模式识别总结报告

总结对于个人的成长而言，是我们反思自身、了解自身、明确目标的重要方式，通过编写的总结报告，我们可以在工作回顾中，寻找出自身的工作难点，掌握自身的工作优势，更加明确自身的发展方向。今天小编给大家找来了《模式识别总结报告》，仅供参考，大家一起来看看吧。

第一篇：模式识别总结报告

模式识别报告格式

一、封皮的填写：实验课程名称 模式识别

二、实验名称：按顺序填写图像的贝叶斯分类、K均值聚类算法、神经网络模式识别

三、年月：2013年4月

四、纸张要求：统一采用A4大小纸张，左侧装订，装订顺序与实验顺序一致。

五、书写要求：

1、报告可以手写也可以打印。

2、实验图像及结果图像打印，图像均位于实验结果与分析部分，图像打印于纸张上部，下部为实验分析。

3、报告中图要有图序及名称，表要有表序及名称，每个实验的图序和表序单独标号，具体格式参照毕业设计手册。不合格者扣除相应分数。

4、每个实验均需另起一页书写。

六、关于雷同报告：报告上交后，如有雷同，则课程考核以不及格处理，不再另行通知修改。

实验

一、 图像的贝叶斯分类

一、实验目的

将模式识别方法与图像处理技术相结合，掌握利用最小错分概率贝叶斯分类器进行图像分类的基本方法，通过实验加深对基本概念的理解。

二、实验仪器设备及软件

HP D

538、MATLAB

三、实验原理

以自己的语言结合课堂笔记进行总结，要求过程推导清晰明了。

四、实验步骤及程序

实验步骤、程序流程、实验源程序齐全。

五、实验结果与分析

要求写明实验得到的分割阈值，附分割效果图。对实验结果进行分析，说明实验结果好或者不好的原因，提出改进措施。

(另起一页)

实验

二、K均值聚类算法

一、实验目的

将模式识别方法与图像处理技术相结合，掌握利用K均值聚类算法进行图像分类的基本方法，通过实验加深对基本概念的理解。

二、实验仪器设备及软件

HP D

538、MATLAB、WIT

三、实验原理

以自己的语言结合课堂笔记进行总结，要求过程推导清晰明了。

四、实验步骤及程序

实验步骤、程序流程、MATLAB及WIT实验源程序齐全，WIT聚类程序可以图像形式

附于报告上。

五、实验结果与分析

以MATLAB和WIT分别实现K均值图像聚类算法，写明聚类类别数、聚类中心、迭代次数、运行时间，附原始图像和分类结果图像，并做实验分析。

(另起一页)

实验

三、神经网络模式识别

一、实验目的

掌握利用感知器和BP网进行模式识别的基本方法，通过实验加深对基本概念的理解。

二、实验仪器设备及软件

HP D

538、MATLAB

三、实验原理

以自己的语言结合课堂笔记及相关资料进行总结，要求过程推导清晰明了。

四、实验步骤及程序

感知器实验：

1、设计线性可分实验，要求训练样本10个以上

2、奇异样本对网络训练的影响

3、以线性不可分样本集训练分类器

BP网实验：利用BP网对上述线性不可分样本集进行分类

五、实验结果与分析

写明迭代次数、训练时间，附分类界面效果图，并讨论奇异样本对分类器训练的影响。

第二篇：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，百度等搜索引擎，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著 第1章 模式识别概述 )

技术实现》杨淑莹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。

第三篇：数字图像模式识别

王丽霞

深圳市南山区学府路;135308813

56、lixia_2011@126.com

求职意向

数字图像处理、模式识别算法工程师 教育经历

汕头大学 电子工程系 信号与信息处理专业 硕士2007.9—2010.6 汕头市

·在校期间成绩优良，分别一次获汕头大学一等、二等奖学金;2008 09担任女生部部长负责统筹管理，成立特色学科及基础学科研讨组，积极开拓学生的思维并提高他们的学习成绩，更贴近社会的新路线。

潍坊学院 信息与控制工程学院 电子信息工程 学士2003.9—2007.6 潍坊市

·2007年9月以第一名成绩考入汕头大学攻读硕士研究生;在校期间担任班级学习委员负责不同类学生的学习方法指导;2004-9-2007-6担任学院文艺部部长，负责迎新晚会筹划，锻炼了团队领导能力、协调能力、临场反应能力以及创新思维。 英语及专业技能

●熟练掌握了数字信号处理及它的常用算法、有良好的数学功底;熟悉图像处理的基本算法、熟悉模式识别基础知识与智能系统理论及它们的应用，在模式识别和运动跟踪方面有较深的理解;熟悉光伏应用系统的结构、性能原理;曾在核心期刊系统仿真技术发表文章(基于神经网络应用的光伏最大功率跟踪)。

●英语：六级考试 362;四级考试 473;具有较强的相关专业学科的英文文献阅读能力; ●能熟练使用计算机，会用电路仿真软件、LabVIEW软件、熟练掌握Visual C++的MFC程序设计和MATLAB仿真工具，能够做算法的设计和仿真;并能应用LabVIEW软件进行信号处理(波形测量、时频域分析与数学分析(概率统计拟合最优化等)。 工作经历

2010 6-2010 8深圳市辉锐天眼科技有限公司担任核心研发工程师 ●职位为智能监控核心研发工程师

●负责计算机视觉方面的IEEE文章的讲解及不同算法的实现研究，负责机器视觉系统图像处理、分析及识别算法设计、实现，参与图像处理技术研究与设计，对已有算法进行优化改进。使用OpenCV进行背景/前景提取、检测识别、了解运动跟踪的常用算法、设计相关信号特征提取算法及其设计模式识别分类器等。 项目经验

2008 09-2009 11模式识别与智能系统理论的算法研究 ●算法在MATLAB仿真，并在SIMULINK中建模，最后把这个算法用C++语言编程，在VC++中生成了可执行文件。

2009 01-2009 06生物细胞图像病变检测算法研究 ●在MATLAB中仿真了算法，正确率达到82%。

2009 07-2009 09图像压缩算法编码器设计 ●在FPGA芯片上实现并验证了方案，对比得出了FPGA比DSP在神经网络实现上的明显优势，前者采用指令顺序执行的方式，数据位宽固定，FPGA处理数据的方式是基于硬件的并行处理方式，即一个时钟周期内可并行完成多次运算，特别适合于神经网络的并行特点。 2010 02在科进生物识别公司 ●了解了不同二维条码尤其QR code的特点，探讨了定位图形的方法，了解了指纹识别，探讨了小波变换及gabor变换在纹理图像的特征提取的优劣。 自我评价及爱好

●很强的责任心创新能力、自学能力及应用知识能力;诚实善良，勤奋刻苦，进取精神、团队协作精神;爱好户外运动、国学研究，齐白石大师的画。

第四篇：模式识别与智能系统

模式识别与智能系统属控制科学和工程一级学科，以信息处理与模式识别的理论技术为核心，以数学方法与计算机为主要工具，研究对各种媒体信息进行处理、分类和理解的方法，并在此基础上构造具有某些智能特性的系统。

学科概况

模式识别与智能系统是20世纪60年代以来在信号处理、人工智能、控制论、计算机技术等学科基础上发展起来的新型学科。该学科以各种传感器为信息源，以信息处理与模式识别的理论技术为核心，以数学方法与计算机为主要工具，探索对各种媒体信息进行处理、分类、理解并在此基础上构造具有某些智能特性的系统或装置的方法、途径与实现，以提高系统性能。模式识别与智能系统是一门理论与实际紧密结合，具有广泛应用价值的控制科学与工程的重要学科分支。

培养目标

本学科培养从事模式识别与智能系统的研究、开发、设计等方面工作的高级专门人才。

1.博士学位

应具有模式识别、信息处理、人工智能与认知科学及有关数学领域坚实宽广的基础理论和系统深入的专门知识;对于模式识别与智能系统主要前沿领域有深入了解;能独立开展模式识别与智能系统中有关研究方向的专题研究工作，并取得具有创造性的研究成果;学风严谨;至少掌握一门外国语，能熟练地阅读本专业的外文资料，具有一定的写作能力和进行国际学术交流的能力。

2.硕士学位

应具有坚实的模式识别与智能系统学科的基础理论和系统的专门知识;对于模式识别与智能系统某一研究领域的进展和学术动态有较深的了解;能够熟练利用计算机解决本学科的有关问题;具有从事模式识别与智能系统中的某一研究方向的科学研究或独立担负专门技术工作的能力，并取得有意义的成果;较为熟练地掌握一门外国语。

业务范围

1.学科研究范围 模式识别，图象处理与分析，计算机视觉，智能机器人，人工智能，计算智能，信号处理。

2.课程设置 随机过程与数理统计，矩阵论，优化理论，近世代数，数理逻辑，数字信号处理，图象处理与分析，模式识别，计算机视觉，人工智能，机器人学，计算智能，非线性理论(如分形、混沌等)，控制理论，系统分析与决策，计算机网络理论等。

第五篇：模式识别作业-小论文

《模式识别》学习心得

模式识别(Pattern Recognition)技术也许是最具有挑战性的一门技术了，模式识别有时又被称为分类技术，因为模式识别说到底就是对数据进行分类。说到识别，最为常用的便是模仿人的视觉的图像识别(当然还有语音识别)，也许你会想当然地认为那还不简单，觉得我们用我们的眼睛可以轻而易举地识别出各种事物，但是当你想用计算机中的程序来实现它时，于是你便会觉得很沮丧，甚至于有无从下手的感觉，至此你再也不会觉得电脑有多聪明，你会觉得电脑是多么的低能。是的，现在的电脑智能，即人工智能还远不如蟑螂的智能，这其中最为根本的原因是模式识别技术还是处于较为低层次的发展阶段，很多的识别技术还无法突破，甚至有人还断言，再过30年也不会有本质的飞跃。当然，世事总是让人难以预料，我们也用不着这么地悲观，科学技术总是向前发展的，没有人可以阻档得了的。在这里，我把我对模式识别技术的学习和研究心得拿出来与大家分享一下。

模式识别具有较长的历史，在20世纪60年代以前，模式识别主要是限于统计学领域中的理论研究，还无法有较强的数学理论支持，20世纪80年代神经网络等识别技术得到了突破，计算机硬件技术更是有了长足的发展，模式识别技术便得到了较为广泛的应用，光学字符识别(OCR)是模式识别技术最早得到成功应用的技术，之后的应用还有如DNA序列分析、化学气味识别、图像理解力、人脸检测、表情识别、手势识别、语音识别、图像信息检索、数据挖掘等。

模式识别是一门与数学结合非常紧密的科学，所应用到的数学知识非常多，最基本的便是概率论和数理统计了，模式识别技术到处都充满了概率和统计的思想，我们经常所说的识别率，其实就是概率的表达：在大数据量(严格地说应当是数据量无穷大)测试中识别成功的概率，还有常用的贝叶斯决策分类器便是运用了概率公式。模式识别还用到了线性代数，因为运用线性代数可以较为方便表达具有多特征的事物，我们一般会用向量来表达一个事物的特征，对于向量的计算是一定会用到线性代数的知识的。还有一个较为高层次的数学知识是泛函分析，泛函分析是研究无限维线性空间上的泛函数和算子理论，SVM(支持向量机)便是以泛函分析中的理论为基础的，SVM技术还运用到了最优化理论数学知识，最近中科院王守觉院士提出的多维空间仿生模式识别技术是以拓扑学为理论基础的。所以说模式识别科学是应用到数学知识最多的一门学科之一，在我们研究模式识别技术过程中会碰到一个又一个的数学知识，有时需要我们重新拿起大学时的数学书来学习，有时还需要我们去寻找和学习我们也许从未学习过的数学知识，这时你会感觉到你真的是在做研究，仿佛又回到了大学学习时光，你更会感觉到要学好模式识别技术需要多年的积累，浮躁不得，当然，如果你越是坚持下来，你的价值就会越大，因为这是个可以不断得到积累的技术，不像研究上层应用，研究多年并不意味着你就会有多厉害，一下子没有跟进便会被淘汰掉，而后面进来研究的人很容易超越前面研究的人，所以说，模式识别技术是一个喜欢做研究的人的一个很好的选择。 模式识别大体上可以分为统计模式识别和句法模式识别，统计模式识别是对大量的样本进行统计或学习而最后得到一个分类器，如贝叶斯分类器、神经网络、

1 SVM、K近邻法则等都是属于统计模式识别的方法，句法模式识别则是依据一定的逻辑规则进行判别，如图像形状判断、语法类型判断、地址细分等，句法模式识别也可以称为结构模式识别，一般是应用于逻辑清楚、不易混淆的识别应用中，识别方法也比较简单，所以现在研究的大部分都是统计模式识别的方法，而且在这其中研究比较集中的是机器学习，因为人们相信：像人类辨别新事物一样，都需要一个学习过程，对于计算机也可以像人类那样地去学习而具有辨识能力。神经网络技术便是基于模仿人类的学习而产生的。说了这么多，其实我想表达的是统计方法在模式识别中的重要性，在这一节我们主要就来讨论一下概率论和统计在模式识别中的应用。

说到概率和统计就不得不提贝叶斯决策理论，它是解决模式分类问题的一种基本统计途径，贝叶斯决策理论的基本公式可做如下描述：

某个特征被判断为某类的概率 =该类中出现这个特征的概率 × 该类存在的概率 / 这个特征出现的概率

上面这个公式是一个条件概率公式的推导，这里用文字来描述，以便更好理解，要想了解更多这方面的知识可以查找有关模式识别的理论书，几乎每种理论书的第一个部分就是描述这方面的内容。

概率上的应用还有较为常用的理论是马尔可夫模型(Markov model)和稳马尔可夫模型(HMM)，这个是分词技术和语音识别中的基本理论工具之一，其中词频统计是其基本统计需要。马尔可夫模型和稳马尔可夫模型都是多条件概率的应用，追求的也是大概率结果。马尔可夫模型又可以分为一阶马夫可夫模型(Bigram模型)、二阶马尔可夫模型(Trigram模型)、n阶马尔可夫模型(n-gram模型)，阶数越大，则需要统计的数据越多，计算的复杂度也会猛增。HMM运用了前向计算法(Viterbi算法)，计算复杂度大大降低了下来，所以得到了较为广泛的应用，当今的语音识别算法就是采用HMM理论模型实现的。

统计分析中有个协方差矩阵，它可以应用于PCA(主成分分析)降维方法中。可以很容易理解，当特征越多时，计算则越复杂，而且计算结果准确性则越低，所以我们总是要想方设法把特征维数降下来，较为常用的方法则是用PCA降维方法(另一个方法VQ也是个很好的降维方法)，这个方法是通过大量的样本统计，统计出方差最小的特征，方差越小，则说明这种特征越易混淆，越无助于分类，于是就可以把这些特征去掉，以此降低了特征维数。

类似于神经网络的机器学习方法也是属于统计模式识别一种，机器学习方法大大简化了我们对样本数据的统计工作量，采用了自动化的方法根据大量样本生成一个分类器，在这其中，统计分析的应用较为稳性，以至于让你无法承认它是属于统计模式识别的方法，但是对于大量样本的学习也可以算是统计方法的范畴，如神经网络中的每个神经节点的系数的形成是依据一定算法(如LMS算法)通过大量样本修正出来的，这个修正的过程也可以算是统计分析的过程。

既然模式识别技术与概率和统计分析密不可分，所以在设计分类器之前，首先要准备好大量的、周全的、能够覆盖各种情况的训练样本和测试样本，然后对训练样本进行统计分析，分析样本的特点，分析样本的特征值分布规律，得到各种统计数据，最后再来确定模式识别的方法，测试样本用来检验分类器的合理性

2 问题，根据测试样本测试出来的问题，需要返回去修改分类器，这是一个反复的过程，直至最后达到分类器的性能目标。

我们在表示某个事物的特征时，其特征数一般有三个以上的，甚至有好几百个特征，为了表示方便，对于特征值一般采用向量的形式来表示，所以我们在研究模式识别时会有很多的矩阵运算，对于特征值的运算我们可以把它想象成是一个高维空间中的运算，矩阵运算可以方便地表达高维空间中的运算，所以说线性代数是研究模式识别的数学基础，更高层次的数学理论是泛函分析，它是研究无限维空间的几何学和分析学。

对于三维以下空间，我们可以较容易地想象出来，但是三维以上的空间超出了我们的感知能力，很多在三维以下空间的计算，推广到高维空间时，则不灵了，出现了所谓的“维数灾难”，这是因为高维空间中出现了稀疏性和空空间的现象，即高维空间中的数据分布会非常地稀疏，且可能出现密度会很高的空区域中点，维数灾难是Bellman首先提出来的，它泛指在数据分析中遇到的由于变量过多而引起的一系列问题，有点像“指数爆炸”，随着指数的递增，数据会迅速膨胀到难以想象的大。

SVM模式识别技术利用核方法，在高维空间中进行变换，巧妙地解决了维数灾难的问题，所以很多实验表明SVM分类算法总是能够优于其它分类算法。虽然有如此的好办法，但是我们还是得想办法降低维数，降低了维数，不仅可以降低计算的复杂度，也可以排除不必要的干扰特征，在众多的特征中也许有些特征是没有用的，即可能存在不是特征的特征，把这些无用的特征去掉，可以改善分类器的性能，目前降低维数主要应用的办法是PCA方法，很多人在描述这个方法时总要扯上协方差矩阵，让人陷入一大堆公式的推导中，其实核心思想就是把方差最小的那些特征排除掉，如果你知道这一点，可以不用理协方差矩阵，直接通过统计样本的特征值方差来实现PCA方法。

两组特征之间的距离可以有很多种表示方法，如欧氏距离、绝对值距离、切比雪夫距离、马氏距离、兰氏距离、相似系数、定性指标的距离等，大家比较熟悉的是欧氏距离，其实这种距离在高维空间并不常用，不仅是因为计算量大，还因为不同特征的值，其计算单位不一样，不可以把每种特征同等看待，在模式识别中采用哪种距离计算方式很重要，会关系到分类器设计的成败。计算距离的方式需要根据实际情况灵活应用，有时甚至可以自己设计距离计算方式，只要满足距离的四个条件即可：

1.当且仅当两点重合时距离才会等于0; 2.距离值必需是大于或等于0;

3.对称性：从A点到B点求得的距离等于从B点到A点求得的距离; 4.三角不等式：三个点形成的三角距离关系中，任两边的和大于第三边。

学习模式识别我个人觉得从神经网络入手可能是个较好的选择，一方面可以避免一下子就陷入复杂的公式推导中，另一方面可以让我们较快就能体验到模式识别是个什么样的技术，因为我们可以利用 Matlab或 openCV 非常方便地进行实践(学习一种技术，多去实践非常有助于对理论知识的理解)。神经网络技术是从仿生的角度来思考模式识别技术，探寻模仿人类的智能一直以来是科学界所研究的目标，神经网络技术就是基于此而产生的，但是神经网络能够得到应用还是

3 因为数学问题方面得到了解决，最优化理论中的梯度下降法便是神经网络实现原理的核心，梯度下降算法是一个循环的计算过程：

1. 为算法模型参数值选择初始值，或随机选择些初始值; 2. 计算每个参数对应的损失函数的变化梯度;

3. 根据梯度值改变参数值，使得错误值变得更小; 4. 重复第二和第三步骤直至梯度值接近于0。

神经网络方法就是通过训练样本进行学习来拟合出一条分割线(对于维数是三维的识别，则是个平面或曲面，三维以上则是超平面或超曲面)，如果这条分割线是一条直线(或平面，或超平面)，则称为线性神经网络，否则为非线性神经网络，线性神经网络较好理解，理解了线性神经网络，对于非线性神经网络则能够更易理解，所以这里先以线性神经网络为例来解释神经网络的原理，下图是一个二维特征分布图，中间的一条直线是分割线，我们现在要关心的问题是这条分割线是如何计算出来，如果学过数学，我们知道可以用最小二乘法把它计算出来，但这里我们将要用神经网络的学习方法来把它学习出来

从上图我们可以知道，只要我们能够得到w1,w2,b的值，则这条直线我们就可以求出来了，据此我们构造出如下所示的神经网络拓扑图：

4

从上图中的w1,w2，我们把它们称为权值，b称为阈值，神经网络的学习过程便是不断地调整权值和阈值，直至最后达到最小的错误率，对于线性神经网络，我们可以采用LMS算法，即最小均方差算法来求出权值和阈值，如下是LMS算法的描述：

原理：通过调整线性神经网络的权值(w)和阈值(b)，使得均方差最小。已知有样本集：{p1，t1}，{p2，t2}，{p3，t3}……{pn，tn}，(如果样本特征值是多维的，则p是个向量表达式)。

求出均方差：mse = sum( e( i )2 ) / n = sum(t(i) – a(i))2 / n, 其中i = 1~n，a(i) = pi × w + b。假设第k步已分别求出权值梯度(Gw)和阈值梯度(Gb)，则第k+1步权值和阈值分别为：

w(k+1) = w(k) – Gw×α;

b(k+1) = b(k) – Gb×α; α为学习率

下一步就是要怎么算出梯度，如果权值和阈值的变化能够使得均方差趋向最小，则便可以达到我们的目标，依此我们可以对均方差公式求对权值和阈值的偏导，这个偏导值便是我们所要的梯度值，它反应了权值或阈值变化与均方差的关系，偏导公式的演变(推导)如下：

əe2(i)/əw = 2e(i) ×əe(i)/əw = 2e(i) ×ə(t(i) – a(i))/əw = 2e(i) ×ə[t(i) – (w×p + b)]/əw

= –2e(i) ×p;

əe2(i)/əb = 2e(i) * əe(i)/əb = 2e(i) ×ə(t(i) – a(i))/əb = 2e(i) ×ə[t(i) – (w×p + b)]/əb

= – 2e(i);

第k步的平均差值表示为：e(k) = sum(e(i))/n;于是最后我们就可以得到权值和阈值的变化方程式：

w(k+1) = w(k) – Gw×α = w(k) + 2×e(k) ×p×α; b(k+1) = b(k) – G b×α = b(k) + 2×(k) ×α;

5 其实，上面所描述的神经网络是一种单层的神经网络，早在1969年，M.Minsky和S.Papert所著的《感知机》书中对单层神经网络进行了深入分析，并且从数学上证明了这种网络功能有限，甚至不能解决象"异或"这样的简单逻辑运算问题。同时，他们还发现有许多模式是不能用单层网络训练的，真正让神经网络得到广泛应用的是1985年发展了BP网络学习算法，实现了Minsky的多层网络设想，BP网络是一种多层前馈型神经网络，其神经元的传递函数是S型函数(非线性函数)，它可以实现从输入到输出的任意非线性映射，由于权值的调整采用反向传播(Back Propagation)学习算法，因此被称为BP网络，目前，在人工神经网络应用中，大部分是采用BP网络及其变化形式，它也是前向网络的核心部分，体现了人工神经网络的精华。BP神经网络不仅可用于模式识别，还可用于函数逼近、数据压缩应用中。

BP算法跟上面介绍的算法非常相似，也是根据均方差求权值和阈值的调整方向，也是通过对权值变量和阈值变量分别求偏导得到权值和阈值的修正梯度方向，差别在于BP神经网络有好几层，要从输出层开始，一层一层地计算出每层的权值变化和阈值变化(所以称为反向传播学习算法)，另一个差别是有些网络层的神经元的传递函数采用log-sigmoid型非线性函数，对于这类函数需要对其进行求导。

BP算法的主要缺点是：收敛速度慢、存在多个局部极值、难以确定稳层个数和稳层节点的个数。所以在实际应用中，BP算法很难胜任，需要进行改进，主要有两种途径进行改进：一种是启发式学习算法(对表现函数梯度加以分析以改进算法)，另一种是更有效的优化算法(基于数值最优化理论的训练算法)。启发式学习算法有这些：有动量的梯度下降法、有自适应lr的梯度下降法、有动量和自适应的梯度下降法、能复位的BP训练法等，基于最优化理论的算法有这些：共轭梯度法、高斯-牛顿法、Levenberg-Marquardt方法，这些改进的算法在Matlab中都可以找得到，Matlab提供了丰富的神经网络算法，除了BP神经网络，还有基于径向基函数的神经网络(如广义回归神经网络、概率神经网络)、反馈型神经网络(如Hopfield网络、Elman神经网络)、竞争型神经网络(如自组织特征映射神经网络、学习向量量化神经网络)，所以学习神经网络，Matlab是个非常好的工具，如果想看具体的实现方法，openCV提供了BP算法的实现，可惜目前openCV只实现BP算法，很希望有更多的神经网络算法能够在openCV中被实现。

对于神经网络，万不可过于迷信它的厉害，对于样本种类多、神经网络节点多，神经网络的收敛速度会很慢，导致学习要花费很长时间，由于存在多个局部极值点，导致初值不同和学习样本不同时，学习效果也不同，所以经常要多次学习才能够得到较好的效果，根据问题的复杂度，设计合适的神经网络的网络拓扑结构也是一个非常难的问题。神经网络是人类模仿生物神经网络原理的一个成果，但是还远远无法达到生物的神经网络功能，现在的人工智能技术甚至连蟑螂都不如，也比不上小小的蚂蚁，人工智能技术的研究还有非常漫长的路要走。

6