模式识别基本原理和设计原则

先决条件–模式识别|介绍
模式识别系统
模式是这个数字世界中的一切。通过应用算法，可以从物理上观察到模式，也可以从数学上观察到模式。

在模式识别中，模式包括以下两个基本内容：

• 意见收集
• 观察背后的概念

  特征向量：
  观测值的集合也称为特征向量。功能是商品或服务的独特特征，可将其与相似物品区分开。特征向量是n维列向量中n个特征的组合。不同的类别可能具有不同的特征值，但相同的类别始终具有相同的特征值。

  例子：
  

  • 区分好功能和坏功能。
  • 要素属性。

    分类器和决策边界：

    1. 在统计分类问题中，决策边界是将基础向量空间分成两组的超曲面。决策边界是问题空间中分类器的输出标签不明确的区域。分类器是一种假设或离散值函数，用于将(分类)类标签分配给特定数据点。
    2. 分类器用于将特征空间划分为带有类别标记的决策区域。而决策边界是决策区域之间的边界。
       

       模式识别系统中的组件：
       模式识别系统可以分为多个组件。各种模式识别系统有五个典型组件。这些如下：

       • 传感器：传感器是一种用于测量诸如压力，位置，温度或加速度之类的属性并响应反馈的设备。
       • 预处理机制：使用分段，它是将数据划分为多个段的过程。它也可以定义为将数据划分或划分为称为段的部分的技术。
       • 特征提取机制：特征提取从一组初始的测量数据开始，并构建旨在提供信息和非冗余的派生值(特征)，以利于后续的学习和归纳步骤，并在某些情况下导致更好的人工解释。它可以是手动或自动的。
       • 描述算法：模式识别算法通常旨在为所有可能的输入提供合理的答案，并考虑到输入的统计差异，对输入进行“最可能的”匹配
       • 训练集：训练数据是整个数据集以及测试集的一定百分比。通常，训练数据越好，算法或分类器的性能就越好。

       
       模式识别的设计原理
       在模式识别系统中，为了识别模式或结构，使用了两种基本方法，它们可以用不同的技术来实现。这些都是 –

       • 统计方法和
       • 结构方法

       统计方法：
       统计方法是用于原始研究数据的统计分析的数学公式，模型和技术。统计方法的应用从研究数据中提取信息，并提供了不同的方法来评估研究成果的稳健性。

       使用了两种主要的统计方法：
       1. 描述性统计量：它使用平均值或标准差等指标汇总了样本中的数据。
       2. 推论统计：它根据随机变化的数据得出结论。

       结构方法：
       结构方法是一种学习者掌握句子模式的技术。结构是一种接受的风格或另一种接受的单词的不同排列方式。

       结构类型：
       • 句型
       • 短语模式
       • 公式
       • 成语

       统计方法与结构方法之间的区别：

       Sr. No.	Statistical Approach	Structural Approach
       1	Statistical decision theory.	Human perception and cognition.
       2	Quantitative features.	Morphological primitives
       3	Fixed number of features.	Variable number of primitives.
       4	Ignores feature relationships.	Captures primitives relationships.
       5	Semantics from feature position.	Semantics from primitives encoding.
       6	Statistical classifiers.	Syntactic grammars.