1929年G.Tauschck發明閱讀機能夠閱讀0～9的數字，就此拉開了模式識別的序幕，20世紀30年代Fisher提出統計分類理論，奠定了統計模式識別的基礎。在20世紀50年代NoamChemsky提出形式語言理論，美籍華人付京孫提出句法結構模式識別。同時60年代L.A.Z提出了模糊集理論，模糊模式識別理論得到了較廣泛的應用。因此，隨著20世紀40年代計算機的出現以及50年代人工智能的興起，人們希望能用計算機來代替或擴展人類的部分腦力勞動。來到60—70年代統計模式識別得到快速發展，由于被識別的模式愈來愈復雜，特征也愈多書就出現“維數災難”，得益于計算機運算速度的迅猛發展，這個問題得到一定克服，但此時統計模式識別仍是模式識別的主要理論。以計算機為主導的模式識別也在迅速發展，新的理論和方法相繼涌現。與此同時80年代Hopfield提出神經元網絡模型理論，人工神經網絡發展至今在模式識別和人工智能上得到較廣泛的應用。進入20世紀90年代以來，新方法或改進算法大量涌出，在這些新出現的模式識別方法中，支持向量機識別方法、各種子空間分析方法、以隱馬爾可夫模型為代表的隨機場方法、以Adaboost為代表的集成學習方法最具代表性，同時模式識別也大規模地進如人們日常生活，如人臉識別、自動駕駛、醫療診斷、生物識別、雷達信號識別、智能交通系統和高技術武器系統等。

如今，模式識別技術已成功應用在工業、農業、國防、科研、公安，生物、醫學、氣象、天文學等許多領域。在進入大數據時代，智能化是當今時代科技發展的重要趨勢之一，模式識別技術具備的智能化的信息處理能力將有更加廣闊的用武之地，因此所需處理的模式對象和識別任務需求將隨之快速增長。從廣義上說模式識別屬于人工智能的范疇，模式識別與人工智能都是研究讓機器具有智能，即讓機器做一些帶“智能”的工作，但由于歷史的原因二者已經形成了獨立的學科，有其自身的理論和方法，盡管如今機器智能水平還遠不如人腦，但隨著模式識別理論以及其他相關學科的發展，可以預見它的功能將會越來越強，應用也會越來越廣泛。

「 2. 基本概念與原理」

什么是模式呢？廣義地說，存在于時間和空間中可觀察的事物，如果可以區別它們是否相同或是否相似，都可以稱之為模式。但模式所指的不是事物本身，而是我們從事物獲取的信息。因此模式往往表現為具有時間或空間分布的信息。

人們在觀察各種事物的時候，一般是從一些具體的個別事物或者很小一部分開始的，然后經過長期的積累，隨著對觀察到的事物或者現象的數量不斷增加，就開始在人的大腦中形成一些概念，而這些概念是反映事物或者現象之間的不同或者相似之處，這些特征或者屬性使人們對事物自然而然的進行分類。從而窺豹一斑，對于一些事物或者現象，不需要了解全過程，只需要根據事物或者現象的一些特征就能對事物進行認識。人腦的這種思維能力視為“模式”的概念。

模式識別就是識別出特定事物，然后得出這些事物的特征。識別能力是人類和其他生物的一種基本屬性，根據被識別的客體的性質可以將識別活動分為具體的客體與抽象的客體兩類。諸如字符、圖像、音樂、聲音等是具體的客體，它們刺激感官，從而被識別。而思想、信仰、言論等則是抽象的客體，這些屬于政治、哲學的范疇。我們研究的主要是一些具體客體的識別，而且僅限于研究用機器完成識別任務有關的基本理論和實用技術。模式識別的目的就是利用計算機實現人的類識別能力，是對兩個不同層次的識別能力的模擬。對信息的理解往往含有推理過程，需要專家系統，知識工程等相關學科的支持。

「 3. 模式識別系統」

一個典型的模式識別系統如下圖所示，由數據獲取、預處理、特征提取、分類決策及分類器設計五部分組成。一般分為上下兩部分：上部分完成未知類別模式的分類；下半部分屬于分類器設計的訓練過程，利用樣品進行訓練，確定分類器的具體參數，完成分類器的設計。而分類決策在識別過程中起作用，對待識別的樣品進行分類決策。

模式識別系統組成單元功能如下。

1）數據獲取

用計算機可以運算的符號來表示所研究的對象，一般獲取的數據類型有以下幾種：

（1）二維圖像：文字、指紋、地圖、照片等。

（2）一維波形：腦電圖、心電圖、季節振動波形等。

（3）物理參量和邏輯值：體溫、化驗數據、參量正常與否的描述。

2）預處理

對輸入測量儀器或其他因素所造成的退化現象進行復原、去噪聲，提取有用信息。

3）特征提取和選擇

對原始數據進行變換，得到最能反映分類本質的特征。將維數較高的測量空間(原始數據組成的空間)轉變為維數較低的特征空間(分類識別賴以進行的空間)。

4）分類決策

在特征空間中用模式識別方法把被識別對象歸為某一類別。

5）分類器設計

基本做法是在樣品訓練基礎上確定判別函數，改進判別函數和誤差檢驗。

掃碼關注我們

“智造苑”

秉承“先進制造、制造強國”的理念，

清華社為大家提供專業的知識服務！