模式识别|简介

图案 是这个数字世界的一切。一个模式既可以通过物理方式看到，也可以通过应用算法通过数学方式观察到。

例子： 衣服上的颜色、语音模式等。在计算机科学中，模式是用向量特征值表示的。

什么是模式识别？

模式识别 是使用机器学习算法识别模式的过程。模式识别可以定义为基于已经获得的知识或从模式和/或其表示中提取的统计信息对数据进行分类。模式识别的一个重要方面是其应用潜力。

例如： 语音识别、说话人识别、多媒体文档识别（MDR）、自动医疗诊断。 在典型的模式识别应用程序中，原始数据被处理并转换成适合机器使用的形式。模式识别涉及模式的分类和聚类。

• 在分类中，基于使用一组训练模式或领域知识生成的抽象，将适当的类标签分配给模式。分类用于监督学习。
• 聚类生成了数据的一个分区，它有助于决策，也就是我们感兴趣的特定决策活动。聚类用于无监督学习。

特征 可以表示为连续、离散或离散的二进制变量。特征是一个或多个测量值的函数，通过计算可以量化对象的一些重要特征。

例子： 考虑我们的脸，然后眼睛，耳朵，鼻子等是面部的特征。 一组特征组合在一起，形成 特征向量 .

例子： 在上面的人脸示例中，如果将所有特征（眼睛、耳朵、鼻子等）放在一起，那么序列就是一个特征向量（[眼睛、耳朵、鼻子]）。特征向量是以d维列向量表示的特征序列。就语音而言，MFCC（Mel频率倒谱系数）是语音的频谱特征。前13个特征的序列形成一个特征向量。

模式识别具有以下特点：

• 模式识别系统应该快速准确地识别熟悉的模式
• 识别和分类不熟悉的物体
• 从不同角度准确识别形状和对象
• 即使部分隐藏，也要识别图案和对象
• 轻松、自动地快速识别模式。

模式识别的训练与学习 学习 是一种现象，通过这种现象，一个系统得到训练，并变得能够以准确的方式给出结果。学习是最重要的阶段，因为系统对提供给系统的数据的执行情况取决于对数据使用的算法。整个数据集分为两类，一类用于训练模型，即训练集，另一类用于训练后测试模型，即测试集。

• 训练集： 训练集用于构建模型。它由用于训练系统的一组图像组成。训练规则和算法用于提供有关如何将输入数据与输出决策关联的相关信息。通过将这些算法应用于数据集对系统进行训练，从数据中提取所有相关信息，并获得结果。一般情况下，数据集80%的数据用于训练数据。
• 测试集： 测试数据用于测试系统。这是一组数据，用于验证系统在接受培训后是否产生正确的输出。通常，数据集的20%数据用于测试。测试数据用于测量系统的精度。例如，一个识别某一种花属于哪个类别的系统能够在十种花中正确地识别七种，而其他花中错误地识别七种，那么准确率是70%

实时示例和解释： 模式是物理对象或抽象概念。在谈论动物的种类时，对动物的描述是一种模式。当谈论各种类型的球时，对球的描述就是一种模式。在将球视为模式的情况下，类别可以是足球、板球、乒乓球等。给定一个新模式，将确定模式的类别。属性的选择和模式的表示是模式分类中非常重要的一步。一个好的表示方法是利用鉴别属性，同时减少模式分类中的计算负担。

模式的一个明显表现就是 矢量 .向量的每个元素可以表示模式的一个属性。向量的第一个元素将包含所考虑模式的第一个属性的值。

例子： 当表示球形物体时，（25，1）可以表示为具有25个重量单位和1个直径单位的球形物体。类标签可以构成向量的一部分。如果球形物体属于类别1，那么向量将是（25，1，1），其中第一个元素表示物体的重量，第二个元素表示物体的直径，第三个元素表示物体的类别。

优势：

• 模式识别解决了分类问题
• 模式识别解决了假生物特征检测的问题。
• 这对于视觉障碍盲人的布料模式识别很有用。
• 它有助于说话人日记化。
• 我们可以从不同的角度识别特定的物体。

缺点：

• 句法模式识别方法实现起来很复杂，而且是一个非常缓慢的过程。
• 有时为了获得更好的准确性，需要更大的数据集。
• 它无法解释为什么一个特定的物体会被识别。 我的脸和我朋友的脸。

应用：

• 图像处理、分割和分析 模式识别用于为图像处理所需的机器提供人类识别智能。
• 计算机视觉 模式识别用于从给定的图像/视频样本中提取有意义的特征，并在计算机视觉中用于生物和生物医学成像等各种应用。
• 地震分析 模式识别方法用于发现、成像和解释地震阵列记录中的时间模式。统计模式识别是在不同类型的地震分析模型中实现和使用的。
• 雷达信号分类/分析 模式识别和信号处理方法用于雷达信号分类的各种应用，如AP地雷探测和识别。
• 语音识别 语音识别的最大成功在于使用模式识别范例。它被用于各种语音识别算法中，这些算法试图避免使用音素级描述的问题，并将较大的单位（如单词）视为模式
• 指纹识别 指纹识别技术是生物识别市场的主导技术。许多识别方法被用来进行指纹匹配，其中模式识别方法被广泛使用。