有限K-L展开 K-L展开式的性质 K-L展开式系数的计算步骤 按K-L展开式选择特征 三条结论 实例,第六章 人工神经网络,概念和特点 人工神经网络定义 固有的并行结构和并行处理 知识分布存储 容错性 自适应性 局限性 人工神经网络基础 生物原型(大脑) 人工神经网络处理单元(人工神经元)特性 人工神经网络的拓扑结构 存储和回忆功能 人工神经网络的训练方法 人工神经网络的稳定性和收敛性,第六章 人工神经网络,前馈网络 感知器模型 符号单元 功能表示能力 训练算法 线性单元 加权的直接求解法 规则训练算法 非线性单元 加权求解描述 Sigmoid函数情况 多层网络的训练误差反传训练算法(BP算法) 原理和推算过程 训练算法实现步骤(Sigmoid函数) BP训练算法存在的问题及改进,第六章 人工神经网络,反馈网络 Hopfield网络(离散型) 网络拓扑结构及描述 网络运行过程及其神经元的演变和状态的变迁 网络联想方法和网络训练 随机神经网络 模拟退火算法 基本思想 实现过程 玻尔兹曼机 与BP网络的差别 训练算法,第六章 人工神经网络,自组织神经网络 普通的无指导信号的训练过程 一种常用的无指导学习方法 竞争学习,包括: 竞争过程的权值调整 最佳匹配 竞争过程的网络组织 胜者为王 一种典型的自组织网络 Hamming网络 Kohonen网络 网络的拓扑结构 网络自组织算法,第六章 人工神经网络,人工神经网络的应用开发设计 人工神经网络应用的可行性 人工神经网络应用的特点 人工神经网络模型的应用情况 人工神经网络模型的选取原则 网络大小 所需输出类型 联想记忆类型 训练方法 时间的限定 人工神经网络模型的设计 确定结点的类型 确定网络、层的大小和连接要求 确定学习算法和参数 人工神经网络应用系统的评价 网络的大小 速度 完全训练标准 网络的实验,第七章 句法模式识别,句法模式识别系统构成 系统框图 处理过程 学习过程 集合论中的关系运算 形式语言理论和句法模式识别 文法定义 语言的生成过程 文法的分类 无约束文法 上下文有关文法 上下文无关文法 正则文法 实例,第七章 句法模式识别,句法结构的自动机识别 确定有限态自动机 非确定有限态自动机 正则文法有限态自动机 上下文无关文法下推自动机 基元的提取 图形边界或骨架的基元选择 按区域划分成多边形近似的基元 形式语言在图形识别中的应用 各种文法用于模式识别的功能比较 程序文法 图形描述语言PDL 树文法,第七章 句法模式识别,句法分析 通过生成树的句法分析 CKY分析算法 最小距离误差的句法校正分析 句法模式识别的随机文法 随机文法定义 随机有限态自动机识别器 文法推断 基本概念 人机交互式的归纳推断法 启发式的归纳推断法,第八章 模糊模式识别方法,引言 模糊集的基本知识 隶属度函数 模糊集合 模糊集运算 模糊特征和模糊分类 模糊化特征 结果的模糊化 模糊聚类方法 模糊C均值算法 改进的模糊C均值算法 讨论,第九章 模式识别应用,图像的数字化 物体区域测量 几何特征 不变矩 傅里叶描绘子 显微细胞图像的识别(实例),感谢大家的支持! 预祝大家取得优异成绩!,
网站客服QQ:2055934822
金锄头文库版权所有
经营许可证:蜀ICP备13022795号 | 川公网安备 51140202000112号