pattern：一類事物的共同特徵 recognition：對事物進行分類
pattern recognition: 依據事物的特徵進行分類。
人臉識別，語音識別，翻譯，手勢識別，目標跟蹤
基本原理和主要演算法
掌握模式識別的基礎知識，分析設計模式識別的解決方法實現程式設計。
基礎性，實踐性，趣味性。
基本概念：訓練方法，特徵空間，緊緻性和可分性；
基本原理：分類與聚類，有監督和無監督，特徵降維
主要演算法：線性分類器，貝葉斯分類器，模糊模式識別，神經網路模式識別。
基本概念和基本原理學習——>主要演算法學習和程式設計練習——>專案分析、設計實現
理解模式識別的基本概念：特徵與特徵空間，有監督與無監督學習，禁止性，維數宅男，泛化能力，過擬合
理解模式識別的一般結構，並理解各個環節的主要任務。
了解模式識別演算法體系的全貌，理解演算法之間的邏輯關係
了解貫穿本課程的工程案例的主要任務和資料內容
能夠通過程式設計實現模組匹配演算法來解決簡單的模式識別問題。
向量空間：特徵作為向量空間中的乙個點，通過點與點之間的距離來定義分類，當今世界的統計模式識別就是通過這樣的方法來實現的。
集合空間：樣本的特徵不能通過向量空間來表示，構成集合，集合的分類不能通過距離來表示，則可通過結構和拓撲關係來關聯相似性。
分為兩種模式：有監督學習和無監督學習
有監督學習：類別標籤是人類給定的，從訓練中學習到具體的分類決策規則，有監督學習是認識的過程，即她的上限也就是人腦
無監督學習：人類沒有定義類別標籤，按照一些規則，將樣本進行分類，挖掘每一類的特徵，從而形成分類決策規則。
無監督學習能更好的具有更高的智慧型，也是未來識別技術發展的主要方向。
圖 1 無監督學習
圖 2 緊緻性
相似性度量，可設定多種指標，最常用的是距離指標，滿足以下三個條件：
正定性：距離是大於或等於0的正實數，當且僅當和自己計算時才為0.
對稱性：樣本之間的距離值和計算順序無關。
傳遞性：三角不等式
維度：維度越大，緊緻性就越好
維度不能無限增加，增加過大就會出現維度災難：導致維度災難的根本原因是：隨著維度的無限增加，問題就越往高維特的特徵空間影射，樣本集中的樣本本來就稀疏，從而導致樣本的緊緻性降低，分類器的效能反而越來越差。
圖 3 維數增加的後果
泛化能力：訓練好的分類器對於未知新樣本的識別能力稱為泛化能力
過擬合：由於過分追求訓練樣本中的分類正確性，導致分類器泛化能力降低，稱為分類器的過擬合
圖 4 模式識別系統
feature extraction: 對原始的高維資料進行對映變換，生成一組維數更少的特徵。
feature selection: 在已有的特徵中，選擇一些特徵，拋棄一些特徵。
圖 5 模式識別的演算法體系
圖 6
圖 7採用模板匹配演算法，輸入後，經過模式採集，預處理和特徵生成後，得到乙個784維的特徵向量，特徵向量與模板向量進行比較，通過歐氏距離決定所屬類別。
mnist 資料集簡介：national institute of standard and technology,在matlab深度學習模組有現成的
每張28*28均為單通道（灰度），包含784個資料點，每個資料點代表當前位置的灰度值，範圍0-255
模式識別 模式識別的概述（一）
模式和模式識別的概念 模式識別的發展簡史和應用 模式識別的主要方法 模式識別的系統和例項 幾個相關的數學概念 廣義地說，存在於時間和空間中可觀察的事物，如果我們可以區別他們是否相同或是否相似，都可以稱之為模式。模式所指的不是事物本身，而是從事物獲得的資訊，因此，模式往往表現為具有時間和空間分布的資訊...
什麼是模式識別，模式識別主要識別什麼？
模式識別誕生於20實際20年代，隨著40年代計算機的出現，50年代人工智慧的興起，模式識別在60年代初迅速發展成為一門學科。簡單點說，模式識別是根據輸入的原始資料對齊進行各種分析判斷，從而得到其類別屬性，特徵判斷的過程。為了具備這種能力，人類在過去的幾千萬年裡，通過對大量事物的認知和理解，逐步進化出...
什麼是模式識別，模式識別概念的基本介紹
模式識別又常稱作模式分類，從處理問題的性質和解決問題的方法等角度，模式識別分為有監督的分類 supervised classification 和無監督的分類 unsupervised classification 兩種。模式還可分成抽象的和具體的兩種形式。前者如意識 思想 議論等,屬於概念識別研究...