模式识别相关资料(doc 8页)
模式识别聚类分析
x1 ,
(
( x1
x2旳值。可用下列递推
k ) xi ) /( N1(k ) 1)
x(k 1) 2
(k)
x2
(k)
(x2
xi
)
/(
N
(k 2
)
1)
x1 (k ) , x2 (k )是第k步对分时两类均值,
x1(k 1) , x2(k 1)是下一次对分时把xi从G1(k )
划到G2(k)时的两类均值
所以x1 Z1(1)
再继续进行第二，第三次迭代… 计算出 E(2) , E(3) , …
次数 1 2 3 4 5 6 7 8 9
10 11
G1 G2
x21 x20 x18 x14 x15 x19
x11 x13 x12 x17 x16
E值 56.6 79.16 90.90 102.61 120.11 137.15 154.10 176.15 195.26 213.07 212.01
Ni为第i类的样本数.
离差平方和增量：设样本已提成ωp,ωq两类， 若把ωp,ωq合为ωr类，则定义离差平方：
Dp2q Sr (S p Sq )
其中S p , Sq分别为 p类于q类的离差平方和, S r为 r 类的离差平方和
增量愈小，合并愈合理。
聚类准则
Jw Min
类内距离越小越好 类间距离越大越好
体积与长，宽，高有关；比重与材料，纹理，颜 色有关。这里低、中、高三层特征都有了。
措施旳有效性
特征选用不当 特征过少 特征过多 量纲问题
主要聚类分析技术
谱系法（系统聚类，层次聚类法） 基于目旳函数旳聚类法（动态聚类） 图论聚类法 模糊聚类分析法
2.2模式相同度度量
模式识别--第二讲 线性分类器
第 1 页第二讲 线性分类器一、 判别函数1、 决策论方法在模式识别中，如果根据模式特征信息，按照决策论的思路，以一定的数量规则来采取不同的分类决策，将待识别的模式划分到不同的类别中去，就称为模式识别的决策论方法。
在决策论方法中，特征空间被划分成不同的区域，每个区域对应一个模式类，称为决策区域（Decision Region ）。
当我们判定待识别的模式位于某个决策区域时，就判决它可以划归到对应的类别中。
图1 决策区域需要注意的是：决策区域包含模式类中样本的分布区域，但不等于模式类的真实分布范围。
2、 判别函数如果特征空间中的决策区域边界（Decision Boundary ）可以用一组方程0)( x i G来表示，则将一个模式对应的特征向量x 代入边界方程中的)(x i G ，确定其正负符号，就可以确定该模式位于决策区域边界的哪一边，从而可以判别其应当属于的类别，)(x i G 称为判别函数（Discriminant Function ）。
判别函数的形式可以是线性的（Linear ）或非线性（Non-linear）的。
第 2 页例如图2就显示了一个非线性判别函数，当G (x )>0时，可判别模式x ∈ω1；当G (x )<0时，可判别x ∈ω2。
图2 非线性判别函数非线性判别函数的处理比较复杂，如果决策区域边界可以用线性方程来表达，则决策区域可以用超平面（Hyperplane ）来划分，无论在分类器的学习还是分类决策时都比较方便。
例如图3中的特征空间可以用两个线性判别函数来进行分类决策：当G 21(x )>0且G 13(x )>0时，x ∈ω2； 当G 13(x )<0且G 21(x )<0时，x ∈ω3； 当G 21(x )<0 且 G 13(x )>0时，x ∈ω1；当G 21(x )>0且G 13(x )<0时，x 所属类别无法判别。
模式识别(国家级精品课程讲义).ppt
为若干子集， m类就有m个子集，然后根据择近原 则分类。
29
1.1 概述－模式识别的基本方法
理论基础：模糊数学 主要方法：模糊统计法、二元对比排序法、推理法、
模糊集运算规则、模糊矩阵 主要优点：
由于隶属度函数作为样本与模板间相似程度的度量， 故往往能反映整体的与主体的特征，从而允许样本有 相当程度的干扰与畸变。 主要缺点： 准确合理的隶属度函数往往难以建立，故限制了它的 应用。
式中，p(xi )是 X 的第 i 个分量的 边缘
密度。随机矢量 X 的均值矢量 的各
分量是相应的各随机分量的均值。
47
1.3 随机矢量的描述
(二)随机矢量的数字特征：
⑵ 条件期望
在模式识别中，经常 以类别 i 作为条件，在这
种情况下随机矢量 X 的条件期望矢量定义为
i E[ X | i ] X n xp(x | i )dx
34
1.1 概述－模式识别的发展简史
1929年 G. Tauschek发明阅读机 ，能够阅 读0-9的数字。
30年代 Fisher提出统计分类理论，奠定了 统计模式识别的基础。
50年代 Noam Chemsky 提出形式语言理论— —傅京荪提出句法/结构模式识别。
60年代 L.A.Zadeh提出了模糊集理论，模糊 模式识别方法得以发展和应用。
模式(Pattern)：对客体（研究对象）特征的描 述（定量的或结构的描述），是取自客观世界 的某一样本的测量值的集合（或综合）。
概念
特征(Features)：能描述模式特性的量（测
量值）。在统计模式识别方法中，通常用一
个矢量
x
模式识别与机器学习 复习资料 温雯 老师
温雯
一些需要提及的问题
温雯 广东工业大学 计算机学院 23
温雯
广东工业大学
计算机学院
21
温雯
广东工业大学
模式识别系统的复杂性 – An Example
“利用光学传感器采集信息，对 传送带上的鱼进行种类的自动 区分” Fish Classification: Sea Bass / Salmon
一个例子
将鲈鱼与三文鱼进行区分 问题归纳（抽象而言） • 模式识别系统 • 设计流程
Preprocessing involves:
广东工业大学 计算机学院 28
Overlap in the histograms is small compared to length feature 温雯 广东工业大学 计算机学院
27
温雯
判定边界
错误分类的代价
模型的复杂度
Generalization (推广能力）
Partition the feature space into two regions by finding the decision boundary （判定边界）that minimizes the error.
Optical Character Recognition (typography)
A v t u I h D U w K
一种新的人机交互系统 你，从中看到模式识别吗？
Vision
模式识别的含义及其主要理论
模式识别的含义及其主要理论（实用版）编制人：__________________审核人：__________________审批人：__________________编制单位：__________________编制时间：____年____月____日序言下载提示：该文档是本店铺精心编制而成的，希望大家下载后，能够帮助大家解决实际问题。
文档下载后可定制修改，请根据实际需要进行调整和使用，谢谢!并且，本店铺为大家提供各种类型的实用资料，如职业道德、时事政治、政治理论、专业基础、说课稿集、教资面试、综合素质、教案模板、考试题库、其他资料等等，想了解不同资料格式和写法，敬请关注!Download tips: This document is carefully compiled by this editor.I hope that after you download it, it can help you solve practical problems. The document can be customized and modified after downloading, please adjust and use it according to actual needs, thank you!In addition, this shop provides you with various types of practical materials, such as professional ethics, current affairs and politics, political theory, professional foundation, lecture collections, teaching interviews, comprehensive qualities, lesson plan templates, exam question banks, other materials, etc. Learn about different data formats and writing methods, so stay tuned!模式识别的含义及其主要理论在心理学记忆的分类中，按照记忆内容保持的时间长短可以将记忆分成瞬时记忆、短时记忆和长时记忆，而在瞬时记忆的影响因素中我们常常会看到模式识别这一名词，这里主要来介绍一下模式识别的含义以及其相关理论。
模式识别基础实验报告资料
2015年12月实验一 Bayes 分类器的设计一、 实验目的：1. 对模式识别有一个初步的理解，能够根据自己的设计对贝叶斯决策理论算法有一个深刻地认识；2. 理解二类分类器的设计原理。
二、 实验条件：1. PC 微机一台和MATLAB 软件。
三、 实验原理：最小风险贝叶斯决策可按下列步骤进行：1. 在已知)(i P ω，)|(i X P ω，c i ,,1 =及给出待识别的X 的情况下，根据贝叶斯公式计算出后验概率：∑==c j jj i i i P X P P X P X P 1)()|()()|()|(ωωωωω c j ,,1 =2. 利用计算出的后验概率及决策表，按下式计算出采取i α决策的条件风险： ∑==c j j j i i X P X R 1)|(),()|(ωωαλα a i ,,1 =3. 对2中得到的a 个条件风险值)|(X R i α（a i ,,1 =）进行比较，找出使条件风险最小的决策k α，即：)|(min )|(,,1X R X R k c i k αα ==， 则k α就是最小风险贝叶斯决策。
四、 实验内容：假定某个局部区域细胞识别中正常（1ω）和非正常（2ω）两类先验概率分别为： 正常状态：)(1ωP =0.9；异常状态：)(2ωP =0.1。
现有一系列待观察的细胞，其观察值为x ：-3.9847 -3.5549 -1.2401 -0.9780 -0.7932 -2.8531-2.7605 -3.7287 -3.5414 -2.2692 -3.4549 -3.0752-3.9934 2.8792 -0.9780 0.7932 1.1882 3.0682-1.5799 -1.4885 -0.7431 -0.4221 -1.1186 4.2532)|(1ωx P )|(2ωx P 类条件概率分布正态分布分别为（-2，0.25）（2,4）。
决策表为011=λ(11λ表示),(j i ωαλ的简写)，12λ=6, 21λ=1，22λ=0。
模式识别习题及答案-精品资料
第一章绪论1 •什么是模式？具体事物所具有的信息。
模式所指的不是事物本身，而是我们从事物中获得的—信息__。
2. 模式识别的定义？ 让计算机来判断事物。
3. 模式识别系统主要由哪些部分组成？ 数据获取一预处理一特征提取与选择一分类器设计/分类决策。
第二章贝叶斯决策理论P ( W 2 ) / p ( w 1 ) _,贝V X1. 最小错误率贝叶斯决策过程？答：已知先验概率，类条件概率。
利用贝叶斯公式 得到后验概率。
根据后验概率大小进行决策分析。
2 .最小错误率贝叶斯分类器设计过程？答：根据训练数据求出先验概率P ( W i ), i类条件概率分布p ( x | W i ), i 1 , 2 利用贝叶斯公式得到后验概率P (W i | x)P(X | W j )P(W j )j 1如果输入待测样本 X ,计算X 的后验概率根据后验概率大小进行分类决策分析。
3. 最小错误率贝叶斯决策规则有哪几种常用的表示形式?决策规则的不同形式(董点)C1^ 如vr, | JV ) = max 戶(vr ] WJ A * U vtvEQ 如杲尹a H ; )2^(ir, ) = max |沪0輕』),则x e HpCx |=尸4 "J"匕< 4) 如!4i= — 1IL | /( JV )] = — 111 戸(兀 | w”. ) -+- 11111r a4. 贝叶斯决策为什么称为最小错误率贝叶斯决策？答：最小错误率Bayes 决策使得每个观测值下的条件错误率最小因而保证了 (平均)错误率最小。
Bayes 决策是最优决策：即，能使决策错误率最小。
5 .贝叶斯决策是 由先验概率和(类条件概率)概率，推导(后验概率)概率，然后利用这 个概率进行决策。
6.利用乘法法则和全概率公式证明贝叶斯公式p(AB) p(A|B)p(B) p(B|A)p(A)P (A」B )答：m所以推出贝叶斯公式p(B) p(B|Aj)p(Aj)j 17. 朴素贝叶斯方法的条件独立D (1P (x | W i ) P(W i )i i入)2P(x | W j ) P (w j )j 11 ,2P (x | W i )P(W i )如果 I (x)P(B |A i )P(AJ P ( B ) P ( B | A i ) P ( A i ) 7MP ( B | A j ) P ( A j )2假设是( P(x| 3 i) =P(x1, x2, …,xn | co i)19.=P(x1|3 i) P(x2| 3 i)…P(xn| 3 i))8•怎样利用朴素贝叶斯方法获得各个属性的类条件概率分布？答：假设各属性独立，P(x| 3 i) =P(x1, x2, …,xn |3 i) = P(x1| 3 i) P(x2| 3 i)P(xn| 3 i)后验概率：P( 3 i|x) = P( 3 i) P(x1|3 i) P(x2| 3 i)…P(xn| 3 i)类别清晰的直接分类算，如果是数据连续的，假设属性服从正态分布，算出每个类的均值方 差，最后得到类条件概率分布。
华南理工大学《模式识别》(本科)复习资料
华南理工大学《模式识别》复习资料CH1.【Pattern Recognition Systems】Data Acquisition & SensingMeasurements of physical variablesPre-processingRemoval of noise in dataIsolation of patterns of interest from the background (segmentation) Feature extractionFinding a new representation in terms of featuresModel learning / estimationLearning a mapping between features and pattern groups and categoriesClassificationUsing features and learned models to assign a pattern to a categoryPost-processingEvaluation of confidence in decisionsExploitation of context to improve performanceCombination of experts【Design Cycle】【Learning strategies】Supervised learningA teacher provides a category label or cost for each pattern in the training setUnsupervised learningThe systems forms clusters or natural grouping of the input patternsReinforcement learningNo desired category is given but the teacher provides feedback to the system such as the decision is right or wrong【Evaluation methods】Independent RunA statistical method, also called Bootstrap. Repeat the experiment "n" times independently, and take the mean as the result.Cross-validationDataset D is randomly divided into n disjoint sets Di of equal size n/m, where n is the number of samples in Di. Classifier is trained m times and each time with different set held out as a testing setCH2.【Bayes formula】【Bayes Decision Rule】【Maximum Likelihood (ML) Rule】When p(w1)=p(w2),the decision is based entirely on the likelihood p(x|wj) --> p(x|w)∝p(x|w)【Error analysis】Probability of error for multi-class problems:Error = Bayes Error + Added Error:【Lost function】Conditional risk(expected loss of taking action ai):Overall risk (expected loss):zero-one loss function is used to minimize the error rate 【Minimum Risk Decision Rule】【Normal Distribution】Multivariate Normal Density in d dimensions:【ML Parameter Estimation】【Discriminant function】【Decision boundary】CH3.【Normalized distance from origin to surface】【Distance of arbitrary point to surface】【Perceptron Criterion 】【Pseudoinverse Method】Problem:[[Exercise for Pseudoinverse Method]](2)【Least-Mean-Squared (Gradient Descent)】【Linear classifier for multiple Classes】【linearly separable problem】A problem whose data of different classes can be separated exactly by linear decision surface.CH4.【Perception update rule】(reward and punishment schemes)[[Exercise for perception ]]【Error of Back-Propagation Algorithm】Update rule for weight:【Weight of Back-Propagation Algorithm】The learning rule for the hidden-to-output units :The learning rule for the input-to-hidden units:Summary:【Training of Back-Propagation】Weights can be updated differently by presenting the training samples in different sequences.Two popular training methods:Stochastic TrainingPatterns are chosen randomly form the training set (Network weights are updated randomly)Batch trainingAll pattern are presented to the network before learning takes place【Regularization】【Problem of training a NN】Scaling inputTarget valuesNumber of hidden layers3-layer is recommended. Special problem: more than 3Number of hidden unitsroughly n/10Initializing weightsWeight decayStochastic and batch trainingStopped trainingWhen the error on a separate validation set reaches a minimum [[Exercise for ANN ]]forward pass：g=0.8385reverse pass: (learning rate=0.5)CH5.【Structure of RBF】3 layers:Input layer: f(x)=xHidden layer: Gaussian function Output layer: linear weight sum 【Characteristic of RBF】Advantage:RBF network trains faster than MLPThe hidden layer is easier to interpret than MLPDisadvantage:During the testing, the calculation speed of a neuron in RBF is slower than MLP[[Exercise for RBF ]]Solution:===>CH6.【Margin】* Margin is defined as the width that the boundary could be increased by before hitting a data point* The linear discriminant function (classifier) with the maximum margin is the best.* Data closest to the hyper plane are support vectors.【Maximum Margin Classification】* Maximizing the margin is good according to intuition and theory.* Implies that only support vectors are important; other training examples are ignorable.。
深度学习模式识别
深度学习模式识别深度学习是一种机器学习方法，其通过模拟人类神经系统的结构和功能来实现模式识别的任务。
深度学习模型是一个由多个神经网络层构成的堆叠结构，每一层都通过学习数据中的特征来提高模型在不同任务中的性能。
模式识别是指通过对已知模式的学习和推理，识别和分类未知模式的过程。
深度学习在模式识别中广泛应用，可以用于图像识别、语音识别、自然语言处理等领域。
在图像识别任务中，深度学习通过学习大量的图像样本，在多个神经网络层中提取并学习图像的特征。
深度学习模型使用卷积神经网络（CNN）作为基础架构，通过多次卷积、池化和全连接操作，逐渐提取图像的局部和全局特征。
最终，深度学习模型可以根据学到的特征来判断图像中的物体。
在语音识别中，深度学习使用循环神经网络（RNN）作为基础架构，通过学习语音信号的时序信息来识别语音中的语义内容。
RNN通过自反馈机制，将过去的信息传递到未来，从而能够捕获到语音信号的上下文信息。
深度学习模型通过多层RNN的堆叠，逐渐提取并学习语音信号的特征，最终实现对语音的准确识别。
在自然语言处理领域，深度学习通过循环神经网络和注意力机制（Attention）来实现语言模型、机器翻译、文本分类等任务。
深度学习模型可以通过学习大量的文本样本，来对词语和句子之间的关系进行建模，并根据上下文信息进行语义理解和推理。
深度学习在模式识别领域的成功得益于其强大的学习能力和自动特征提取能力。
相比传统的机器学习方法，深度学习能够通过对大规模数据进行端到端的学习，从而避免了手工设计特征的繁琐过程。
深度学习模型可以根据数据的分布来自动学习特征，并通过多层的非线性映射来提高模型的表示能力。
因此，深度学习在模式识别中取得了很多重大突破，为许多领域的应用提供了强大的支持。
总结起来，深度学习是一种基于神经网络的机器学习方法，通过模拟人脑的结构和功能来实现模式识别的任务。
深度学习模型可以通过学习大规模数据中的特征来提高模型在不同任务中的性能，为图像识别、语音识别、自然语言处理等领域的应用提供了强大的支持。
模式识别讲义精品PPT课件
最大最小距离法
该算法以欧氏距离为基础，首 先辨识最远的聚类中心，然后确 定其他的聚类中心，直到无新的 聚类中心产生。最后将样本按最 小距离原则归入最近的类。
几个算法的简单对比：
k均值和最大最小距离是聚类型算法 而K近邻和感知器属于分类，聚类和 分类
K-means算法缺点主要是： 1. 对异常值敏感 2. 需要提前确定k值
11
11
11 11
11
00
模式识别
-------几种聚类和分类算法的比较
1 11 01 11
110101110101
01
01
10
01
11
01
10
01
K均值算法
k均值算法是什么？
k均值算法也称为C-均值算法，是根据函数准则进行分类 的聚类算法，基于使聚类准则最小化。
依据课本的介绍，它是聚类集中每一个样本点到该聚类 中心的距离平方和。
MATLAB
运行结果
感知器算法
What:
感知器算法通过赏罚原则依据每次对训练集的训练不断修正 判别函数的权向量，当分类器发生错误分类的时候对分类器 进行“罚”,即对权向量进行修改，当感知器正确分类的时 候对分类器进行“赏”，对全向量不进行修改。这样经过迭 代计算后，通过训练集的训练得到最优的判别函数的权向量。
1 11 01 11
110101110101
01
01
10
01
11
01
10
01
代码实现 C语言:
参考数据:
1 11 01 11
110101110101
01
01
10
01
11
01
10
01
模式识别之虹膜特征提取及融合综述共33页文档
END
模式识别之虹膜特ห้องสมุดไป่ตู้提取及融合综述
51、山气日夕佳，飞鸟相与还。 52、木欣欣以向荣，泉涓涓而始流。
53、富贵非吾愿，帝乡不可期。 54、雄发指危冠，猛气冲长缨。 55、土地平旷，屋舍俨然，有良田美 池桑竹 之属， 阡陌交 通，鸡 犬相闻 。
16、业余生活要有意义，不要越轨。——华盛顿 17、一个人即使已登上顶峰，也仍要自强不息。——罗素·贝克 18、最大的挑战和突破在于用人，而用人最大的突破在于信任人。——马云 19、自己活着，就是为了使别人过得更美好。——雷锋 20、要掌握书，莫被书掌握；要为生而读，莫为读而生。——布尔沃
模式识别复习资料
（3）求R的特征值、特征矢量 的特征值、
| R − λI |= (25.4 − λ ) 2 − 252 = 0 ⇒ λ1 = 50.4, λ2 = 0.4 r r r 1 1 r 1 1 , t2 = Rt j = λ j t j , j = 1,2 ⇒ t1 = 1 2 2 − 1
解：利用Bayes公式 利用Bayes公式 Bayes p(x =阳| ω1)P(ω1) P(ω1 | x =阳 = )
p(x =阳 ) p(x =阳| ω1)P(ω1) = p(x =阳| ω1)P(ω1) + p(x =阳| ω2 )P(ω2 ) 0.95×0.005 = = 0.323 0.95×0.005 + 0.01×0.995
习题2.2 习题
给 定 x ， 做 出 α 1决 策 和 α 2 决 策 的 风 险 分 别 为 ： R (α 1 x ) = λ1 1 P (ω 1 x ) + λ1 2 P (ω 2 x ) R (α 2 x ) = λ 2 1 P ( ω 1 x ) + λ 2 2 P ( ω 2 x ) 最小风险的贝叶斯决策为：
患癌症者; 例：对一批人进行癌症普查，ω1 :患癌症者; 对一批人进行癌症普查， 正常人。 模式特征x= 化验结果), =1： ω2 :正常人。 模式特征x=x(化验结果),x=1： 阳性； =0：阴性。 阳性；x=0：阴性。 已知： 统计结果） 已知：（统计结果） 先验概率： )=0 先验概率：P(ω1)=0.005 )=1 )=0 P(ω2)=1-P(ω1)=0.995 条件概率： )=0 条件概率：p(x=阳|ω1)=0.95 )=0 p(x=阴|ω1)=0.05 )=0 p(x=阳|ω2)=0.01 呈阳性反映的人是否患癌症？ 求：呈阳性反映的人是否患癌症？
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
模式识别相关资料(doc 8页)
部门： xxx
时间： xxx
整理范文，仅供参考，可下载自行编辑
《模式识别导论》
姓名
班级
学号
成绩
1) A B
2) A B C 3)
2011年
阅读材料：（参考资料的阅读以下面的题目为导向，不需要细致的研读代码。
）
边肇祺、张学工编著《模式识别》第二版，第十五章
求是科技张宏林编著《Visual C++数字图像模式识别技术及工程实践》，第五、六、七、八章
题目：（请对问题一一作答。
解答要尽量表达明白、条理清楚。
不要求给出具体的代码实现。
）
1）汉字识别是与生活紧密相关的一种二维信号识别问题。
通过对上述材料的研读，同学们应该对模式识别方法如何应用于实际中、以及在实际应用中需要考虑哪些问题有了一些深入的认识。
问题：
A．一般解决模式识别问题有哪几个关键步骤？给出处理一般模式识别问题步骤的流程图。
B．以汉字识别为例，预处理步骤是哪些（举出3种）？汉字的哪些特性可以被提取作为模式特征（举出5种）？利用特征进行汉字识别分类时，要注意什么问题？有什么样的解决方法？一般可采取哪些判别准则进行分类？
2）工厂对打上来的鱼进行分类，不同种类的鱼处理方式不
同。
可是鱼的数量过大，人工分类不现实。
如何利用模式
识别的方法让计算机帮我们分类？
A．可能需要进行哪些预处理？你能想到哪些鱼类特性作
为分类特征？可以采取哪些对应的分类决策方法？
B．在分类过程中，可能会遇到分类算法错误率高、性能
不够鲁棒，你能想出什么方法有效解决？
C．文字说明一种你设计的、认为可以准确处理大多数鱼
类分类问题的分类算法，并写出算法流程图。
左图是利用传感器（如摄像机）对鱼类采样，以进行自动
分类的工厂流水线示意图。
3）人类具有很强的模式识别能力。
通过视觉信息识别文字、图片和周围的环境，通过听觉信息识别与理解语言。
模式识别能力是人类智能的重要组成部分。
今天，虽然人们可以利用计算机部分实现人的视觉，听觉等模式识别能力，但是相对于浩瀚的人类智能，今天的模式识别无论是在理论研究还是在应用水平上都仅仅只处于初级阶段。
请以“模式识别，让明天更美好”为题，设想2000年后，模式识别在理论上将会有那些突破，在应用中将会怎样深刻的影响人类的工作和生活。
要求：
a、体裁不限，字数不限，可以写成故事，小说或科技论文等等。
b、文章应建立在对现存模式识别的理论分析基础之上，通过分析统计模式识别的优点和
不足，设想2000年后模式识别将会得到怎样的发展。
c、设想2000年模式识别应用的时候，应尽可能全面地描述模式识别在人类生活和生产中
的应用，如在工业，生活，娱乐，医疗，通信，战争等等。
想象的翅膀能飞多远，就让它飞多远。
d、如果可以包含心理学，生理学，神经学，或数学，信息学等方面的描述更好。
解答：
1）
A ．解决模式识别问题的关键步骤：信息获取、预处理、特征提取和分类决策
处理一般模式识别问题步骤的流程图
B ．汉字识别与处理步骤：
1.书写倾斜的校正
2.笔画粗细的调整
3.消除干扰
模式特征：复杂指数、四边码、粗外围特征、粗网格特征和笔画密度特征
分类是要注意的几个问题：粗分类的正确分类率和分类稳定性要高、粗分类速度要快、
粗分类特征要简单、分类字典小、节约存储空间、粗分类方法要和细分类方法相协调
解决方法：1.采用复合特征的分类
2.多级分类
分类标准
（1）∑=-=m i i i g x
G x D 1),(
（2）()[]2/11)(),(∑---=G x G x G x D T
（3）相似度 2/112121)(),(⎥⎦
⎤⎢⎣⎡⋅⋅=⋅⋅=∑∑∑===m i i m i i m
i i i g x g x G x G x G x R
（4）符合相似度 0
002/1202*)(),(G G x
x G x R j j
=
⎥⎦⎤⎢⎣
⎡⋅=∑=φφ其中：
)
1(222111θφ+⎪⎪⎭⎫ ⎝⎛+=G G G G x x y G G x G G G G G G j j
2/1202020122122)(22,22,)
1(2⎥⎦⎤⎢⎣
⎡⋅===-⎪⎪⎭⎫ ⎝⎛-=∑=φθθφ
（5）混合相似度 2
/120220
2/12202),(),()()(),(⎥
⎦⎤⎢⎣⎡-⋅-=⎥⎦⎤⎢⎣
⎡⋅⋅-⋅=∑∑∑===+j j g j j
j g g j j
G G G G x
x x G x R φφφψμψμφ是常数，
其中，
2）
A.预处理：用图像分割技术将每条鱼从背景中分割出来
鱼的特征：体型，长度，宽度，身体颜色以及它的亮度，鱼鳍的个数，嘴巴的位置，尾部的形状
分类决策方法：需要考虑代价函数，分类过程中需要使得代价函数最小化。
1.Min（第1种鱼错分条数+第2种鱼错分条数+ +第n种鱼错分条数）
2.Min（第1种鱼错分条数）单价+ +第n种鱼错分条数单价
B．解决方法：
1.保留某些特征，除去其他特征，减少计算量
2.可以进行多分类器的后续处理
3.建立性能评价环节
C．分类算法：先用传感器来进行数据收集，然后通过图像分割技术进行预处理，把每一条鱼与背景分开来，之后进行特征提取，不应选取过多的特征，保留部分特征即可，可以减少计算量，下一步选择对应的模型进行训练，用特征向量进行分类，然后进行评价，确定是否欠训练或过度训练，最后可以进行计算复杂的分析，以改进分类算法。
算法流程图：。