第一章 模式识别概论

  • 1.1 模式和模式识别的概念

  • 1.2 模式识别系统

  • 1.3 模式识别方法

  • 1.4 模式识别的应用

1.1 模式和模式识别的概念

  • 模式:

    • 要识别的对象都可以称作是个模式
    • 模式不是识别对象本身
    • 而是通过对信号的采样,量化和处理之后得到的关于识别对象描述的一组属性集合-
  • 模式识别(分类)

    • 根据模式描述,判断不同的识别对象是否属于相同类别。
    • 概念:模式识别就是机器识别、计算机识别,目的在于让机器自动识别食物

1.2 模式识别系统

未知类别模式的分类

1.2

1.3 模式识别方法

  • 有监督学习(有导师学习)

    • 已知训练样本集合中的样本
    • 已知每个样本及所属类别
    • 利用训练样本学习分类器,对未知类别样本分类
    • 关键问题:如何度量样本间的“相似性”
  • 无监督学习(无导师学习)

    • 已知训练样本集合中的样本
    • 不知道每个样本所属的类别,甚至类别数量也未知
    • 利用无监督样本集,能够发现某种规律性的东西,构造相应的分类器

第二章 特征的选择与优化

  • 2.1 特征选择和提取的基本概念
  • 2.2 类别可分性测度
  • 2.3 特征空间描述与分布分析
  • 2.4 基于主成分分析的特征提取

第四章 基于概率统计的贝叶斯分类器设计

  • 4.1 相关概率
  • 4.2 贝叶斯决策
  • 4.3 最小错误率贝叶斯分类器
  • 4.4 最小风险贝叶斯分类器

4.1 相关概率

4.3 最小错误率贝叶斯决策

1. 决策规则:
设有M类模式,已知先验概率和类条件概率密度
最小错误率贝叶斯决策规则
基于最小错误率的贝叶斯决策是按照后验概率大小判决的
2.几种等价形式
似然比形式:
对数形式:

4.4 最小风险贝叶斯决策

1.决策规则

决策规则