|
引自：《制造智能技术基础》（主编：张智海, 副主编：李冬妮、苏丽颖、张磊、贾旭杰、裴植、谢小磊）
「 1. 发展历史」
模式识别是一门研究模式分类理论和方法的学科，其中涉及数学、信息科学、计算机科学等多学科的交叉，同时也是一门应用性很强的学科，它在功能上可视为人工智能的一个分支，主要为智能系统实现机器智能提供理论和技术支持。模式识别是根据研究对象的特征或属性，利用以计算机运用一定的分析算法尽可能地符合真实认定它的类别。模式识别有着悠久的历史，在过去的几十年中发展非常迅速，它从统计模式识别理论和问题开始，到现在数据检索，表情识别，行为识别和人工智能中有着广泛的应用。模式识别的核心问题是如何让机器对多种模式进行合理的分类和识别，围绕这个问题，在模式识别的发展过程中产生了多种模式识别的理论和方法，较典型的模式识别理论包括统计模式识别、结构模式识别、模糊模式识别等。
1929年G.Tauschck发明阅读机能够阅读0～9的数字，就此拉开了模式识别的序幕，20世纪30年代Fisher提出统计分类理论，奠定了统计模式识别的基础。在20世纪50年代NoamChemsky提出形式语言理论，美籍华人付京孙提出句法结构模式识别。同时60年代L.A.Z提出了模糊集理论，模糊模式识别理论得到了较广泛的应用。因此，随着20世纪40年代计算机的出现以及50年代人工智能的兴起，人们希望能用计算机来代替或扩展人类的部分脑力劳动。来到60—70年代统计模式识别得到快速发展，由于被识别的模式愈来愈复杂，特征也愈多书就出现“维数灾难”，得益于计算机运算速度的迅猛发展，这个问题得到一定克服，但此时统计模式识别仍是模式识别的主要理论。以计算机为主导的模式识别也在迅速发展，新的理论和方法相继涌现。与此同时80年代Hopfield提出神经元网络模型理论，人工神经网络发展至今在模式识别和人工智能上得到较广泛的应用。进入20世纪90年代以来，新方法或改进算法大量涌出，在这些新出现的模式识别方法中，支持向量机识别方法、各种子空间分析方法、以隐马尔可夫模型为代表的随机场方法、以Adaboost为代表的集成学习方法最具代表性，同时模式识别也大规模地进如人们日常生活，如人脸识别、自动驾驶、医疗诊断、生物识别、雷达信号识别、智能交通系统和高技术武器系统等。
如今，模式识别技术已成功应用在工业、农业、国防、科研、公安，生物、医学、气象、天文学等许多领域。在进入大数据时代，智能化是当今时代科技发展的重要趋势之一，模式识别技术具备的智能化的信息处理能力将有更加广阔的用武之地，因此所需处理的模式对象和识别任务需求将随之快速增长。从广义上说模式识别属于人工智能的范畴，模式识别与人工智能都是研究让机器具有智能，即让机器做一些带“智能”的工作，但由于历史的原因二者已经形成了独立的学科，有其自身的理论和方法，尽管如今机器智能水平还远不如人脑，但随着模式识别理论以及其他相关学科的发展，可以预见它的功能将会越来越强，应用也会越来越广泛。
「 2. 基本概念与原理」
什么是模式呢？广义地说，存在于时间和空间中可观察的事物，如果可以区别它们是否相同或是否相似，都可以称之为模式。但模式所指的不是事物本身，而是我们从事物获取的信息。因此模式往往表现为具有时间或空间分布的信息。
人们在观察各种事物的时候，一般是从一些具体的个别事物或者很小一部分开始的，然后经过长期的积累，随着对观察到的事物或者现象的数量不断增加，就开始在人的大脑中形成一些概念，而这些概念是反映事物或者现象之间的不同或者相似之处，这些特征或者属性使人们对事物自然而然的进行分类。从而窥豹一斑，对于一些事物或者现象，不需要了解全过程，只需要根据事物或者现象的一些特征就能对事物进行认识。人脑的这种思维能力视为“模式”的概念。
模式识别就是识别出特定事物，然后得出这些事物的特征。识别能力是人类和其他生物的一种基本属性，根据被识别的客体的性质可以将识别活动分为具体的客体与抽象的客体两类。诸如字符、图像、音乐、声音等是具体的客体，它们刺激感官，从而被识别。而思想、信仰、言论等则是抽象的客体，这些属于政治、哲学的范畴。我们研究的主要是一些具体客体的识别，而且仅限于研究用机器完成识别任务有关的基本理论和实用技术。模式识别的目的就是利用计算机实现人的类识别能力，是对两个不同层次的识别能力的模拟。对信息的理解往往含有推理过程，需要专家系统，知识工程等相关学科的支持。
「 3. 模式识别系统」
一个典型的模式识别系统如下图所示，由数据获取、预处理、特征提取、分类决策及分类器设计五部分组成。一般分为上下两部分：上部分完成未知类别模式的分类；下半部分属于分类器设计的训练过程，利用样品进行训练，确定分类器的具体参数，完成分类器的设计。而分类决策在识别过程中起作用，对待识别的样品进行分类决策。
模式识别系统及识别过程
模式识别系统组成单元功能如下。
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，一般获取的数据类型有以下几种：
（1）二维图像：文字、指纹、地图、照片等。
（2）一维波形：脑电图、心电图、季节振动波形等。
（3）物理参量和逻辑值：体温、化验数据、参量正常与否的描述。
2）预处理
对输入测量仪器或其他因素所造成的退化现象进行复原、去噪声，提取有用信息。
3）特征提取和选择
对原始数据进行变换，得到最能反映分类本质的特征。将维数较高的测量空间(原始数据组成的空间)转变为维数较低的特征空间(分类识别赖以进行的空间)。
4）分类决策
在特征空间中用模式识别方法把被识别对象归为某一类别。
5）分类器设计
基本做法是在样品训练基础上确定判别函数，改进判别函数和误差检验。 | 
