机器学习笔记 - 简单了解模式识别

1、什么是模式识别？

在数据中寻找模式是一个有着悠久历史的问题。模式识别是一种数据分析方法，它使用机器学习算法自动识别数据中的模式和规律。这些数据可以是任何东西，从文本和图像到声音或其他可量化的数据。模式识别系统可以快速准确地识别熟悉的模式。他们还可以识别和分类不熟悉的物体，从不同角度识别形状和物体，并识别图案和物体。

2、模式识别的特点

模式识别从数据中学习。

即使部分可见，也能自动识别图案。

应该能够识别熟悉的模式。

应从不同的角度和形状识别图案。

3、模式识别系统

信息获取：由于计算机只能处理数字信号，计算机要获取模式信息就意味着要实现观察对象的数字化表达；机器通过各类传感器来获取信息，从而将光、图像、声音和其他非电信号转换为电信号；获取的信息可以是三维或二维的视觉信息，也可以是一维的声波、心电图、脑电图等，还可以是一些物理量与逻辑值等。

预处理：在得到模式的数字化表达后，需要对它进行预处理，以便去除或减小噪声的影响，突出有用信息；对于图像，可采用二值化、图像平滑、变换、增强、恢复、滤波、几何校正等数字图像处理技术对其进行预处理。

特征提取和选择：它的任务是在测量空间中，通过对原始数据进行相应的变换，获得在特征空间最能反映分类本质的特征。通常用于描述模式性质的特征很多，需要从一组特征中挑选一些最有效的特征以降低特征空间的维数，即进行特征选择。

分类器或聚类及后处理过程：分类器主要包括分类器设计和分类决策两部分，其中，分类器设计通过样本训练来确定判决规则，并把判决规则变成后续分类决策的标准，实现对目标对象的识别和分类；聚类是在非监督模式下对样本数据按照一定的方法进行分析；后处理过程则主要是结果解释，即根据专业知识来分析聚类结果的合理性，并对聚类做出解释。

4、机器学习和模式识别

ML 是在没有明确编程的情况下从数据中学习的一个方面，它本质上可能是迭代的，并且随着它不断执行任务而变得准确。ML 是模式识别的一种形式，基本上是训练机器识别模式并将其应用于实际问题的想法。ML 是一种可以从数据中学习并不断更新自身以更好地执行的功能，但是，模式识别不会学习问题，但是可以通过编码来学习模式。模式识别被定义为基于从模式中获得的统计信息的数据分类。

模式识别在机器学习试图实现的任务中发挥着重要作用。同样，人类通过识别模式来学习。模式不同于视觉模式、声音模式、信号、天气数据等。可以开发 ML 模型以使用统计分析来理解模式，从而进一步对数据进行分类。结果可能是一个可能值或取决于数据出现的可能性。

5、模式识别系统的设计

设计一套成熟的模式识别系统往往需要5个步骤：确定检测器、特征选择、分类器选择、分类器训练和功能评估。

第一步：确定检测器，即选择一个能够在复杂景物中分离各物体图像的景物分割算法。

第二步：特征选择，即选择可以最好地辨别物体大小、形状等属性，以及度量这些属性的方法。

第三步：分类器选择，即选择分类算法和所使用的分类器结构。

第四步：分类器训练，即确定分类器中各种发生变化的参数并使其适应被分类的物体。

第五步：功能评估，即估计系统在使用时可能存在的分类错误率。

案例：人脸识别

下面图片来源：模式识别的发展及应用_此时@此刻的博客-CSDN博客_模式识别应用

5、模式识别的常见应用

机器视觉：
机器视觉系统通过摄像头捕获图像并对其进行分析以产生对图像对象的描述。

计算机辅助诊断 (CAD)：
        CAD 有助于帮助医生做出诊断决定。计算机辅助诊断已应用于医学领域，如 X 射线、心电图、超声图像等。
        语音识别：
        此过程识别语音信息。在此，该软件围绕一个模式识别系统构建，该系统识别口语文本并将其翻译成显示在屏幕上的 ASCII 字符。在此我们也可以识别说话者的身份。
        字符识别：
        此应用程序可识别字母和数字。在此，光学扫描图像作为输入提供，字母数字字符作为输出生成。它的主要含义是自动化和信息处理。它还用于页面阅读器、邮政编码、车牌识别等。
        制造：
        在这种情况下，结构光、激光、立体等 3-D 图像作为输入提供，因此我们可以识别对象。
        指纹识别：
        在这种情况下，输入图像是从指纹传感器获得的，通过这种技术可以获得各种指纹类别，我们可以识别指纹的所有者。
        工业自动化：
        在此我们提供产品的强度或范围图像，并由此识别有缺陷或无缺陷的产品。