2017-2018-2 20179215 《密碼與安全新技術》第六週做業

2017-2018-2 20179215 《密碼與安全新技術》第六週做業

課程：《密碼與安全新技術》

班級： 1792

姓名： 袁琳

學號：20179215

上課教師：謝四江

上課日期：2018年5月24日

必修/選修： 必修

學習內容總結

主要介紹了四個方面：

• 模式識別的概念
• 模式識別的主要方法
• 模式識別系統舉例
• 模式識別系統的典型構成

1、模式識別的概念

兩個常見的例子：

• 幼兒認動物
• 圖書歸類

用各類數學方法讓計算機（軟件與硬件）來實現人的模式識別能力，即用計算機實現人對各類事物或現象的分析、描述、判斷、識別。

1.模式或者模式類：能夠是研究對象的組成成分或影響因素之間存在的規律性關係，因素之間存在肯定性或隨機性規律的對象、過程或者事件的集合。

2.識別：對之前見過的對象的再認識。

3.模式識別：對模式的區分與認識，將待識別的對象根據其特徵歸併到若干類別中的某一類。

4.樣本：所研究對象的一個一個個體， 一般有一組特徵構成的向量來描述，也稱樣本向量。

5.樣本集：若干樣本的集合。

6.類或者類別：在樣本集上定義的模式類子集合，同一類的樣本在咱們所關心的某種性質上是不可區分的，即具備相同的模式。

7.特徵或者屬性：描述樣本的若干觀測值。多個特徵或屬性構造特徵向量或者屬性向量，一般與樣本向量混用。

模式識別也能夠當作是從特徵向量向類別所做的映射。

2、模式識別的主要方法

劃分的原則：

• 問題的描述方式
• 問題或樣本性質
• 理論基礎
• 應用領域

1.按問題的描述方式劃分

1)基於知識的模式識別方法
以專家系統爲表明，根據人們已知的(從專家那裏收集整理獲得的）知識，整理出若干描述特徵與類別間關係的準則，創建必定的計算機推理系統，再對未知樣本決策其類別。

2)基於數據的模式識別方法
制定描述研究對象的描述特徵，收集必定數量的已知樣本做爲訓練集訓練一個模式識別機器，再對未知樣本預測其類別（主要研究內容）

2.問題或樣本性質

1)監督模式識別(分類)：先有一批已知樣本做爲訓練集設計分類器，再判斷新的樣本類別（分類）

監督模式識別系統的典型框圖：

2)非監督模式識別(聚類)：只有一批樣本，根據樣本之間的類似性直接將樣本集劃分紅若干類別（聚類）

非監督模式識別系統的典型框圖：

3.處理監督模式識別問題的通常步驟：

（1）分析問題

• 針對具體的應用，分析是否能夠轉化成分類問題；
• 可能有那些類別；
• 已有的數據或者欲採集的數據中哪些因素或者特徵與分類最具關聯性。

（2）原始數據獲取與預處理、特徵造成

• 設計採集數據方式，獲取原始數據，並進行預處理
• 從原始數據獲取樣本的原始特徵
• 構造出已知樣本集

（3）特徵提取和選擇

• 目的：從原始數據中，獲得最能反映分類本質的特徵
• 特徵造成：經過各類手段從原始數據中得出反映分類問題的若干特徵（有時需進行數據標準化）
• 特徵選擇：從特徵中選取最有利於分類的若干特徵
• 特徵提取：經過某些數學變換，下降特徵數目

（4）分類器設計

選定某一個分類器，用訓練樣本集對分類器進行訓練，獲得分類模型

（5）分類決策

• 利用必定方式對分類器進行性能評價
• 對未知樣本通過觀測、預處理、特徵造成、特徵提取與選擇，構造特徵向量，用已經設計好的分類器進行決策（預測）；
• 必要時再根據問題的背景知識進行適當的後處理

4.非處理監督模式識別問題的通常步驟：

（1）分析問題：

• 針對具備的應用，分析是否能夠轉化成聚類問題；
• 可能或者但願獲得的類別數；
• 已有的數據或者欲採集的數據中那些因素或者特徵與聚類相關。

（2）原始數據獲取與預處理、特徵造成

• 設計採集數據方式，獲取原始數據，並進行預處理
• 從原始數據獲取樣本的原始特徵
• 構造出無類別標識的樣本集（都是未知樣本）

（3）特徵提取和選擇

爲了更好地進行聚類，常常須要採用必定的算法對原始特徵進行提取與選擇。通常來講，針對聚類的提取與選擇要比分類更困難

（4）聚類分析

選定某一個非監督模式識別方法，對樣本集進行聚類分析。

（5）結果解釋

• 考查聚類結果的性能；
• 分析聚類結果與研究問題之間的關係；
• 根據問題背景知識分析聚類結果的可靠性；
• 解釋類的含義；
• 若是有新樣本，能夠採用就近原則進行進行分類。

5.理論基礎

1)統計模式識別：機率論與數理統計
2)模糊模式識別：模糊邏輯
3)人工神經網絡：神經科學、最優化、機率論與數理統計
4)結構模式識別：形式語言

6.應用領域

• 圖象識別：染色體分類、遙感圖象識別
• 文字識別：中外文印刷體、手寫體識別
• 數字識別：0-9印刷體、手寫體識別，典型例子：郵政手寫數字識別
• 人臉識別
• 指紋識別
• 虹膜識別
• 掌紋識別
• 語音識別

3、模式識別系統舉例

例1 不停車收費系統

交通部的收費標準：按噸位劃分

收費站：按車型收費（間接按車輛設計載重量收費）

關鍵：車型的自動分類。幾種主要技術：

1）提取車輛外形幾何參數進行處理分析，實現分類。

如視頻檢測方法、紅外檢測方法。

2）測量車輛的其餘物理參數(噪聲、振動、壓重等)實現分類。

如動態稱重、電磁感應等。

3）直接識別車輛身份的方法實現分類。

如電子標籤、視頻牌照識別等。

例2 生物識別技術

根據每一個人獨有的能夠採樣和測量的生物學特徵（生理特徵）和行爲學特徵進行身份識別的技術。

1) 指紋識別：最先、最成熟的識別技術。

2) 掌紋識別：研究紋線上某幾個點的幅值（灰度值）、線長

與線所對應的角之比等特徵。

3) 人臉識別

4) 虹膜識別

5) 簽名識別

6) 擊鍵分析

4、模式識別系統的典型構成

模式識別系統的四個主要組成部分：

• 原始數據獲取與預處理
• 特徵提取和選擇
• 分類或者聚類
• 後處理

5、貝葉斯決策理論

1.基於最小錯誤率的Bayes決策

利用機率論中的Bayes公式進行分類，能夠獲得錯誤率最小的分類規則。

2.基於最小風險的Bayes決策

在考慮各類錯誤能形成不一樣的損失的狀況下的Bayes決策規則。

最小風險的Bayes決策的步驟：

1)在已知類先驗機率和類機率密度函數的狀況下，計算待識x的後驗機率

2)根據決策表，計算每個決策的條件風險

3)找出條件風險最小值所對應的決策，對x採起該決策(歸屬到該類)

學習中的問題和解決過程

人工智能在模式識別方面有哪些應用？

模式識別是人工智能研究的一個方向，主要是以計算機爲媒介，採用數學技術的方法來實現模式的自動處理、判讀。而這裏所說的「模式」是指外界的環境和環境中所客觀存在的客體，隨着信息技術和人工智能研究的不斷深刻，人類對於複雜信息的處理有了必定的發展，可是這些研究尚處於初級階段，
還須要咱們繼續不斷的深刻研究。當前計算機對外界環境( 文字、聲音、人物等) 的識別是計算機模式識別的主要研究點。信息處理是人類根據環境的不一樣及狀況來完成對信息的識別、判斷，對於人類而言，主要信息來源是光學信息和聲學信息，光學信息的採集主要是視覺器來得到，聲學信息主要經過聽覺器得到，而模式識別主要也是要讓計算機能完成與人類相相似的信息採集。當前，市場上比較成熟的信息採集系統有光學字符識別系統( Optical Character Recognition) 、語音識別系統等。主要應用有：

（1）數字識別、漢字識別、語音識別

（2）基於模式識別的網絡考試系統

（3）人臉立體模式識別

其餘

模式識別技術是人工智能的基礎技術，21世紀是智能化、信息化、計算化、網絡化的世紀，在這個以數字計算爲特徵的世紀裏，做爲人工智能技術基礎學科的模式識別技術，必將得到巨大的發展空間。在國際上，各大權威研究機構，各大公司都紛紛開始將模式識別技術做爲公司的戰略研發重點加以重視。參考資料：https://baike.baidu.com/tashuo/browse/content?id=5a65aebd46f9e220687643f7&lemmaId=&fromLemmaModule=pcBottom