模式识别
对数字、字符、形状、格式和图形的自动识别，判定中无需人工干预。 所谓模式就是描述某类客体的单个样本。如一个符号表达式，一张图表等。模式识别(Pattern Recognition)是人工智能最早的研究领域之一。用于解决模式识别问题的许多不同的数学技巧，可以归为两种一般性处理方法，即决策理论(统计方法)方法和句法(或结构)方法。 按照统计方法，须从模式中抽取一组特性的测量值(称为特征)，并以划分特征空间的办法来识别每一个模式(每个模式都被指定到某个模式类)。例如，若规定身长180cm以上的人为高个子，则当见到一个身高为185cm的人，就会判定这个人是高个。 而身高170cm的人则不属于高个之类。统计方法对那些有噪声而又结构性不强的模式比较有效。模式识别在以往十多年中的研究发展，大部分是有关统计方法及其应用。尤其在70年代前发展很快，成绩较大，不仅解决了不少实际问题，而且对图形分类统计理论也做出了贡献。 但统计方法目前在特征抽取方面还缺乏系统的理论指导，当模式较为复杂时，统计方法不够精确。结构方法在模式识别过程中，著重描述模式的结构信息，其识别过程不仅能够把模式指定到一个特定类别，而且还要描述那些使模式不致于被误指到其它类别的特性。 这类识别问题的典型例子是图片识别，或者更一般地说，是景物的分析。在这类问题中，所研究的模式通常十分复杂，需要的特征也很多。所以一个模式通常被分解成若干简单的元素，称为子模式，并用特殊的文法规则来描述这些子模式之间的结构关系。 例如，图21的识别，可以分解为图22对子模式圆和矩形及其相互关系的分析，即多级结构的描述。 结构方法很适于识别那些结构明显，很少噪声的模式。这个方法目前在子模式确定方面还缺乏系统的理论指导。统计方法和结构方法各有特色，在复杂模式的识别中宜于综合使用两种方法。目前正在研究各种把它们结合起来的有效办法。 图21图22的多级结构描述 |