千文網(wǎng)小編為你整理了多篇相關(guān)的《模式識別課程報(bào)告(大全)》，但愿對你工作學(xué)習(xí)有幫助，當(dāng)然你在千文網(wǎng)還可以找到更多《模式識別課程報(bào)告(大全)》。
第一篇：模式識別簡介
模式識別簡介 Pattern recognition
誕生
狗的嗅覺的靈敏度非常高，大約是人的50至100倍。狗通過這項(xiàng)特異的功能來識別各種各樣的東西，幫助人類完成一些鑒別工作。不僅如此，識別也是人類的一項(xiàng)基本技能，人們無時(shí)無處的在進(jìn)行“模式識別”，古人有一成語“察言觀色”表達(dá)的正是這個(gè)意思。
模式識別是人類的一項(xiàng)基本智能，在日常生活中，人們經(jīng)常在進(jìn)行“模式識別”。隨著20世紀(jì)40年代計(jì)算機(jī)的出現(xiàn)以及50年代人工智能的興起，人們當(dāng)然也希望能用計(jì)算機(jī)來代替或擴(kuò)展人類的部分腦力勞動(dòng)。計(jì)算機(jī)模式識別在20世紀(jì)60年代初迅速發(fā)展并成為一門新學(xué)科。
概念
簡單來說，模式識別就是通過計(jì)算機(jī)用數(shù)學(xué)技術(shù)方法來研究模式的自動(dòng)處理和判讀。我們把環(huán)境與客體統(tǒng)稱為“模式”。隨著計(jì)算機(jī)技術(shù)的發(fā)展，人類有可能研究復(fù)雜的信息處理過程。信息處理過程的一個(gè)重要形式是生命體對環(huán)境及客體的識別。對人類來說，特別重要的是對光學(xué)信息（通過視覺器官來獲得）和聲學(xué)信息（通過聽覺器官來獲得）的識別。這是模式識別的兩個(gè)重要方面。市場上可見到的代表性產(chǎn)品有光學(xué)字符識別（Optical Character Recognition, OCR）、語音識別系統(tǒng)。其計(jì)算機(jī)識別的顯著特點(diǎn)是速度快，準(zhǔn)確性高，效率高。在將來完全可以取代人工錄入。
模式識別是指對表征事物或現(xiàn)象的各種形式的(數(shù)值的、文字的和邏輯關(guān)系的)信息進(jìn)行處理和分析，以對事物或現(xiàn)象進(jìn)行描述、辨認(rèn)、分類和解釋的過程，是信息科學(xué)和人工智能的重要組成部分。
研究
模式識別研究主要集中在兩方面，一是研究生物體(包括人)是如何感知對象的，屬于認(rèn)識科學(xué)的范疇，二是在給定的任務(wù)下，如何用計(jì)算機(jī)實(shí)現(xiàn)模式識別的理論和方法。前者是生理學(xué)家、心理學(xué)家、生物學(xué)家和神經(jīng)生理學(xué)家的研究內(nèi)容，后者通過數(shù)學(xué)家、信息學(xué)專家和計(jì)算機(jī)科學(xué)工作者近幾十年來的努力，已經(jīng)取得了系統(tǒng)的研究成果。
應(yīng)用計(jì)算機(jī)對一組事件或過程進(jìn)行辨識和分類，所識別的事件或過程可以是文字、聲音、圖像等具體對象，也可以是狀態(tài)、程度等抽象對象。這些對象與數(shù)字形式的信息相區(qū)別，稱為模式信息。
模式識別所分類的類別數(shù)目由特定的識別問題決定。有時(shí)，開始時(shí)無法得知實(shí)際的類別數(shù)，需要識別系統(tǒng)反復(fù)觀測被識別對象以后確定。
模式識別與統(tǒng)計(jì)學(xué)、心理學(xué)、語言學(xué)、計(jì)算機(jī)科學(xué)、生物學(xué)、控制論等都有關(guān)系。它與人工智能、圖像處理的研究有交叉關(guān)系。例如自適應(yīng)或自組織的模式識別系統(tǒng)包含了人工智能的學(xué)習(xí)機(jī)制；人工智能研究的景物理解、自然語言理解也包含模式識別問題。又如模式識別中的預(yù)處理和特征抽取環(huán)節(jié)應(yīng)用圖像處理的技術(shù)；圖像處理中的圖像分析也應(yīng)用模式識別的技術(shù)。
應(yīng)用領(lǐng)域包括：計(jì)算機(jī)視覺、醫(yī)學(xué)圖像分析、光學(xué)文字識別、自然語言處理、語音識別、手寫識別、生物特征識別、人臉識別、指紋識別、虹膜識別、文件分類、互聯(lián)網(wǎng)搜索引擎、信用評分、測繪學(xué)、攝影測量與遙感學(xué)。以“漢字識別”為例：
識別過程與人類的學(xué)習(xí)過程相似。首先將漢字圖象進(jìn)行處理，抽取主要表達(dá)特征并將特征與漢字的代碼存在計(jì)算機(jī)中。就像老師教我們“這個(gè)字叫什么、如何寫”記在大腦中。這一過程叫做“訓(xùn)練”。識別過程就是將輸入的漢字圖象經(jīng)處理后與計(jì)算機(jī)中的所有字進(jìn)行比較，找出最相近的字就是識別結(jié)果。這一過程叫做“匹配”。
還有一些比較典型的應(yīng)用例子如： 去霧算法：
由有霧的圖片處理成無霧的過程用的是一種基于暗影通道的去霧算法。相機(jī)照出的相片=真實(shí)相片*透謝分布率+天空亮度。這里要做的就是根據(jù)公式求出真實(shí)相片，另外三個(gè)未知量是可以求出來的。
交叉驗(yàn)證方法：
用來驗(yàn)證分類器的性能一種統(tǒng)計(jì)分析方法,基本思想是把在某種意義下將原始數(shù)據(jù)進(jìn)行分組,一部分做為訓(xùn)練集，另一部分做為驗(yàn)證集，首先用訓(xùn)練集對分類器進(jìn)行訓(xùn)練,在利用驗(yàn)證集來測試訓(xùn)練得到的模型，以此來做為評價(jià)分類器的性能指標(biāo)。
紋理：
在自然圖象中，紋理作為物體的一種重要外觀特征，為視覺感知提供了無處不在的信息，它在計(jì)算機(jī)視覺、圖形學(xué)、圖像編碼等領(lǐng)域都有著重要作用，例如，格式塔（Gestalt）心理學(xué)，早期視覺理論和Marr的原始簡約圖（Primal Sketch）都將紋理模式作為中心話題。
因此，對紋理的理解是視覺理解不可或缺的組成部分。過去的幾年里，紋理分析和合成的相關(guān)研究工作在基礎(chǔ)理論上與實(shí)際應(yīng)用兩個(gè)方面都取得了振奮人心的發(fā)展，研究者結(jié)合計(jì)算機(jī)視覺，圖形學(xué)，現(xiàn)代統(tǒng)計(jì)物理，心理學(xué)和神經(jīng)系統(tǒng)科學(xué)等領(lǐng)域的知識，提出了很多關(guān)于紋理理解的新方法。紋理的研究工作主要集中在兩個(gè)領(lǐng)域：濾波理論（filtering theory）和統(tǒng)計(jì)建模（statistical modeling）理論。濾波理論來源于在神經(jīng)生理學(xué)中被發(fā)現(xiàn)并被廣泛接受的多通道濾波機(jī)制，該機(jī)制認(rèn)為，人類視覺系統(tǒng)將視網(wǎng)膜圖像分解為一組子帶（sub-band）圖像信號，而這些子帶信號可以通過一組線性濾波器和圖像卷積然后經(jīng)過某些非線性操作計(jì)算得到。濾波理論在紋理方面的應(yīng)用主要有 Gabor 濾波器和小波（wavelet）塔等，它們在紋理分割和分類中有良好的性能。統(tǒng)計(jì)建模理論認(rèn)為，紋理圖像是隨機(jī)場上概率分布的采樣，該理論涉及到時(shí)間序列模型（time series model），馬爾可夫鏈（Markov chain）模型和馬爾可夫隨機(jī)場（Markov random Field，MRF）模型等建模方法。基于統(tǒng)計(jì)的建模方法一般只需要用很少幾個(gè)參數(shù)來描述紋理特征，因此能為紋理提供簡練的表示，而且它能把紋理分析問題轉(zhuǎn)化為一個(gè)明確的統(tǒng)計(jì)推理問題來處理。
計(jì)算機(jī)視覺研究中低層視覺的一個(gè)主要研究方向是圖像分割。由于一個(gè)場景中，不同的物體之間有不同層度的交疊，使得最理想的分割結(jié)果也會出現(xiàn)物體的不同部分（可視部分）之間分割開來，而不可視部分則為其它物體所覆蓋的情況，這就不利于完整地展現(xiàn)物體。因此，有必要利用由圖像得到的相關(guān)信息，如原始簡約圖（Primal Sketch）、顏色一致性、方位一致性等，研究一套算法，把同一物體分在同一個(gè)層里面，然后再把它們相應(yīng)的部分之間連接起來，組成完整的物體。這就是2.1D Sketch的主要研究任務(wù)。
2.1D Sketch主要研究面物體，且不關(guān)心物體之間的深度信息，而只考慮它們之間的偏序關(guān)系（Partial Order）。
2.1D Sketch的研究成果將會用于圖像分割、圖像編輯、藝術(shù)圖像生成以及圖像序列分析中。
機(jī)器學(xué)習(xí)：
機(jī)器學(xué)習(xí)是人工智能的一個(gè)分支，它是關(guān)于讓機(jī)器具有學(xué)習(xí)能力的一些算法。許多情況這種算法給一些數(shù)據(jù)和從這些數(shù)據(jù)屬性的推出的信息對將來出現(xiàn)的新的數(shù)據(jù)做出預(yù)測。之所以可以這么做是因?yàn)榇蠖鄶?shù)的非隨機(jī)的數(shù)據(jù)包含一些模式，這些模式可以讓機(jī)器去做泛化。
機(jī)器學(xué)習(xí)的相關(guān)概念掃盲：
監(jiān)督式學(xué)習(xí)：訓(xùn)練數(shù)據(jù)中包含輸入的向量集合并且有相應(yīng)的目標(biāo)值（labeled樣例）
例如分類（Classification）、關(guān)聯(lián)規(guī)則、回歸(Regression)非監(jiān)督式學(xué)習(xí)：訓(xùn)練數(shù)據(jù)中不包含labeled樣例
例如聚類(Cluster)、Density estimation、Visualization.半監(jiān)督式學(xué)習(xí)：組合了labled和unlabeled的Example去生成一個(gè)函數(shù)或分類
泛化（Generalization）：通過訓(xùn)練數(shù)據(jù)訓(xùn)練之后能夠識別新的數(shù)據(jù)。特征提取(Feature Extraction): 為了降維去除不想關(guān)的特征，在數(shù)據(jù)預(yù)處理階段把數(shù)據(jù)轉(zhuǎn)化成容易處理的。
機(jī)器學(xué)習(xí)的局限性：
機(jī)器學(xué)習(xí)在大量的模式面前的泛化能力是不同的，如果一個(gè)模式不同于以前所看到的，那么這個(gè)算法很容易被誤解。由于當(dāng)前的數(shù)據(jù)量不夠，不能涵蓋各種將來的情況，所以機(jī)器學(xué)習(xí)的方法很容易出現(xiàn)過度泛化，從而出現(xiàn)不準(zhǔn)確性。
AdaBoost人臉檢測原理：
一種基于積分圖、級聯(lián)檢測器和AdaBoost 算法的方法，方法框架可以分為以下三大部分: 第一部分，使用Harr-like特征表示人臉，使用“ 積分圖”實(shí)現(xiàn)特征數(shù)值的快速計(jì)算;第二部分，使用Adaboost算法挑選出一些最能代表人臉的矩形特征(弱分類器)，按照加權(quán)投票的方式將弱分類器構(gòu)造為一個(gè)強(qiáng)分類器;第三部分，將訓(xùn)練得到的若干強(qiáng)分類器串聯(lián)組成一個(gè)級聯(lián)結(jié)構(gòu)的層疊分類器，級聯(lián)結(jié)構(gòu)能有效地提高分類器的檢測速度。
總結(jié)
自20世紀(jì)50年代以來，模式識別在人工智能興起后不久就迅速發(fā)展成一門學(xué)科。它所研究的理論和方法在很多科學(xué)和技術(shù)領(lǐng)域得到廣泛重視，推動(dòng)了人工智能系統(tǒng)的發(fā)展，擴(kuò)大了計(jì)算機(jī)應(yīng)用的可能性。
經(jīng)過多年的研究和發(fā)展，模式識別技術(shù)已廣泛被應(yīng)用于人工智能、計(jì)算機(jī)工程、機(jī)器學(xué)、神經(jīng)生物學(xué)、醫(yī)學(xué)、偵探學(xué)以及高能物理、考古學(xué)、地質(zhì)勘探、宇航科學(xué)和武器技術(shù)等許多重要領(lǐng)域，如語音識別、語音翻譯、人臉識別、指紋識別、手寫體字符的識別、工業(yè)故障檢測、精確制導(dǎo)等。模式識別技術(shù)的快速發(fā)展和應(yīng)用大大促進(jìn)了國民經(jīng)濟(jì)建設(shè)和國防科技現(xiàn)代化建設(shè)。
