文档介绍：一模式识别的基本概念1模式原值供模仿用的完美无缺的样本,也指供模仿用的已知类别的样本。模式与类(集合)的概念相联系,认识了一个类(集合)中有限数量的个体,就可以识别这个类(集合)中的任意多个体。2模式识别(PatternRecognition)识别出某个样本与哪一类供模仿用的样本相同或相似。即对表征事物或现象的各种形式的信息(数值的,文字的,逻辑关系的)进行处理与分析,以对其进行描述、辨认、分类和解释,是信息科学和人工智能的重要组成部分。是信息处理发展到智能阶段的产物,借助数学的方法和计算机技术揭示事物或现象的隐含性质和内部规律。基本功能是对样本分类或辨别。3模式识别的分类统计方法(数学方法)模式识别从数学处理手段分句法结构(语言或结构学方法)模式识别有监督(有导师学****的模式识别从学****训练)手段分无监督(无导师学****的模式识别(1)统计方法(数学方法)模式识别:以数学决策理论为基础,建立统计学识别模式,主要是基于对模式的大量统计分析和规律性认识。其大量工作在于如何提取模式的特征,以确定统计参数,即所谓的参数点,也可绕过概率的估计,直接借助于模式本身的数学或集合分布(图形),获得判决标准,进行识别,即肺参数决策法。(2)句法结构(语言或结构学方法)模式识别:该方法基于对模式结构的分析,以形式语言对模式特征进行描述,如对图像,染色体,指纹,脸谱等的描述,因其很艰难用统计学方法进行表征。(3)有监督(有导师学****的模式识别:利用训练集,通过训练(或学****来获得识别准则(或判别函数),利用识别准则来判断未知模式的归属。(4)无监督(无导师学****的模式识别:不依赖训练集,而是直接在特征空间中寻找点群分布特征或其他可用以判别的数据结构。4名词概念训练集(traingingset)指一组已知类别的数据(点集)有监督模式识别中,利用训练集,通过训练(或学****获得识别准则(或判别准则),再以这些识别准则对未知模式进行归属。检验集(预示集)(testingset/predictionset)指未包括在训练集中的已知类别的样本(点集)通常利用由训练集获得的识别标准对预示集中的模式进行识别,以检验其识别的可靠性。特征:描述样本性质的变量(Xi),由特征描述的样本也称为模式。特征失:由描述样本性质的变量构成的矢量称为特征失。特征空间:对于某个模式,加入用n个特征X1,X2,,,,Xn来描述,则可用特征失X=[X1,X2,,,,Xn]T来表示,模式就是这n维空间的矢量或点,称此空间为模式的特征空间。增广特征空间:将矢量X扩充为n+1维向量X=[X1,X2,,,,Xn+1]T,此时称这n+1维空间为增广特征空间。5模式识别的应用模式识别目前已在社会科学和自然科学的诸多领域,如经济学,天文学,生物学,物理学,生物学,医学,药学,心理学,工程学等得到了广泛应用。在药学领域中,模式识别主要用于归属和预示研究对象的性质,目前,其在药物分离分析,生产工艺优化,药物活性预测,中药材分类,中药质量评价,代谢组学研究等方面应用越来越广,并显示了在复杂数据处理方面的巨大优势。二线性代数的基本知识矩阵与向量模的各排称为矩阵的行,纵的各列称为矩阵的列;aij称为矩阵A的第i行,第j列上的“元素”(或简称“元”);A有时简记为A=[aij];当m=n时,A为n阶矩阵,或称n阶“方阵”;各元素都为零的矩阵称为零矩阵;n个有次序的数a1,a2,,,an组成的数组称为n维向量;在nXm矩阵A中,某行的m和元素组成的m维向量称为“行向量”;某列的n个元素组成的n维向量称为“列向量”;一般行向量横写为:列向量竖写为2矩阵的加法两个(nXm)矩阵A,B相加,就是将其全部对应元素相加3矩阵与数的乘法数K与矩阵A的积kA就是用k遍乘A的全部元素,即:4矩阵的乘法设A是一(nXm)矩阵A=[aik],N是一(mXp)矩阵B=[bkj],它们的乘积是一(nXp)矩阵C,其个元素为:只有当第一个矩阵的列数等于第二个矩阵的行数时,这两个矩阵才能相乘。例子反面自己抄5矩阵计算规律矩阵的加法适合交换律和结合律:A+B=B+A(A+B)+C=A+(B+C)矩阵与数的乘法适合分配率及结合律:k(A+B)=KA+Kb(k+h)A=kA+Hak(hA)=(kh)Ak(AB)=(kA)B=A(kB)矩阵的相乘适合集合率和对加法的分配率:(AB)C=A(BC)(A+B)C=AC+BCA(B+C)=AB+AC一般情况下,矩阵的乘法不适合交换律,即一般AB≠BA但对于单位矩阵有IA=AI=A6矩阵的转置将矩阵A的行列互换所得的矩阵,称为A的转置矩阵若矩阵A满足AT,这样的矩阵称为对称矩阵7范数—用于衡量矩阵或向量大小的量8向量的线性相关练****在反面手写三聚类分析聚类分析源于分类学,过去主要依靠经验和专业知识来实现分类。随