学习目标：理解模式识别的定义，了解课程学习目标、学习内容和学习方法，激发学习动力和学习兴趣。

模式识别与人工智能

解决人工智能的感知问题

模式识别的发展史

（光电阅读机）1929 年奥地利发明家 Tauschek 的光电阅读机

Tauschek 的阅读机是人类力图让机器具有识别能力的首次尝试, 它采用的方法被称为“模板匹配”,也是第一个被实际应用的模式识别方法。

（感知器）1960年美国实验心理学家罗森布拉特实现模式识别机 Mark 1

感知器虽然是以神经元模型为基础,但仍然属于统计模式识别的范畴,就是根据事物特征的取值来进行识别。

1974 年傅京孙提出的句法模式识别

首个完整的利用事物特征之间的结构关系来完成模式识别的算法,因此开创了称为“结构模式识别”的另一种思路

1986 年美国认知神经学家Rumelhart 等人提出误差反向传播的多层次神经网络模型 BP 模型

其模型本身又是高度非线性的,因此,在可解释性和工程应用效果方面都受到很大的局限

1995 年由前苏联统计学家和数学家 Vapnik 等人提出的支持向量机

一种理论基础严密,优化目标明确,扩展能力强大的模式识别算法

2006年 Hinton 深度学习

模式识别是什么

Re-cognition”是“再认知
模式识别也可以定义为:识别一个模式, 其英文为 Pattern Recognition。
模式识别的本质是对事物的分类(Classify) 。
研究如何使机器(当前就是指计算机)具备模式识别的能力。
识别的基础是认知

模式识别的应用

信息过滤 Information Filter
生物特征识别 Biometrics
目标跟踪 Target Tracking
手势识别 Gesture Recognition
音乐识别 Music Recognizing
字符识别 Optical Character Recognition
图像识别搜索 Image Searching
自然语言理解 Natural language understanding
脑电识别 Electroencephalograph Recognition
环境识别 Environment Recognition

本课程知识纬度

基本概念

训练与分类
特征空间
紧致性与可分性

基本原理

分类与聚类有监督与无监督
特征降维

主要算法

线性分类器
贝叶斯分类器模糊模式识别神经网络模式识别

学习目标

目标1:理解掌握模式识别的基础知识
目标2:分析设计模式识别的解决方案
目标3:编程实现模式识别的算法系统