最新模式复习教学讲义PPT.ppt

《最新模式复习教学讲义PPT.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、模式复习第一章模式识别概论模式概念广义地说，存在于时间和空间中可观察的物体，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。直观特性可观察性可区分性相似性模式识别目的利用计算机对物理对象进行分类，在错误概率最小的条件下，使识别的结果尽量与客观物体相符合。方法（两种假说）监督学习、概念驱动或归纳假说非监督学习、数据驱动或演绎假说第一章模式识别概论模式分类数据聚类统计分类神经网络结构模式识别模式识别系统组成模式识别过程实例第三章判别函数线性判别函数用判别函数分类的概念线性判别函数的一般形式和分类问题两类情况：多类情况：三种多类情况广义线性判别函数基本思想广义

2、线性判别函数的意义线性的判别函数判别函数选用二次多项式函数判别函数选用r次多项式函数分段线性判别函数模式空间和权空间第三章判别函数Fisher线性判别从d维空间到一维空间的一般数学变换方法Fisher准则函数的定义基于最佳变换向量的投影感知器算法线性判别函数的感知器赏罚训练算法采用感知器算法的多类模式的分类可训练的确定性分类器的迭代算法梯度法固定增量的逐次调整算法最小平方误差(LMSE)算法第三章判别函数势函数法判别函数的产生分析步骤势函数的选择第一类势函数对称的有限多项式展开第二类势函数双变量的对称函数实例决策树简介概念二叉树第四章统计判别作为统计判别问题的

3、模式分类贝叶斯判别原则贝叶斯最小风险判别正态分布模式的贝叶斯分类器M种模式类别的多变量正态类密度函数两类问题且其类模式都是正态分布的特殊情况模式分布密度的协方差矩阵不等模式分布密度的协方差矩阵相等实例第四章统计判别在贝叶斯分类器中，构造分类器需要知道类概率密度函数。类概率密度是正态分布，它完全由其均值向量和协方差矩阵所确定。均值和协方差矩阵的非随机参数的估计均值和协方差矩阵的估计量定义均值和协方差矩阵估计量的迭代运算均值向量和协方差矩阵的贝叶斯学习一般概念单变量正态密度函数的均值学习第五章特征选择与提取特征选择的概念所谓特征选择，就是从n个度量值集合中，按某一

4、准则选取出供分类用的子集，作为降维（m维，m

5、n个数据的线性组合，然后从新的数据中选出少数几个，使其尽可能多地反映各类模式之间的差异，而这些特征间又相互独立。离散的有限K-L展开K-L展开式的性质K-L展开式系数的计算步骤按K-L展开式选择特征三条结论实例第六章人工神经网络概念和特点人工神经网络定义固有的并行结构和并行处理知识分布存储容错性自适应性局限性人工神经网络基础生物原型（大脑）人工神经网络处理单元（人工神经元）特性人工神经网络的拓扑结构存储和回忆功能人工神经网络的训练方法人工神经网络的稳定性和收敛性第六章人工神经网络前馈网络感知器模型符号单元功能表示能力训练算法线性单元加权的直接求解法σ规则训练算

6、法非线性单元加权求解描述Sigmoid函数情况多层网络的训练—误差反传训练算法（BP算法）原理和推算过程训练算法实现步骤（Sigmoid函数）BP训练算法存在的问题及改进第六章人工神经网络反馈网络Hopfield网络（离散型）网络拓扑结构及描述网络运行过程及其神经元的演变和状态的变迁网络联想方法和网络训练随机神经网络模拟退火算法基本思想实现过程玻尔兹曼机与BP网络的差别训练算法第六章人工神经网络自组织神经网络普通的无指导信号的训练过程一种常用的无指导学习方法竞争学习，包括：竞争过程的权值调整—最佳匹配竞争过程的网络组织—胜者为王一种典型的自组织网络Hammin

7、g网络Kohonen网络网络的拓扑结构网络自组织算法第六章人工神经网络人工神经网络的应用开发设计人工神经网络应用的可行性人工神经网络应用的特点人工神经网络模型的应用情况人工神经网络模型的选取原则网络大小所需输出类型联想记忆类型训练方法时间的限定人工神经网络模型的设计确定结点的类型确定网络、层的大小和连接要求确定学习算法和参数人工神经网络应用系统的评价网络的大小速度完全训练标准网络的实验第七章句法模式识别句法模式识别系统构成系统框图处理过程学习过程集合论中的关系运算形式语言理论和句法模式识别文法定义语言的生成过程文法的分类无约束文法上下文有关文法上下文无关文法正

8、则文法实例第七章句法模式识别句法结构的