模式識別的基本流程

乙個模式識別系統的工作流程包含以下任務:

1 模式採集

模式識別研究的是計算機識別，因此事物所包含的各種資訊必須通過採集轉換成計算機能接受和處理的資料。對於各種物理量，可以通過感測器將其轉換成電訊號，再由訊號變換部件對訊號的形式、量程等進行變換，最後經a/d取樣轉換成對應的資料值。

2 預處理

經過模式採集獲得的資料量，是待識別樣本的原始資訊，其中可能包含大量的干擾和無用資料。預處理環節通過各種濾波降噪措施，降低干擾的影響，增強有用的資訊，在此基礎上，生成在分類上具有意義的各種特徵。

特徵生成的方法和思路與待解決的模式識別問題和所採用的模式識別方法密切相關，例如對影象資料，如果要識別的是場景的型別，顏色和紋理特徵就很有用；如果要識別出包含的人臉是誰，那麼人臉輪廓和關鍵點特徵就很重要。

預處理生成的特徵可以仍然用數值來表示，也可以用拓撲關係、邏輯結構等其他形式來表示，分別用於不同的模式識別方法。

3 特徵提取

通常情況下，經過模式採集和預處理獲得的模式特徵數量是很大的，這給分類器的設計和分類決策都帶來了效率和準確率兩方面的負面影響。因此，從大量的特徵中選取出對分類最有效的有限的特徵，降低模式識別過程的計算複雜度，提高分類準確性，是特徵選取環節的主要任務。

特徵選取的方法主要包括特徵選擇和特徵提取。特徵選擇是從已有的特徵中選擇一些特徵，拋掉其他特徵，特徵提取是對原始的高維特徵對映變換，生成一組維數更少的特徵。兩種方法雖然不同，但目的都是為了降低特徵的維度，提高所選取的特徵對分類的有效性。

4 分類器設計

分類器設計過程就是分類器學習的過程。分類器設計是由計算機根據樣本的情況自動進行的，可分為有監督學習和無監督學習。

有監督學習是指用於分類器學習的樣本已經分好了類，具有類別標籤，分類器知道那些樣本是屬於哪些類的，由此它可以學習到屬於某類的樣本都具有哪些共同的特徵，從而建立起分類決策規則。

無監督學習是指用於分類器學習的樣本集沒有分好類，分類器自主地根據樣本與樣本之間的相似程度來將樣本集劃分成不同的類別，在此基礎上建立分類決策規則。

5 分類決策

分類決策是對待分類的樣本按照已建立起來的分類決策規則進行分類，分類的結果要進行評估。