关于学习了解模式识别技术报告.docx

关于学习了解模式识别技术报告.docx

《关于学习了解模式识别技术报告.docx》由会员分享，可在线阅读，更多相关《关于学习了解模式识别技术报告.docx（10页珍藏版）》请在冰豆网上搜索。

关于学习了解模式识别技术报告

关于学习了解模式识别技术报告

关于了解学习模式识别技术报告

谈起模式识别，我们首先想到的是人工智能。

模式识别是人工智能的一个分支，是计算机应用内容的一部分。

要想了解学习模式识别，首先要懂得人工智能。

第一篇人工智能

什么是人工智能呢？

人工智能主要用人工的方法和技术，模仿，延伸和扩展人的智能，实现机器智能。

人工智能的长期目标是实现达到人类智力水平的人工智能。

（摘自《人工智能》史忠植编著，第一章绪论）

简单来说就是使机器拥有类人行为方法，类人思维方法和理性行为方法。

让机器像人一样拥有自主思维的能力，拥有人的生存技能，甚至在某方面超过人类，用所拥有的技能，更好的为人类服务，解放人类的双手。

简单了解了人工智能的概念，接下来将介绍人工智能的起源与发展历史。

说到历史，很多人可能有点不大相信。

人类对智能机器的梦想和追求可以追溯到三千多年前。

也许你会有疑问，三千多年前，人类文明发展都不算成熟，怎么可能会有人对机器有概念。

当然，那时候的机器并非现在的机器概念。

在我国，早在西周时代（公元前1066~公元前771年），就流传有关巧匠偃师献给周穆王艺伎的故事。

东汉（公元25~公元220年）张衡发明的指南车是世界上最早的机器人雏形。

（摘自《人工智能》史忠植编著，第一章绪论）现在你也许已经笑掉大牙了。

那样一个简易工具竟然说是机器人雏形。

但是事实就是这样，现在对机器人的概念依旧模糊，有些人觉得机器人必须先有像人一样的外形。

其次是有人一样的思维。

这个描述是没有错的，但是有点片面了，只顾及到字面意思了。

机器人的概念是自动执行工作的机器装置。

所以机器可以自动执行工作都叫机器人。

在国外也有案例：

古希腊斯吉塔拉人亚里士多德（公元前384年~公元前322年）的《工具论》，为形式逻辑奠定了基础。

布尔创立的逻辑代数系统，用符号语言描述了思维活动中推理的基本法则，被后世称为“布尔代数”。

这些理论基础对人工智能的创立发挥了重要作用。

（摘自《人工智能》史忠植编著，第一章绪论）人工智能的发展历史，可大致分为孕育期，形成期，基于知识的系统，神经网络的复兴和智能体的兴起。

具体时期的主要内容在此不必赘述。

人工智能究竟是研究什么的呢？

知道了概念，起源，我想更想知道的应该是它对我们自己究竟有什么用。

人工智能是一门新兴的边缘科学，是自然科学和社会科学的交叉学科，它吸取了自然科学和社会科学的最新成果，以只能为核心，形成了具有自身研究特点的新的体系。

人工智能的研究涉及广泛的领域，包括知识表示，搜索技术，机器学习，求解数据和知识不确定问题的各种方法等。

人工智能的应用领域包括专家系统，博弈，定理证明，自然语言理解，图像理解和机器人等。

人工智能也是一门综合性的学科，它是在控制论，信息论和系统论的基础上诞生的，涉及哲学，心理学，认知科学，计算机科学，数学以及各种工程学方法，这些学科为人工智能的研究提供了丰富的知识和研究方法。

（摘自《人工智能》史忠植编著，第一章绪论）具体内容为：

1.认知建模，人类的认知过程是非常复杂的，建立认知模型和技术常称为认知建模，目的是为了从某些方面探索和研究人的思维机制，特别是人的信息处理机制，同时也为设计相应的人工智能系统提供新的体系结构和技术方法；

2.知识表示，人类的智能活动过程主要是一个获得并运用知识的过程，知识是智能的基础。

人们通过实践，认识到客观世界的规律性，经过加工整理，解释，挑选和改造而形成知识。

为了使计算机具有智能功能，使它能模拟人类的智能行为，就必须使他具有适当形式表示的知识。

知识表示是人工智能中一个十分重要的研究领域。

3.自动推理，从一个或几个已知的判断（前提）逻辑地推论出一个新的判断（结论）的思维形式称为推理，这是事物的客观联系在意识中的反映。

自动推理是知识的使用过程，人解决问题就是利用以往的知识，通过推理得出结论。

自动推理是人工智能研究的核心问题之一。

4.机器学习，机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

只有让计算机系统具有类似人的学习能力，才有可能实现人类水平的人工智能。

机器学习是人工智能研究的核心问题之一，是当前人工智能理论研究和实际应用非常活跃的研究领域。

在人工智能研究方面，不仅仅有众多的类别，同时有不同的研究学派。

其中有:

符号主义学派，连接主义学派，行为主义学派。

符号主义学派，亦称为功能模拟学派。

主要观点认为智能活动的基础是物理符号系统，思维过程是符号模式的处理过程。

该学派指出：

展现一般智能行为的物理系统其充要条件是它是一个物理符号系统。

充分性表明智能可以通过任意合理组织的物理符号系统来得到。

必要性表明一个由一般智能的主体必须是一个物理符号系统的一个实例。

物理符号系统假设的必要性要求一个智能体，不管它是人，外星人还是计算机，都必须通过在符号结构上操作的物理实现来获得智能。

连接主义学派，亦称为结构模拟学派，基于神经元和神经网络的连接机制和学习算法。

这种研究方法能够进行非程序的，可适应环境变化的，类似人类大脑风格的信息处理方法的本质和能力，这种学派的主要观点认为，大脑是一切智能活动的基础，因而从大脑神经元及其连接机制出发进行研究，搞清楚大脑的结构以及它进行信息处理的过程和机理，渴望揭示人类智能的奥秘，从而真正实现人类智能在机器上的模拟。

行为主义学派，亦称为模拟学派，认为智能行为的基础是“感知-行动”的反应机制。

基于智能控制系统的理论，方法和技术，研究拟人的智能控制行为。

上述三种研究方法从不同的侧面研究了人的自然智能，与人脑的思维模型有着对应的关系。

粗略额的划分，可以认为符号主义研究抽象思维，连接主义研究形象思维，而行为主义研究感知思维。

研究人工智能的三大学派，三条途径各有所长，要取长补短，综合集成。

最为重要的莫过于人工智能的应用，当前，几乎所有的科学与技术的分支都在共享着人工智能领域所提供的理论和技术。

在这里将列举一些人工智能经典的，有代表性和有重要影响的应用领域。

1.专家系统

专家系统是一类具有专门知识和经验的计算机智能程序系统通过对人类专家的问题求解能力的建模，采用人工智能中的知识表示和知识推理技术来模拟通常有专家才能解决的复杂问题，达到具有与专家同等解决问题能力的水平。

（摘自《人工智能》史忠植编著，第一章绪论）

2.数据挖掘

数据挖掘是人工智能领域中一个令人激动的成功应用它能够满足人们从大量数据中挖掘出隐含的，未知的，有潜在价值的信息和知识的要求。

对数据而言，在他的特定工作或生活环境里，自动发现隐藏在数据内部的，可被利用的信息和知识。

要实现这些目标，需要有大量的原始数据，明确的挖掘目标，相应的领域知识，友善的人-机界面，以及寻找合适的开发方式。

挖掘结果共数据拥有者决策使用，必须得到拥有者的支持，认可和参与。

（摘自《人工智能》史忠植编著，第一章绪论）

3.自然语言处理

自然语言处理研究计算机通过人类熟悉的自然语言与用户进行听，说，读，写，等交流技术，是一门与语言学，计算机科学，数学，心理学和声学等学科相联系的交叉性学科。

自然语言处理研究内容主要包括：

语言计算（语音与音位，词法，句法，语义和语用等各个层面上的计算），语言资源建设（计算机词汇学，术语学，电子词典，语料库和知识本体等），机器翻译或机器辅助翻译，汉语和少数民族语言文字输入输出及其只能处理，中文手写和印刷体识别，中文语音识别及文语转换，信息检索，信息抽取与过滤，文本分类，中文搜索引擎和以自然语言为枢纽的多媒体检索等。

4.智能机器人

智能机器人是一种自动化时代的机器，具有相当大的“大脑”，具备一些人或生物相似的智能能力，如感知能力，规划能力，动作能力和协同能力，是一种具有高度灵活性的自动化机器。

随着人们对机器人技术智能化本质的认识的加深，机器人技术开始向人类活动的各个领域渗透。

结合这些领域的应用特点，人们发展了各式各样的具有感知，决策，行动和交互能力的特种机器人和各种智能机器。

（摘自《人工智能》史忠植编著，第一章绪论）

5.模式识别

模式识别是指对表征事物或现象的各种形式的信息进行处理和分析，以便对事物或现象进行描述，辨认，分类和解释过程。

模式是信息赖以存在和传递形式，诸如波普信号，图形，文字，物体的形状，行为的方式和过程的状态等都属于模式的范畴。

人们通过模式感知外部世界的各种事物或现象，这是获取知识，形成概念和作出反应的基础。

（摘自《人工智能》史忠植编著，第一章绪论）

6.分布式人工智能

分布式人工智能研究一组分布的，松散耦合的智能体如何运用他们的知识，技能和信息，为实现各自的或全局的目标协同工作。

20世纪90年代以来，互联网的迅速发展为新的信息系统，决策系统和知识系统的发展提供了极好的条件，它们在规模，范围和复杂程度上增加极快，分布式人工智能技术的开发与应用越来越成为这些系统成功的关键。

（摘自《人工智能》史忠植编著，第一章绪论）

7.互联网智能

如果说计算机的出现为人工智能的实现提供了物质基础，那么互联网的产生和发展则成为人工智能提供了更加广阔的空间，成为当今人类社会信息化的标志。

互联网已经成为越来越多的“数字图书馆”，人们普遍使用Google，XX等搜索引擎，为自己的日常工作和生活服务。

（摘自《人工智能》史忠植编著，第一章绪论）

8.博弈

博弈是人类社会和自然界中普遍存在的一种现象，如下棋，打牌，战争等。

博弈的双方可以是个人，群体，也可以是生物群或智能机器，各方都力图用自己的智慧获取成功或击败对方。

博弈过程可能产生惊人庞大的搜索空间。

要搜索这些庞大而且复杂的空间需要使用强大的技术来判断备择状态，探索问题空间，这些技术被称为启发式搜索。

博弈为人工智能提供了一个很好的实验场所，可以对人工智能的技术进行检验，以促进这些技术的发展。

（摘自《人工智能》史忠植编著，第一章绪论）

人工智能大的方面介绍暂且到此为止。

接下来重点介绍模式识别技术。

第二篇模式识别

模式识别已经成为当代高科技研究的重要领域之一，它已发展成为一门独立的新科学。

模式识别技术迅速扩展，已经应用在人工智能，机器人，系统控制，遥感数据分析，生物医学工程，军事目标识别等领域，几乎遍及各个学科领域，在国民经济，国防建设，社会发展的各个方面得到广泛应用，产生了深远的影响。

像前一篇一样我们先来介绍模式识别的概念。

模式识别就是机器识别，计算机识别或机器自动识别，目的在于让机器自动识别事物。

（摘自《模式识别与智能计算——MATLAB技术实现》杨淑莹著第1章模式识别概述）

识别是对各种事物或现象的分析，描述，判断。

模式识别是指在某些一定量度或观测基础上，把待识别模式划分到各自的模式中去，即根据模式的特性，将其判断为某一类。

（摘自《模式识别技术及其应用》杨帮华著第1章模式识别简介）

例如手写数字的识别，结果就是将手写的数字分到具体的数字类别中；智能交通管理系统的识别，就是判断是否有汽车闯红灯，闯红灯的汽车车牌号码；还有文字识别，语音识别，图像中物体识别，等等。

该学科研究的内容是使机器能做以前只能由人类才能做的事，具备人所具有对各种事物与现象进行分析，描述与判断的部分能力。

模式识别是直观的，无所不在的，实际上人类在日常生活的每个环节，都从事着模式识别的活动。

人和动物较用意做到的模式识别，但对计算机来说确实非常困难的。

让机器能识别，分类，就需要研究识别的方法，这就是这门科学的任务。

模式识别的基本组成：

（1）数据获取；

用计算机可以运算的符号来表示所研究的对象，这些可表示的符号包括：

二维图像，如文字，指纹，地图，照片等；一维波形，如脑电图，心电图，机械振动波形等；物理参量和逻辑值，如体温，化验数据，参量正常与否的描述。

（2）预处理；

去除信号中噪声，提取有用信息，使信息纯化，或者是对输入测量仪器或其他因素所造成的退化现象进行复原。

预处理这个环节内容很广泛，与要解决的具体问题有关，例如，从图像中汽车车牌的号码识别出来，就需要先将车牌从图像中找出来，再对车牌进行划分，将每个数字分别划分开。

（3）特征提取和选择；

要对预处理信号进行交换，得到最能反映分类本质的特征。

同时，对特征进行必要的降维处理，将维数较高的测量空间转换到维数较低的特征空间，对所获取的信息实现从测量空间到特征空间的转换。

（4）分类器设计和决策。

分类器设计是指依据特定空间分布，设计及决定分类器的具体参数。

主要是指对输入的训练样本，进行预处理，特征提取及选择，在样本训练基础上，确定某判决规划规则或判决函数，使得按这种规则对被识别对象进行分类，所造成的错误识别率最小或引起的损失最小，在设计阶段判决函数需要多次反复进行，直到误差达到一定条件。

分类决策是指依据分类器设计阶段建立的预处理，特征提取与选择及判决函数模型，对获取的未知样本数据进行分类识别，把被识别对象归为某一类，输出分类结果

模式识别的特点：

（1）模式识别是用机器模仿大脑的识别过程，设计很大的数据集合，并自动地以高速度做出决策。

（2）模式识别不像纯数学，而是抽象加上实验的一个领域。

他的这个性质常常导致不平凡的和比较成效的应用，而应用又促进进一步的研究和发展。

由于它和应用的关系密切，因此它又被认为是一门工程学科。

（3）学习（自适应性）是模式识别的一个重要的过程和标志。

但是，编制学习程序比较困难，而有效地消除这种程度中的错误更难，因为这种程序是有智能的。

（4）同人的能力相比，现有的模式识别能力仍然是相当薄弱的（对图案和颜色的识别除外），机器通常不能应付大多数困难问题。

采用交互式别法可以在较大程度上克服这一困难，当机器不能做出一个可靠的决策时，它可以求助于操作人。

（摘自《模式识别技术及其应用》杨帮华著第1章模式识别简介）

模式识别的主要方法：

1.统计决策法

（1）参数方法。

主要以贝叶斯决策准则为指导。

其中最小错误率和最小风险贝叶斯决策是最常用的两种方法。

（2）非参数方法。

沿参数方法这条路走就要设法获取样本统计分布的资料，要知道先验概率，类分布概率密度函数等。

然而在样本数目不足条件下要获取准确的统计也是困难的。

这样一来人们考虑走另一条道路，即根据训练样本集提供的信息，直接进行分类器设计。

这种方法绕过统计分布状况的分析和参数估计，而企图对特征空间实行划分，称为非参数判别分类法，即不依赖统计参数的分类法。

这是当前模式识别中主要使用的方法，并且涉及人工神经元网络与统计学习理论等多方面。

2.结构模式识别

结构模式识别是利用模式的结构描述与句法描述之间的相似性对模式进行分类。

每个模式由它的各个子部分（称为子模式或模式基元）的组合来表示。

对模式的识别常以句法分析的方式进行，即依据给定的一组句法规则来剖析模式的结构。

当模式中每一个基元被辨认后，识别过程就可通过执行语法分析来实现。

选择合适的基元是结构模式识别的关键。

3.模糊模式识别

所谓的模糊模式识别就是解决模式识别问题时引入模糊逻辑的方法或思想。

同一般的模式识别方法相比较，模糊模式识别具有客体信息表达更加合理，信息利用充分，各种算法简单灵巧，识别稳定性好，推理能力强的特点。

4.人工神经网络模式识别

模拟动物神经系统的某些功能，采用软件或硬件的办法，建立了许多以大量处理单元为结点，处理单元间实现（加权值的）互联的拓扑网络，进行模拟，称之为人工神经网络。

这种方法可以看作是对原始特征空间进行非线性变换，产生一个新的样本空间，使得变换后的特征线性可分。

同传统统计方法相比，其分类器是与概率分布无关的。

人工神经网络的主要特点在于其具有信息处理的并行性，自组织和自适应性，具有很强的学习能力和联想功能以及容错性能等，在解决一些复杂的模式识别问题中显示出其独特的优势。

模式识别的典型应用和发展：

1.文字识别

目前，汉字输入主要分为人工键盘输入和机器自动识别输入两种。

其中人工键入速度慢而且劳动强度大；自动输入又分为汉字识别输入及语音识别输入。

从识别技术的难度来说，手写识别的难度高于印刷体识别，而在手写识别中，脱机手写体的难度又远远超过了联机手写识别。

到目前为止，除了脱机手写体数字的识别已有实际应用外，汉字等文字的脱机手写体识别还处在实验室阶段。

2.语音识别

语音识别技术所涉及的领域包括信号处理，模式识别，概率论和信息论，发声机理和听觉机理，人工智能等。

3.指纹识别

指纹识别的方法有很多，大致可以分为四类：

基于神经网路地方法，基于奇异点的方法，语法分析地方法和其他方法。

4.细胞识别

基于图像区域特征，利用计算机技术对显微细胞图像进行自动识别越来越受到大家的关注，并且现在也获得了不错的效果。

5.医学诊断

在癌细胞检测，X射线照片分析，血液化验，血液分析，染色体分析，心电图诊断和脑电图诊断等方面，模式识别已取得了成效。

6.军用目的的自动识别

如雷达探测目标的自动识别，自动跟踪，卫星照片的自动识别等。

7.生物认证技术

生物认证技术是21世纪最受关注的安全认证技术之一，它的发展是大势所趋。

人们愿意忘掉所有的密码，扔掉所有的磁卡，凭借自身的唯一性标识身份与保密。

8.数字水印技术

IDC预测，数字水印技术在未来的5年内全球市场规模超过80亿美元.

模式识别的发展，模式识别是一个交叉，综合的科学技术领域，不仅与其他信息学科而且还包括数理科学，生命科学，地球科学，工程与材料科学，管理科学，环境科学的相互作用和渗透越来越高，其科学界限很可能随着发展而逐渐模糊。

其发展离不开应用和工程，离不开国家目标。

因此，其科学技术内涵与外延应该与时俱进，更新和扩展，研究的方向与内容应该更具有综合性，交叉性，更强调国家目标的实现，解决国家急需的重大问题，重大关键技术攻关和社会发展中的科学技术难题和基础理论问题。

模式识别从20世纪20年代发展至今，人们的一种普遍看法是不存在对所有模式识别问题都适用的单一模型和解决问题的单一技术，我们现在拥有的只是一个工具袋，所要做的是结合具体问题把统计的和句法的识别结合起来，把统计模式识别或句法模式识别与人工智能中的启发式搜索结合起来，把人工神经网络与各种已有技术以及人工智能中的专家系统，不确定推理方法结合起来，深入掌握各种工具的效能和应有的可能性，互相取长补短，开创模式识别应用的新局面。

模式识别是一项全新的高科技的技术，我们实践团队虽然在了解这个技术做了很多努力，但是毕竟了解到的也只是皮毛而已。

在这个科技突飞猛进的时代，每天都更新着不同的技术，只有不断地去学习，才能适应这个社会，适应这个时代。

模式识别的了解学习报告暂时告一段落，接下来我们将进入中科院，采访专业人士，来解决我们的困惑。