发布时间 : 星期日 文章[模式识别]期末考试复习资料更新完毕开始阅读05997b8f770bf78a64295434
模式识别期末考试
题型：
1.填空题5题 2.名词解释4题 3.问答题4题 4.计算作图题3题 5.综合计算题1题
备注1：没有整理第一章和第六章，老师说不考的 备注2：非线性判别函数相关概念P69
概率相关定义、性质、公式P83以后 最小错误率贝叶斯决策公式P85 最小风险贝叶斯P86 正态贝叶斯P90
综合计算有可能是第六次作业
一、填空题
物以类聚人以群分体现的是聚类分析的基本思想。
模式识别分类：1.从实现方法来分模式识别分为监督分类和非监督分类；2.从理论上来分，有统计模式识别，统计模式识别，模糊模式识别，神经网络模式识别法
聚类分析是按照不同对象之间的差异，根据距离函数的规律做模式分类的。 模式的特性：可观察性、可区分性、相似性
模式识别的任务：一是研究生物体（包括人）是如何感知对象的，二是如何用计算机实现模式识别的理论和方法。
计算机的发展方向：1.神经网络计算机－－模拟人的大脑思维；2.生物计算机－－运用生物工程技术、蛋白分子作芯片； 3.光计算机－－用光作为信息载体，通过对光的处理来完成对信息的处理。 训练学习方法：监督学习、无监督学习（无先验知识，甚至类别数也未知）。
统计模式识别有：1.聚类分析法（ 非监督）；2.判决函数法/几何分类法(监督)；3.基于统计决策的概率分类法 - 以模式集在特征空间中分布的类概率密度函数为基础，对总体特征进行研究，以取得分类的方法 数据的标准化目的：消除各个分量之间数值范围大小对算法的影响 模式识别系统的基本构成：书P7
聚类过程遵循的基本步骤：特征选择；近邻测度；聚类准则；聚类算法；结果验证；结果判定。 相似测度基础：以两矢量的方向是否相近作为考虑的基础,矢量长度并不重要。 确定聚类准则的两种方式： 阈值准则，函数准则
基于距离阈值的聚类算法——分解聚类：近邻聚类法；最大最小距离聚类法
类间距离计算准则:1）最短距离法2）最长距离法 3）中间距离法4）重心法5）类平均距离法6）离差平方和法P24 系统聚类法——合并的思想
用于随机模式分类识别的方法，通常称为贝叶斯判决。 BAYES 决策常用的准则：最小错误率；最小风险
错误率的计算或估计方法：①按理论公式计算；②计算错误率上界；③实验估计。
填空题
1
模式识别期末考试
1.名词解释 相似性测度：衡量模式之间相似性的一种尺度 明氏距离：P17当m=2时，明氏距离为欧氏距离。当m=1时：绝对距离（ 曼哈顿距离 ）称为“街坊”距离 感知器算法：就是通过训练样本模式的迭代和学习，产生线性（或广义线性）可分的模式判别函数。 梯度：P59 感知器P227 模糊度P182 清晰性P182 含混性 近似性 随机性
》》》》》》》
模式：对客体（研究对象）特征的描述（定量的或结构的），是取自客观世界的某一样本的测量值的集合（或综合）。模式所指的不是事物本身，而是从事物获得的信息。
模式识别：确定一个样本的类别属性（模式类）的过程，即把某一样本归属于多个类型中的某个类型。 模式类：具有某些共同特性的模式的集合。
特征选择：在原始特征基础上选择一些主要特征作为判别用的特征。
特征提取：采用某种变换技术，得出数目上比原来少的综合特征作为分类用。
特征抽取：通过各种手段从原始数据中得出反映分类问题的若干特征（有时需进行数据标准化） 特征空间：进行模式分类的空间。
特征向量：用 n 维列向量来表示 一个（模式）样本，说明该样本具有 n 个数字特征 x= (x1 , x2 , ?, xn)T 常称之为特征向量。
人工智能：是研究如何将人的智能转化为机器智能，或者是用机器来模拟或实现人的智能。 聚类分析：根据模式之间的相似性（相邻性）对模式进行分类，是一种非监督分类方法。
聚类准则：根据相似性测度确定的，衡量模式之间是否相似的标准。即把不同模式聚为一类还是归为不同类的准则——同一类模式相似程度的标准或不同类模式差异程度的标准。
名词解释 聚类准则函数：在聚类分析中，表示模式类内相似或类间差异性的函数。
相似度：衡量模式之间相似程度的尺度。
相似性测度：衡量模式之间相似性的一种尺度。 欧氏距离（简称距离）：P15 马氏距离：P15
明氏距离：P17当m=2时，明氏距离为欧氏距离。当m=1时：绝对距离（ 曼哈顿距离 ）称为“街坊”距离
汉明(Hamming)距离:P17
判别函数：直接用来对模式进行分类的准则函数。
感知器算法：就是通过训练样本模式的迭代和学习，产生线性（或广义线性）可分的模式判别函数。 梯度：P59
分类器的正确率：指分类器正确分类的项目占所有被分类项目的比率。
过拟合：高维空间训练形成的分类器，相当于在低维空间的一个复杂的非线性分类器，这种分类器过多的强调了训练集
2
模式识别期末考试
的准确率甚至于对一些错误/异常的数据也进行了学习，而正确的数据却无法覆盖整个特征空间。为此，这样得到的分类器在对新数据进行预测时将会出现错误。这种现象称之为过拟合，同时也是维数灾难的直接体现。
3
模式识别期末考试
2.问答题
统计模式识别的优缺点： 主要优点：
1）比较成熟
2）能考虑干扰噪声等影响 3）识别模式基元能力强 主要缺点：
1）对结构复杂的模式抽取特征困难 2）不能反映模式的结构特征，难以描述模式的性质 3）难以从整体角度考虑识别问题 句法模式识别优缺点： 主要优点：
1）识别方便，可以从简单的基元开始，由简至繁。 2）能反映模式的结构特征，能描述模式的性质。 3）对图象畸变的抗干扰能力较强。 主要缺点：
当存在干扰及噪声时，抽取特征基元困难，且易失误。 模糊模式识别优缺点： 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。 神经网络模式识别法优缺点： 主要优点：
可处理一些环境信息十分复杂，背景知识不清楚，推理规则不明确的问题。允许样本有较大的缺损、畸变。 主要缺点：
模型在不断丰富与完善中，目前能识别的模式类还不够多。 分类与聚类的区别：
分类：用已知类别的样本训练集来设计分类器（监督学习）, 由学习过程和识别过程两部分组成，且用于学习的样本类别是已知的。
聚类（集群）：事先不知样本的类别，而利用样本的先验知识来构造分类器（无监督学习）。 马氏距离的优缺点： 优点：
它不受量纲的影响，两点之间的马氏距离与原始数据的测量单位无关；
由标准化数据和中心化数据（即原始数据与均值之差）计算出的二点之间的马氏距离相同； 马氏距离还可以排除变量之间的相关性的干扰；
满足距离的四个基本公理：非负性、自反性、对称性和三角不等式。 缺点：
有可能夸大变化微小的变量的作用； 协方差不易计算
近邻聚类法优缺点： 优点：
计算简单（一种虽粗糙但快速的方法）。 局限性：
问答题
4