在日常學(xué)習(xí)、工作或生活中，大家總少不了接觸作文或者范文吧，通過文章可以把我們那些零零散散的思想，聚集在一塊。大家想知道怎么樣才能寫一篇比較優(yōu)質(zhì)的范文嗎？這里我整理了一些優(yōu)秀的范文，希望對(duì)大家有所幫助，下面我們就來了解一下吧。
模式識(shí)別作業(yè)答案 模式識(shí)別論文題目篇一
監(jiān)督學(xué)習(xí)方法用來對(duì)數(shù)據(jù)實(shí)現(xiàn)分類，分類規(guī)則通過訓(xùn)練獲得。該訓(xùn)練集由帶分類號(hào)的數(shù)據(jù)集組成，因此監(jiān)督學(xué)習(xí)方法的訓(xùn)練過程是離線的。
非監(jiān)督學(xué)習(xí)方法不需要單獨(dú)的離線訓(xùn)練過程，也沒有帶分類號(hào)（標(biāo)號(hào)）的訓(xùn)練數(shù)據(jù)集，一般用來對(duì)數(shù)據(jù)集進(jìn)行分析，如聚類，確定其分布的主分量等。
（實(shí)例：道路圖）就道路圖像的分割而言，監(jiān)督學(xué)習(xí)方法則先在訓(xùn)練用圖像中獲取道路象素與非道路象素集，進(jìn)行分類器設(shè)計(jì)，然后用所設(shè)計(jì)的分類器對(duì)道路圖像進(jìn)行分割。
使用非監(jiān)督學(xué)習(xí)方法，則依據(jù)道路路面象素與非道路象素之間的聚類分析進(jìn)行聚類運(yùn)算，以實(shí)現(xiàn)道路圖像的分割。
1、寫出k-均值聚類算法的基本步驟, 算法：
第一步：選k個(gè)初始聚類中心，z1(1)，z2(1)，…，zk(1)，其中括號(hào)內(nèi)的序號(hào)為尋找聚類中心的迭代運(yùn)算的次序號(hào)。聚類中心的向量值可任意設(shè)定，例如可選開始的k個(gè)模式樣本的向量值作為初始聚類中心。第二步：逐個(gè)將需分類的模式樣本{x}按最小距離準(zhǔn)則分配給k個(gè)聚類中心中的某一個(gè)zj(1)。假設(shè)i=j時(shí)，dj(k)?min{x?zi(k),i?1,2,?k}，則x?sj(k)，其中k為迭代運(yùn)算的次序號(hào)，第一次迭代k=1，sj表示第j個(gè)聚類，其聚類中心為zj。第三步：計(jì)算各個(gè)聚類中心的新的向量值，zj(k+1)，j=1,2,…,k zj(k?1)?1njx?sj(k)?x,j?1,2,?,k 求各聚類域中所包含樣本的均值向量：
其中nj為第j個(gè)聚類域sj中所包含的樣本個(gè)數(shù)。以均值向量作為新的聚類中心，jj?x?sj(k)?x?zj(k?1),2j?1,2,?,k可使如下聚類準(zhǔn)則函數(shù)最?。?/p>
在這一步中要分別計(jì)算k個(gè)聚類中的樣本均值向量，所以稱之為k-均值算法。第四步：若zj(k若zj(k ?1)?zj(k)，j=1,2,…,k，則返回第二步，將模式樣本逐個(gè)重新分類，重復(fù)迭代運(yùn)算；
?1)?zj(k)，j=1,2,…,k，則算法收斂，計(jì)算結(jié)束。
t線性分類器三種最優(yōu)準(zhǔn)則：
wsfisher準(zhǔn)則：maxj(w)?>>n）的條件下，可以使用分支定界法以減少計(jì)
m算量。
15、散度jij越大，說明?i類模式與?j類模式的分布（差別越大）；當(dāng)?i類模式與?j類模式的分布相同時(shí)，jij=（0）。
16、影響聚類算法結(jié)果的主要因素有（②分類準(zhǔn)則 ③特征選取 ④模式相似性測(cè)度。）。
19、模式識(shí)別中，馬式距離較之于歐式距離的優(yōu)點(diǎn)是（③尺度不變性 ④考慮了模式的分布）。20、基于二次準(zhǔn)則函數(shù)的h-k算法較之于感知器算法的優(yōu)點(diǎn)是（①可以判別問題是否線性可分 ③其解的適應(yīng)性更好）。
21、影響基本c均值算法的主要因素有（④初始類心的選取 ①樣本輸入順序 ②模式相似性測(cè)度）。
22、位勢(shì)函數(shù)法的積累勢(shì)函數(shù)k(x)的作用相當(dāng)于bayes判決中的（②后驗(yàn)概率 ④類概率密度與先驗(yàn)概率的乘積）。
23、統(tǒng)計(jì)模式分類問題中，當(dāng)先驗(yàn)概率未知時(shí)，可使用（②最小最大損失準(zhǔn)則 ④n-p判決）
24、在（①cn>>n,（n為原特征個(gè)數(shù)，d為要選出的特征個(gè)數(shù)）③選用的可分性判據(jù)j對(duì)特征數(shù)目單調(diào)不減）情況下，用分支定界法做特征選擇計(jì)算量相對(duì)較少。
25、散度jd是根據(jù)（③類概率密度）構(gòu)造的可分性判據(jù)。
26、似然函數(shù)的概型已知且為單峰，則可用（①矩估計(jì)②最大似然估計(jì)③bayes估計(jì) ④bayes學(xué)習(xí)⑤parzen窗法）估計(jì)該似然函數(shù)。
27、kn近鄰元法較之parzen窗法的優(yōu)點(diǎn)是（②穩(wěn)定性較好）。
28、從分類的角度講，用dklt做特征提取主要利用了dklt的性質(zhì)：（①變換產(chǎn)生的新分量正交或不相關(guān)③使變換后的矢量能量更趨集中）。
29、一般，剪輯k-nn最近鄰方法在（①樣本數(shù)較大）的情況下效果較好。d29、如果以特征向量的相關(guān)系數(shù)作為模式相似性測(cè)度，則影響聚類算法結(jié)果的主要因素有（②分類準(zhǔn)則 ③特征選?。?0、假設(shè)在某個(gè)地區(qū)細(xì)胞識(shí)別中正常（w1）和異常（w2）兩類先驗(yàn)概率分別為 p(w1)=0.9，p(w2)=0.1，現(xiàn)有一待識(shí)別的細(xì)胞，其觀察值為x，從類條件概率密度分布曲線上查得p(xw1)?0.2，p(xw2)?0.4，并且已知?11?0，?12?6，?21?1，?22?0
試對(duì)該細(xì)胞x用一下兩種方法進(jìn)行分類： 1.基于最小錯(cuò)誤率的貝葉斯決策； 2.基于最小風(fēng)險(xiǎn)的貝葉斯決策； 請(qǐng)分析兩種結(jié)果的異同及原因。
模式識(shí)別作業(yè)答案 模式識(shí)別論文題目篇二
《模式識(shí)別》學(xué)習(xí)心得
模式識(shí)別(pattern recognition)技術(shù)也許是最具有挑戰(zhàn)性的一門技術(shù)了，模式識(shí)別有時(shí)又被稱為分類技術(shù)，因?yàn)槟Ｊ阶R(shí)別說到底就是對(duì)數(shù)據(jù)進(jìn)行分類。說到識(shí)別，最為常用的便是模仿人的視覺的圖像識(shí)別（當(dāng)然還有語音識(shí)別），也許你會(huì)想當(dāng)然地認(rèn)為那還不簡(jiǎn)單，覺得我們用我們的眼睛可以輕而易舉地識(shí)別出各種事物，但是當(dāng)你想用計(jì)算機(jī)中的程序來實(shí)現(xiàn)它時(shí)，于是你便會(huì)覺得很沮喪，甚至于有無從下手的感覺，至此你再也不會(huì)覺得電腦有多聰明，你會(huì)覺得電腦是多么的低能。是的，現(xiàn)在的電腦智能，即人工智能還遠(yuǎn)不如蟑螂的智能，這其中最為根本的原因是模式識(shí)別技術(shù)還是處于較為低層次的發(fā)展階段，很多的識(shí)別技術(shù)還無法突破，甚至有人還斷言，再過30年也不會(huì)有本質(zhì)的飛躍。當(dāng)然，世事總是讓人難以預(yù)料，我們也用不著這么地悲觀，科學(xué)技術(shù)總是向前發(fā)展的，沒有人可以阻檔得了的。在這里，我把我對(duì)模式識(shí)別技術(shù)的學(xué)習(xí)和研究心得拿出來與大家分享一下。
模式識(shí)別具有較長(zhǎng)的歷史，在20世紀(jì)60年代以前，模式識(shí)別主要是限于統(tǒng)計(jì)學(xué)領(lǐng)域中的理論研究，還無法有較強(qiáng)的數(shù)學(xué)理論支持，20世紀(jì)80年代神經(jīng)網(wǎng)絡(luò)等識(shí)別技術(shù)得到了突破，計(jì)算機(jī)硬件技術(shù)更是有了長(zhǎng)足的發(fā)展，模式識(shí)別技術(shù)便得到了較為廣泛的應(yīng)用，光學(xué)字符識(shí)別(ocr)是模式識(shí)別技術(shù)最早得到成功應(yīng)用的技術(shù)，之后的應(yīng)用還有如dna序列分析、化學(xué)氣味識(shí)別、圖像理解力、人臉檢測(cè)、表情識(shí)別、手勢(shì)識(shí)別、語音識(shí)別、圖像信息檢索、數(shù)據(jù)挖掘等。
模式識(shí)別是一門與數(shù)學(xué)結(jié)合非常緊密的科學(xué)，所應(yīng)用到的數(shù)學(xué)知識(shí)非常多，最基本的便是概率論和數(shù)理統(tǒng)計(jì)了，模式識(shí)別技術(shù)到處都充滿了概率和統(tǒng)計(jì)的思想，我們經(jīng)常所說的識(shí)別率，其實(shí)就是概率的表達(dá)：在大數(shù)據(jù)量（嚴(yán)格地說應(yīng)當(dāng)是數(shù)據(jù)量無窮大）測(cè)試中識(shí)別成功的概率，還有常用的貝葉斯決策分類器便是運(yùn)用了概率公式。模式識(shí)別還用到了線性代數(shù)，因?yàn)檫\(yùn)用線性代數(shù)可以較為方便表達(dá)具有多特征的事物，我們一般會(huì)用向量來表達(dá)一個(gè)事物的特征，對(duì)于向量的計(jì)算是一定會(huì)用到線性代數(shù)的知識(shí)的。還有一個(gè)較為高層次的數(shù)學(xué)知識(shí)是泛函分析，泛函分析是研究無限維線性空間上的泛函數(shù)和算子理論，svm（支持向量機(jī)）便是以泛函分析中的理論為基礎(chǔ)的，svm技術(shù)還運(yùn)用到了最優(yōu)化理論數(shù)學(xué)知識(shí)，最近中科院王守覺院士提出的多維空間仿生模式識(shí)別技術(shù)是以拓?fù)鋵W(xué)為理論基礎(chǔ)的。所以說模式識(shí)別科學(xué)是應(yīng)用到數(shù)學(xué)知識(shí)最多的一門學(xué)科之一，在我們研究模式識(shí)別技術(shù)過程中會(huì)碰到一個(gè)又一個(gè)的數(shù)學(xué)知識(shí)，有時(shí)需要我們重新拿起大學(xué)時(shí)的數(shù)學(xué)書來學(xué)習(xí)，有時(shí)還需要我們?nèi)ふ液蛯W(xué)習(xí)我們也許從未學(xué)習(xí)過的數(shù)學(xué)知識(shí)，這時(shí)你會(huì)感覺到你真的是在做研究，仿佛又回到了大學(xué)學(xué)習(xí)時(shí)光，你更會(huì)感覺到要學(xué)好模式識(shí)別技術(shù)需要多年的積累，浮躁不得，當(dāng)然，如果你越是堅(jiān)持下來，你的價(jià)值就會(huì)越大，因?yàn)檫@是個(gè)可以不斷得到積累的技術(shù)，不像研究上層應(yīng)用，研究多年并不意味著你就會(huì)有多厲害，一下子沒有跟進(jìn)便會(huì)被淘汰掉，而后面進(jìn)來研究的人很容易超越前面研究的人，所以說，模式識(shí)別技術(shù)是一個(gè)喜歡做研究的人的一個(gè)很好的選擇。模式識(shí)別大體上可以分為統(tǒng)計(jì)模式識(shí)別和句法模式識(shí)別，統(tǒng)計(jì)模式識(shí)別是對(duì)大量的樣本進(jìn)行統(tǒng)計(jì)或?qū)W習(xí)而最后得到一個(gè)分類器，如貝葉斯分類器、神經(jīng)網(wǎng)絡(luò)、svm、k近鄰法則等都是屬于統(tǒng)計(jì)模式識(shí)別的方法，句法模式識(shí)別則是依據(jù)一定的邏輯規(guī)則進(jìn)行判別，如圖像形狀判斷、語法類型判斷、地址細(xì)分等，句法模式識(shí)別也可以稱為結(jié)構(gòu)模式識(shí)別，一般是應(yīng)用于邏輯清楚、不易混淆的識(shí)別應(yīng)用中，識(shí)別方法也比較簡(jiǎn)單，所以現(xiàn)在研究的大部分都是統(tǒng)計(jì)模式識(shí)別的方法，而且在這其中研究比較集中的是機(jī)器學(xué)習(xí)，因?yàn)槿藗兿嘈牛合袢祟惐鎰e新事物一樣，都需要一個(gè)學(xué)習(xí)過程，對(duì)于計(jì)算機(jī)也可以像人類那樣地去學(xué)習(xí)而具有辨識(shí)能力。神經(jīng)網(wǎng)絡(luò)技術(shù)便是基于模仿人類的學(xué)習(xí)而產(chǎn)生的。說了這么多，其實(shí)我想表達(dá)的是統(tǒng)計(jì)方法在模式識(shí)別中的重要性，在這一節(jié)我們主要就來討論一下概率論和統(tǒng)計(jì)在模式識(shí)別中的應(yīng)用。
說到概率和統(tǒng)計(jì)就不得不提貝葉斯決策理論，它是解決模式分類問題的一種基本統(tǒng)計(jì)途徑，貝葉斯決策理論的基本公式可做如下描述：
某個(gè)特征被判斷為某類的概率 =該類中出現(xiàn)這個(gè)特征的概率 × 該類存在的概率 / 這個(gè)特征出現(xiàn)的概率
上面這個(gè)公式是一個(gè)條件概率公式的推導(dǎo)，這里用文字來描述，以便更好理解，要想了解更多這方面的知識(shí)可以查找有關(guān)模式識(shí)別的理論書，幾乎每種理論書的第一個(gè)部分就是描述這方面的內(nèi)容。
概率上的應(yīng)用還有較為常用的理論是馬爾可夫模型（markov model）和穩(wěn)馬爾可夫模型(hmm)，這個(gè)是分詞技術(shù)和語音識(shí)別中的基本理論工具之一，其中詞頻統(tǒng)計(jì)是其基本統(tǒng)計(jì)需要。馬爾可夫模型和穩(wěn)馬爾可夫模型都是多條件概率的應(yīng)用，追求的也是大概率結(jié)果。馬爾可夫模型又可以分為一階馬夫可夫模型（bigram模型）、二階馬爾可夫模型(trigram模型)、n階馬爾可夫模型（n-gram模型），階數(shù)越大，則需要統(tǒng)計(jì)的數(shù)據(jù)越多，計(jì)算的復(fù)雜度也會(huì)猛增。hmm運(yùn)用了前向計(jì)算法（viterbi算法），計(jì)算復(fù)雜度大大降低了下來，所以得到了較為廣泛的應(yīng)用，當(dāng)今的語音識(shí)別算法就是采用hmm理論模型實(shí)現(xiàn)的。
統(tǒng)計(jì)分析中有個(gè)協(xié)方差矩陣，它可以應(yīng)用于pca（主成分分析）降維方法中?？梢院苋菀桌斫猓?dāng)特征越多時(shí)，計(jì)算則越復(fù)雜，而且計(jì)算結(jié)果準(zhǔn)確性則越低，所以我們總是要想方設(shè)法把特征維數(shù)降下來，較為常用的方法則是用pca降維方法（另一個(gè)方法vq也是個(gè)很好的降維方法），這個(gè)方法是通過大量的樣本統(tǒng)計(jì)，統(tǒng)計(jì)出方差最小的特征，方差越小，則說明這種特征越易混淆，越無助于分類，于是就可以把這些特征去掉，以此降低了特征維數(shù)。
類似于神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)方法也是屬于統(tǒng)計(jì)模式識(shí)別一種，機(jī)器學(xué)習(xí)方法大大簡(jiǎn)化了我們對(duì)樣本數(shù)據(jù)的統(tǒng)計(jì)工作量，采用了自動(dòng)化的方法根據(jù)大量樣本生成一個(gè)分類器，在這其中，統(tǒng)計(jì)分析的應(yīng)用較為穩(wěn)性，以至于讓你無法承認(rèn)它是屬于統(tǒng)計(jì)模式識(shí)別的方法，但是對(duì)于大量樣本的學(xué)習(xí)也可以算是統(tǒng)計(jì)方法的范疇，如神經(jīng)網(wǎng)絡(luò)中的每個(gè)神經(jīng)節(jié)點(diǎn)的系數(shù)的形成是依據(jù)一定算法（如lms算法）通過大量樣本修正出來的，這個(gè)修正的過程也可以算是統(tǒng)計(jì)分析的過程。
既然模式識(shí)別技術(shù)與概率和統(tǒng)計(jì)分析密不可分，所以在設(shè)計(jì)分類器之前，首先要準(zhǔn)備好大量的、周全的、能夠覆蓋各種情況的訓(xùn)練樣本和測(cè)試樣本，然后對(duì)訓(xùn)練樣本進(jìn)行統(tǒng)計(jì)分析，分析樣本的特點(diǎn)，分析樣本的特征值分布規(guī)律，得到各種統(tǒng)計(jì)數(shù)據(jù)，最后再來確定模式識(shí)別的方法，測(cè)試樣本用來檢驗(yàn)分類器的合理性 問題，根據(jù)測(cè)試樣本測(cè)試出來的問題，需要返回去修改分類器，這是一個(gè)反復(fù)的過程，直至最后達(dá)到分類器的性能目標(biāo)。
我們?cè)诒硎灸硞€(gè)事物的特征時(shí)，其特征數(shù)一般有三個(gè)以上的，甚至有好幾百個(gè)特征，為了表示方便，對(duì)于特征值一般采用向量的形式來表示，所以我們?cè)谘芯磕Ｊ阶R(shí)別時(shí)會(huì)有很多的矩陣運(yùn)算，對(duì)于特征值的運(yùn)算我們可以把它想象成是一個(gè)高維空間中的運(yùn)算，矩陣運(yùn)算可以方便地表達(dá)高維空間中的運(yùn)算，所以說線性代數(shù)是研究模式識(shí)別的數(shù)學(xué)基礎(chǔ)，更高層次的數(shù)學(xué)理論是泛函分析，它是研究無限維空間的幾何學(xué)和分析學(xué)。
對(duì)于三維以下空間，我們可以較容易地想象出來，但是三維以上的空間超出了我們的感知能力，很多在三維以下空間的計(jì)算，推廣到高維空間時(shí)，則不靈了，出現(xiàn)了所謂的“維數(shù)災(zāi)難”，這是因?yàn)楦呔S空間中出現(xiàn)了稀疏性和空空間的現(xiàn)象，即高維空間中的數(shù)據(jù)分布會(huì)非常地稀疏，且可能出現(xiàn)密度會(huì)很高的空區(qū)域中點(diǎn)，維數(shù)災(zāi)難是bellman首先提出來的，它泛指在數(shù)據(jù)分析中遇到的由于變量過多而引起的一系列問題，有點(diǎn)像“指數(shù)爆炸”，隨著指數(shù)的遞增，數(shù)據(jù)會(huì)迅速膨脹到難以想象的大。
svm模式識(shí)別技術(shù)利用核方法，在高維空間中進(jìn)行變換，巧妙地解決了維數(shù)災(zāi)難的問題，所以很多實(shí)驗(yàn)表明svm分類算法總是能夠優(yōu)于其它分類算法。雖然有如此的好辦法，但是我們還是得想辦法降低維數(shù)，降低了維數(shù)，不僅可以降低計(jì)算的復(fù)雜度，也可以排除不必要的干擾特征，在眾多的特征中也許有些特征是沒有用的，即可能存在不是特征的特征，把這些無用的特征去掉，可以改善分類器的性能，目前降低維數(shù)主要應(yīng)用的辦法是pca方法，很多人在描述這個(gè)方法時(shí)總要扯上協(xié)方差矩陣，讓人陷入一大堆公式的推導(dǎo)中，其實(shí)核心思想就是把方差最小的那些特征排除掉，如果你知道這一點(diǎn)，可以不用理協(xié)方差矩陣，直接通過統(tǒng)計(jì)樣本的特征值方差來實(shí)現(xiàn)pca方法。
兩組特征之間的距離可以有很多種表示方法，如歐氏距離、絕對(duì)值距離、切比雪夫距離、馬氏距離、蘭氏距離、相似系數(shù)、定性指標(biāo)的距離等，大家比較熟悉的是歐氏距離，其實(shí)這種距離在高維空間并不常用，不僅是因?yàn)橛?jì)算量大，還因?yàn)椴煌卣鞯闹?，其?jì)算單位不一樣，不可以把每種特征同等看待，在模式識(shí)別中采用哪種距離計(jì)算方式很重要，會(huì)關(guān)系到分類器設(shè)計(jì)的成敗。計(jì)算距離的方式需要根據(jù)實(shí)際情況靈活應(yīng)用，有時(shí)甚至可以自己設(shè)計(jì)距離計(jì)算方式，只要滿足距離的四個(gè)條件即可：
1．當(dāng)且僅當(dāng)兩點(diǎn)重合時(shí)距離才會(huì)等于0;2．距離值必需是大于或等于0;
3．對(duì)稱性：從a點(diǎn)到b點(diǎn)求得的距離等于從b點(diǎn)到a點(diǎn)求得的距離； 4．三角不等式：三個(gè)點(diǎn)形成的三角距離關(guān)系中，任兩邊的和大于第三邊。
學(xué)習(xí)模式識(shí)別我個(gè)人覺得從神經(jīng)網(wǎng)絡(luò)入手可能是個(gè)較好的選擇，一方面可以避免一下子就陷入復(fù)雜的公式推導(dǎo)中，另一方面可以讓我們較快就能體驗(yàn)到模式識(shí)別是個(gè)什么樣的技術(shù)，因?yàn)槲覀兛梢岳?matlab或 opencv 非常方便地進(jìn)行實(shí)踐(學(xué)習(xí)一種技術(shù)，多去實(shí)踐非常有助于對(duì)理論知識(shí)的理解)。神經(jīng)網(wǎng)絡(luò)技術(shù)是從仿生的角度來思考模式識(shí)別技術(shù)，探尋模仿人類的智能一直以來是科學(xué)界所研究的目標(biāo)，神經(jīng)網(wǎng)絡(luò)技術(shù)就是基于此而產(chǎn)生的，但是神經(jīng)網(wǎng)絡(luò)能夠得到應(yīng)用還是 因?yàn)閿?shù)學(xué)問題方面得到了解決，最優(yōu)化理論中的梯度下降法便是神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)原理的核心，梯度下降算法是一個(gè)循環(huán)的計(jì)算過程：
1． 為算法模型參數(shù)值選擇初始值，或隨機(jī)選擇些初始值； 2． 計(jì)算每個(gè)參數(shù)對(duì)應(yīng)的損失函數(shù)的變化梯度；
3． 根據(jù)梯度值改變參數(shù)值，使得錯(cuò)誤值變得更?。?4． 重復(fù)第二和第三步驟直至梯度值接近于0。
神經(jīng)網(wǎng)絡(luò)方法就是通過訓(xùn)練樣本進(jìn)行學(xué)習(xí)來擬合出一條分割線（對(duì)于維數(shù)是三維的識(shí)別，則是個(gè)平面或曲面，三維以上則是超平面或超曲面），如果這條分割線是一條直線（或平面，或超平面），則稱為線性神經(jīng)網(wǎng)絡(luò)，否則為非線性神經(jīng)網(wǎng)絡(luò)，線性神經(jīng)網(wǎng)絡(luò)較好理解，理解了線性神經(jīng)網(wǎng)絡(luò)，對(duì)于非線性神經(jīng)網(wǎng)絡(luò)則能夠更易理解，所以這里先以線性神經(jīng)網(wǎng)絡(luò)為例來解釋神經(jīng)網(wǎng)絡(luò)的原理，下圖是一個(gè)二維特征分布圖，中間的一條直線是分割線，我們現(xiàn)在要關(guān)心的問題是這條分割線是如何計(jì)算出來，如果學(xué)過數(shù)學(xué)，我們知道可以用最小二乘法把它計(jì)算出來，但這里我們將要用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法來把它學(xué)習(xí)出來
從上圖我們可以知道，只要我們能夠得到w1,w2,b的值，則這條直線我們就可以求出來了，據(jù)此我們構(gòu)造出如下所示的神經(jīng)網(wǎng)絡(luò)拓?fù)鋱D：
從上圖中的w1,w2，我們把它們稱為權(quán)值，b稱為閾值，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程便是不斷地調(diào)整權(quán)值和閾值，直至最后達(dá)到最小的錯(cuò)誤率，對(duì)于線性神經(jīng)網(wǎng)絡(luò)，我們可以采用lms算法，即最小均方差算法來求出權(quán)值和閾值，如下是lms算法的描述：
原理：通過調(diào)整線性神經(jīng)網(wǎng)絡(luò)的權(quán)值(w)和閾值(b)，使得均方差最小。已知有樣本集：{p1，t1}，{p2，t2}，{p3，t3}……{pn，tn}，（如果樣本特征值是多維的，則p是個(gè)向量表達(dá)式）。
求出均方差：mse = sum(e(i)2)/ n = sum(t(i)– a(i))2 / n, 其中i = 1~n，a(i)= pi × w + b。假設(shè)第k步已分別求出權(quán)值梯度（gw）和閾值梯度（gb），則第k+1步權(quán)值和閾值分別為：
w(k+1)= w(k)– gw×α；
b(k+1)= b(k)– gb×α； α為學(xué)習(xí)率
下一步就是要怎么算出梯度，如果權(quán)值和閾值的變化能夠使得均方差趨向最小，則便可以達(dá)到我們的目標(biāo)，依此我們可以對(duì)均方差公式求對(duì)權(quán)值和閾值的偏導(dǎo)，這個(gè)偏導(dǎo)值便是我們所要的梯度值，它反應(yīng)了權(quán)值或閾值變化與均方差的關(guān)系，偏導(dǎo)公式的演變（推導(dǎo)）如下：
?e2(i)/?w = 2e(i)×?e(i)/?w = 2e(i)×?(t(i)– a(i))/?w = 2e(i)×?[t(i)–(w×p + b)]/?w
= –2e(i)×p；
?e2(i)/?b = 2e(i)* ?e(i)/?b = 2e(i)×?(t(i)– a(i))/?b = 2e(i)×?[t(i)–(w×p + b)]/?b
= – 2e(i)；
第k步的平均差值表示為：e(k)= sum(e(i))/n；于是最后我們就可以得到權(quán)值和閾值的變化方程式：
w(k+1)= w(k)– gw×α = w(k)+ 2×e(k)×p×α； b(k+1)= b(k)– g b×α = b(k)+ 2×(k)×α； 其實(shí)，上面所描述的神經(jīng)網(wǎng)絡(luò)是一種單層的神經(jīng)網(wǎng)絡(luò)，早在1969年，所著的《感知機(jī)》書中對(duì)單層神經(jīng)網(wǎng)絡(luò)進(jìn)行了深入分析，并且從數(shù)學(xué)上證明了這種網(wǎng)絡(luò)功能有限，甚至不能解決象“異或”這樣的簡(jiǎn)單邏輯運(yùn)算問題。同時(shí)，他們還發(fā)現(xiàn)有許多模式是不能用單層網(wǎng)絡(luò)訓(xùn)練的，真正讓神經(jīng)網(wǎng)絡(luò)得到廣泛應(yīng)用的是1985年發(fā)展了bp網(wǎng)絡(luò)學(xué)習(xí)算法，實(shí)現(xiàn)了minsky的多層網(wǎng)絡(luò)設(shè)想，bp網(wǎng)絡(luò)是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，其神經(jīng)元的傳遞函數(shù)是s型函數(shù)（非線性函數(shù)），它可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射，由于權(quán)值的調(diào)整采用反向傳播（back propagation）學(xué)習(xí)算法，因此被稱為bp網(wǎng)絡(luò)，目前，在人工神經(jīng)網(wǎng)絡(luò)應(yīng)用中，大部分是采用bp網(wǎng)絡(luò)及其變化形式，它也是前向網(wǎng)絡(luò)的核心部分，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)的精華。bp神經(jīng)網(wǎng)絡(luò)不僅可用于模式識(shí)別，還可用于函數(shù)逼近、數(shù)據(jù)壓縮應(yīng)用中。
bp算法跟上面介紹的算法非常相似，也是根據(jù)均方差求權(quán)值和閾值的調(diào)整方向，也是通過對(duì)權(quán)值變量和閾值變量分別求偏導(dǎo)得到權(quán)值和閾值的修正梯度方向，差別在于bp神經(jīng)網(wǎng)絡(luò)有好幾層，要從輸出層開始，一層一層地計(jì)算出每層的權(quán)值變化和閾值變化（所以稱為反向傳播學(xué)習(xí)算法），另一個(gè)差別是有些網(wǎng)絡(luò)層的神經(jīng)元的傳遞函數(shù)采用log-sigmoid型非線性函數(shù)，對(duì)于這類函數(shù)需要對(duì)其進(jìn)行求導(dǎo)。
bp算法的主要缺點(diǎn)是：收斂速度慢、存在多個(gè)局部極值、難以確定穩(wěn)層個(gè)數(shù)和穩(wěn)層節(jié)點(diǎn)的個(gè)數(shù)。所以在實(shí)際應(yīng)用中，bp算法很難勝任，需要進(jìn)行改進(jìn)，主要有兩種途徑進(jìn)行改進(jìn)：一種是啟發(fā)式學(xué)習(xí)算法（對(duì)表現(xiàn)函數(shù)梯度加以分析以改進(jìn)算法），另一種是更有效的優(yōu)化算法（基于數(shù)值最優(yōu)化理論的訓(xùn)練算法）。啟發(fā)式學(xué)習(xí)算法有這些：有動(dòng)量的梯度下降法、有自適應(yīng)lr的梯度下降法、有動(dòng)量和自適應(yīng)的梯度下降法、能復(fù)位的bp訓(xùn)練法等，基于最優(yōu)化理論的算法有這些：共軛梯度法、高斯-牛頓法、levenberg-marquardt方法，這些改進(jìn)的算法在matlab中都可以找得到，matlab提供了豐富的神經(jīng)網(wǎng)絡(luò)算法，除了bp神經(jīng)網(wǎng)絡(luò)，還有基于徑向基函數(shù)的神經(jīng)網(wǎng)絡(luò)（如廣義回歸神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)）、反饋型神經(jīng)網(wǎng)絡(luò)（如hopfield網(wǎng)絡(luò)、elman神經(jīng)網(wǎng)絡(luò)）、競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)（如自組織特征映射神經(jīng)網(wǎng)絡(luò)、學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)），所以學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，matlab是個(gè)非常好的工具，如果想看具體的實(shí)現(xiàn)方法，opencv提供了bp算法的實(shí)現(xiàn)，可惜目前opencv只實(shí)現(xiàn)bp算法，很希望有更多的神經(jīng)網(wǎng)絡(luò)算法能夠在opencv中被實(shí)現(xiàn)。
對(duì)于神經(jīng)網(wǎng)絡(luò)，萬不可過于迷信它的厲害，對(duì)于樣本種類多、神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)多，神經(jīng)網(wǎng)絡(luò)的收斂速度會(huì)很慢，導(dǎo)致學(xué)習(xí)要花費(fèi)很長(zhǎng)時(shí)間，由于存在多個(gè)局部極值點(diǎn)，導(dǎo)致初值不同和學(xué)習(xí)樣本不同時(shí)，學(xué)習(xí)效果也不同，所以經(jīng)常要多次學(xué)習(xí)才能夠得到較好的效果，根據(jù)問題的復(fù)雜度，設(shè)計(jì)合適的神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)也是一個(gè)非常難的問題。神經(jīng)網(wǎng)絡(luò)是人類模仿生物神經(jīng)網(wǎng)絡(luò)原理的一個(gè)成果，但是還遠(yuǎn)遠(yuǎn)無法達(dá)到生物的神經(jīng)網(wǎng)絡(luò)功能，現(xiàn)在的人工智能技術(shù)甚至連蟑螂都不如，也比不上小小的螞蟻，人工智能技術(shù)的研究還有非常漫長(zhǎng)的路要走。
模式識(shí)別作業(yè)答案 模式識(shí)別論文題目篇三
王麗霞
深圳市南山區(qū)學(xué)府路；***、lixia_2011@
求職意向
數(shù)字圖像處理、模式識(shí)別算法工程師 教育經(jīng)歷
汕頭大學(xué) 電子工程系 信號(hào)與信息處理專業(yè) 碩士2007.9—2010.6 汕頭市
·在校期間成績(jī)優(yōu)良，分別一次獲汕頭大學(xué)一等、二等獎(jiǎng)學(xué)金；2008 09擔(dān)任女生部部長(zhǎng)負(fù)責(zé)統(tǒng)籌管理，成立特色學(xué)科及基礎(chǔ)學(xué)科研討組，積極開拓學(xué)生的思維并提高他們的學(xué)習(xí)成績(jī)，更貼近社會(huì)的新路線。
濰坊學(xué)院 信息與控制工程學(xué)院 電子信息工程 學(xué)士2003.9—2007.6 濰坊市
·2007年9月以第一名成績(jī)考入汕頭大學(xué)攻讀碩士研究生；在校期間擔(dān)任班級(jí)學(xué)習(xí)委員負(fù)責(zé)不同類學(xué)生的學(xué)習(xí)方法指導(dǎo)；2004-9-2007-6擔(dān)任學(xué)院文藝部部長(zhǎng)，負(fù)責(zé)迎新晚會(huì)籌劃，鍛煉了團(tuán)隊(duì)領(lǐng)導(dǎo)能力、協(xié)調(diào)能力、臨場(chǎng)反應(yīng)能力以及創(chuàng)新思維。英語及專業(yè)技能
●熟練掌握了數(shù)字信號(hào)處理及它的常用算法、有良好的數(shù)學(xué)功底；熟悉圖像處理的基本算法、熟悉模式識(shí)別基礎(chǔ)知識(shí)與智能系統(tǒng)理論及它們的應(yīng)用，在模式識(shí)別和運(yùn)動(dòng)跟蹤方面有較深的理解；熟悉光伏應(yīng)用系統(tǒng)的結(jié)構(gòu)、性能原理；曾在核心期刊系統(tǒng)仿真技術(shù)發(fā)表文章（基于神經(jīng)網(wǎng)絡(luò)應(yīng)用的光伏最大功率跟蹤）。
●英語：六級(jí)考試 362；四級(jí)考試 473；具有較強(qiáng)的相關(guān)專業(yè)學(xué)科的英文文獻(xiàn)閱讀能力； ●能熟練使用計(jì)算機(jī)，會(huì)用電路仿真軟件、labview軟件、熟練掌握visual c++的mfc程序設(shè)計(jì)和matlab仿真工具，能夠做算法的設(shè)計(jì)和仿真；并能應(yīng)用labview軟件進(jìn)行信號(hào)處理（波形測(cè)量、時(shí)頻域分析與數(shù)學(xué)分析（概率統(tǒng)計(jì)擬合最優(yōu)化等）。工作經(jīng)歷
2010 6-2010 8深圳市輝銳天眼科技有限公司擔(dān)任核心研發(fā)工程師 ●職位為智能監(jiān)控核心研發(fā)工程師
●負(fù)責(zé)計(jì)算機(jī)視覺方面的ieee文章的講解及不同算法的實(shí)現(xiàn)研究，負(fù)責(zé)機(jī)器視覺系統(tǒng)圖像處理、分析及識(shí)別算法設(shè)計(jì)、實(shí)現(xiàn)，參與圖像處理技術(shù)研究與設(shè)計(jì)，對(duì)已有算法進(jìn)行優(yōu)化改進(jìn)。使用opencv進(jìn)行背景/前景提取、檢測(cè)識(shí)別、了解運(yùn)動(dòng)跟蹤的常用算法、設(shè)計(jì)相關(guān)信號(hào)特征提取算法及其設(shè)計(jì)模式識(shí)別分類器等。項(xiàng)目經(jīng)驗(yàn)
2008 09-2009 11模式識(shí)別與智能系統(tǒng)理論的算法研究 ●算法在matlab仿真，并在simulink中建模，最后把這個(gè)算法用c++語言編程，在vc++中生成了可執(zhí)行文件。
2009 01-2009 06生物細(xì)胞圖像病變檢測(cè)算法研究 ●在matlab中仿真了算法，正確率達(dá)到82%。
2009 07-2009 09圖像壓縮算法編碼器設(shè)計(jì) ●在fpga芯片上實(shí)現(xiàn)并驗(yàn)證了方案，對(duì)比得出了fpga比dsp在神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)上的明顯優(yōu)勢(shì)，前者采用指令順序執(zhí)行的方式，數(shù)據(jù)位寬固定，fpga處理數(shù)據(jù)的方式是基于硬件的并行處理方式，即一個(gè)時(shí)鐘周期內(nèi)可并行完成多次運(yùn)算，特別適合于神經(jīng)網(wǎng)絡(luò)的并行特點(diǎn)。2010 02在科進(jìn)生物識(shí)別公司 ●了解了不同二維條碼尤其qr code的特點(diǎn)，探討了定位圖形的方法，了解了指紋識(shí)別，探討了小波變換及gabor變換在紋理圖像的特征提取的優(yōu)劣。自我評(píng)價(jià)及愛好
●很強(qiáng)的責(zé)任心創(chuàng)新能力、自學(xué)能力及應(yīng)用知識(shí)能力；誠(chéng)實(shí)善良，勤奮刻苦，進(jìn)取精神、團(tuán)隊(duì)協(xié)作精神；愛好戶外運(yùn)動(dòng)、國(guó)學(xué)研究，齊白石大師的畫。
模式識(shí)別作業(yè)答案 模式識(shí)別論文題目篇四
談作業(yè)設(shè)計(jì)的創(chuàng)新與實(shí)效——關(guān)于語文學(xué)科作業(yè)創(chuàng)新課題研究
沙灣一中高一語文組 吳愛英
課題設(shè)想:
作為語文學(xué)科的任課教師,我始終認(rèn)為語文課前的預(yù)習(xí)作業(yè)和課后的鞏固作業(yè),在整個(gè)語文學(xué)習(xí)過程中不可或缺,而且扮演著日益重要的角色。.如何解讀作業(yè)與練習(xí)的效果呢?我認(rèn)為完成作業(yè)與練習(xí)是體現(xiàn)學(xué)生鮮明的價(jià)值追求、理想、愿望的活動(dòng)，作業(yè)與練習(xí)應(yīng)當(dāng)成為學(xué)生課外、校外的一種生活過程和生活方式，學(xué)生對(duì)待作業(yè)與練習(xí)的態(tài)度也就應(yīng)該成為教師重點(diǎn)關(guān)注的一個(gè)對(duì)象。
但學(xué)生對(duì)于作業(yè)的固有形式有些厭倦，比如生字詞的抄寫，注釋的記憶，再有就是觀后感的模式化書寫，作業(yè)形式固定化，恰恰消磨了他們對(duì)語文學(xué)科濃厚的興趣，鑒于此種情況，加之學(xué)生發(fā)自內(nèi)心的呼喊，2011-2013年，我在高一高二的必修課的作業(yè)形式上有意做了一些調(diào)整，有些談得上成功，也有一些效果一般，但至少我在努力的嘗試，學(xué)生也在嘗試中有所收獲，這就是大家愿意看到的一種現(xiàn)象。古語云：窮則變，變則通，通則達(dá)。具體實(shí)施：
課前的預(yù)習(xí)基本都安排在早讀或者晚自習(xí)時(shí)間，所以我的創(chuàng)新作業(yè)，或者有些稱得上是創(chuàng)新練習(xí)，安排時(shí)間比較靈活，或者在上課時(shí)間，或者在課下，同學(xué)們參與的熱情比較高。我會(huì)對(duì)作業(yè)情況進(jìn)行登記，利用第二天的早讀或者上課時(shí)間，集中展示優(yōu)秀的作品，對(duì)學(xué)生們的點(diǎn)滴進(jìn)步予以關(guān)注和鼓勵(lì)。
作業(yè)形式及成果展示：
一、將課文改寫成戲劇
學(xué)習(xí)必修二第二單元詩(shī)歌《氓》之后，我給學(xué)生講了戲劇的基本形式和特點(diǎn)，要求學(xué)生將本課改寫成戲劇，每一幕一個(gè)主題，每一幕設(shè)計(jì)背景音樂，可發(fā)揮自己的聯(lián)想想象。因?yàn)閷W(xué)生作品基本都在1000字左右，這里只能節(jié)選其中幾篇的幾個(gè)片段。
作品一（節(jié)選）愛的變奏曲
2015屆高一（18）班
錢碩君
時(shí)間：公元2012年12月21日 人物：女主人公：筱籬
男主人公：蕭霧
女主人公的姊妹：滄月（姐姐）、水滴（表姐）、章親（堂姐）
第一幕
愛的前奏
背景：這天筱籬與全世界的人都焦躁不安的等待著瑪雅人所預(yù)言的世界末日的來臨。當(dāng)差一秒就到達(dá)22日時(shí)，一切看似平靜的夜晚傳來了一聲刺耳的尖叫…… 時(shí)間：公元前2000年
衛(wèi)國(guó) 音樂：《世界末日》jay 在皇宮的后宮中，公主殿內(nèi)，一位衣著華麗的女子正躺在一具水晶棺材里，只見四周都是穿著白色衣服的婢女和娘娘們，她們?cè)诘却噬系膩砼R，而女主的額娘哭得死去活來，站都站不起來。太監(jiān)：皇上駕到 眾人：給皇上請(qǐng)安 就在皇上剛跨進(jìn)門檻之時(shí)，棺材里的人卻突然坐了起來，并揉著自己的腦袋。
筱籬：唔……這是哪里？我的頭好昏。（環(huán)顧四周）哎！我到了哪里? 皇上：筱籬……你怎么……（昏倒在地）
額娘：筱籬……你沒有死……死嗎……，太……太好了！（昏倒，嘴角掛著微笑）
作品二 再美的童話故事也會(huì)變煙花
2015屆高一（18）班
楊曉晶
時(shí)間：2012年7月7日 人物：凌馨兒
千志煥 第一幕：唯美的相遇
背景：普羅旺斯的薰衣草花海 音樂：《遇到》 凌馨兒：走在薰衣草花海的小道，伸開戴著鉆石手鏈的纖細(xì)嫩白的雙手，慢慢撫摸身體兩側(cè)的薰衣草花尖，輕輕的閉上雙眼，感受著這薰衣草花海的芳香。
千志煥:手拿照相機(jī)，正要將這美麗的花海拍下來時(shí)視線中出現(xiàn)一道刺眼的光，千志煥走近一看是閃閃發(fā)亮的鉆石手鏈，在陽光下鉆石鏈格外的耀眼。他將鉆石鏈拿在手里的第一反應(yīng)就是要尋找著手鏈的主人。他向四周察視，終于在自己的前方找到了以為清純可愛的女生，連忙跑過去說： “這是你的手鏈嗎？”
凌馨兒：嗯呢～是的，謝謝你呢！
千志煥:不客氣，這本來就是你的東西媽，物歸原主是應(yīng)該的。凌馨兒：嘿嘿，嗯，這次真是多虧你了，這個(gè)手鏈?zhǔn)菋寢屗徒o我的生日禮物，媽媽不在我身邊，每當(dāng)我看到這個(gè)手鏈時(shí)仿佛就看到了媽媽那甜美的笑容，所以這個(gè)手鏈對(duì)我真的很重要，不然這樣吧，我請(qǐng)你吃飯，我們素不相識(shí)的，你卻幫了我這么大的忙，如果你不去的話，我心里會(huì)過意不去的，總覺得欠了人家什么東西似的。
千志煥:好吧，既然美女都賞臉了，那我就恭敬不如從命嘍！凌馨兒：呵呵，嗯，那就走吧！
就這樣，他們?cè)诔燥埖倪^程中認(rèn)識(shí)了對(duì)方，了解了對(duì)方。他們聊了很多，共同語言，共同愛好也很多，從此成為了好朋友。隨著時(shí)間的流逝，千對(duì)凌產(chǎn)生了愛意，相同的，凌也是有和千一樣的感覺，也許是那一次的唯美相遇將他們二人的命運(yùn)緊緊連在了一起。第二幕 ：執(zhí)子之手，與子偕老 背景：在馬爾代夫的海邊 音樂：《什么都可以》
二、給課文的主人公寫信或者墓志銘、人物檔案
以下是學(xué)習(xí)《記念劉和珍君》之后，我讓學(xué)生給劉和珍寫的墓志銘和信件中的優(yōu)秀作品和優(yōu)美語段。
此刻，最想對(duì)你說的話
2015屆高一（2）班 湯喜梅
我們生活的這片樂土，曾經(jīng)被尸骨掩蓋，曾經(jīng)被鮮血浸紅，今天的幸福是無數(shù)革命先烈和愛國(guó)青年以生命為代價(jià)換取的。其中就有你，劉和珍君。
你愛國(guó)，具有正義感和責(zé)任感，你偉大、善良、和藹、愛憎分明，但卻慘死在兇殘的反動(dòng)政府的槍林彈雨中。我為你感到深深的悲哀，你是我們心目中的英雄。我們敬重你。
精彩語段摘錄
2015屆高一（2）班 葛芮齊
路，還沒有開始便已經(jīng)走到了盡頭，夢(mèng)，還來不及做便已經(jīng)不再醒來，劉和珍，這位年僅22歲的大學(xué)生，就這樣倒在了反動(dòng)派的槍彈之下。劉和珍君為了正義，為了自己的國(guó)家勇赴國(guó)難。
2015屆高一（2）班 張宇軒
如果你是從枝頭飄落的黃葉，就注定在這個(gè)季節(jié)慢慢凋零，只能夠這樣？你飄零在了什么地方？
有多少人會(huì)記得你，有多少人希望知道真相。如果有一天，你離開我奔向遠(yuǎn)方，如果有一天，你被掩埋在那從未有人去過的山崗。如果你是從天上飄落的雪花，就注定在這個(gè)季節(jié)慢慢融化，就算是這樣，就算是無力抵抗，請(qǐng)別把人世的悲涼放在心上。
2015屆高一（2）班 冉騰蛟
以柔弱的身軀，扛起一個(gè)民族的良知。以殷紅的鮮血證明中國(guó)女子的勇毅，即使被無情而罪惡的子彈射穿毫無防備的身體，但是，她的心里依然帶著對(duì)未來的期盼與對(duì)自由的渴求。那一瞬間，將永遠(yuǎn)鼓舞后人繼續(xù)前行！
2015屆高一（2）班 竇新鵬
沉默啊，沉默啊，不在沉默中爆發(fā)，就在沉默中滅亡！消亡的是你的身軀，不朽的是你的靈魂。
那是一個(gè)我們無法理解的時(shí)代。時(shí)光的車輪似乎就在此徘徊，在那無休止的沉默中，最后的吼聲也被無情的吞噬，最后的希望也被抹殺，可依然擋不住你如山洪般的爆發(fā)，你該屬于魯迅筆下的猛士，敢于直面慘淡的人生，敢于正視淋漓的鮮血，年輕的心活在黑暗的邊緣，已壓抑了數(shù)不盡的志氣，在十八日的早晨，連同著年輕的生命一齊爆發(fā)，三遍花草，溶進(jìn)流水，融入人心。
以下是在學(xué)習(xí)契訶夫的《裝在套子里的人》時(shí)，我讓學(xué)生為別里科夫?qū)懙娜宋餀n案。
第一小組作品
姓名：別里科夫 性別：男 年齡：35歲左右 婚姻狀況：未婚 職業(yè)：希臘文教師 身高：1米7左右
著裝習(xí)慣：戴黑眼鏡，穿著一件棉大衣，衣領(lǐng)豎起。穿雨鞋，帶雨傘。
行為習(xí)慣：把雨傘裝在套子里，把表放在一個(gè)灰色的鹿皮套子里，就連小刀也放在套子里。病史：懷疑有抑郁癥
口頭禪：千萬別鬧出什么亂子 性格：自閉，膽小，墨守陳規(guī)，孤僻
居住環(huán)境：與中學(xué)教師希爾金同屋，臥室小，床上掛著布帳
戀愛狀況：曾與一名烏克蘭籍名叫密哈伊·沙維奇·華連卡談過一段時(shí)間戀愛，甚至論及婚嫁，后因一場(chǎng)變故，此段戀情不了了之。據(jù)調(diào)查，這場(chǎng)變故也成為別里科夫死亡的最大原因。
第二小組作品：
姓名：別里科夫 性別：男 婚姻狀況：未婚 居住地址：學(xué)校宿舍 職業(yè)：希臘文教師 性格簡(jiǎn)介：為人古板，循規(guī)蹈矩，性格孤僻，沒有憐憫之心，對(duì)任何事都要較真，做事永遠(yuǎn)都按規(guī)則。個(gè)人履歷：
1、他曾用純粹套子式的論調(diào)降服其他教員，最終開除兩個(gè)問題學(xué)生
2、轄制了全城人的娛樂生活整整十五年
3、曾與華連卡有過戀愛關(guān)系 死因：因重度抑郁而死 第三小組作品 姓名：別里科夫 性別：男 身高：174公分 體重：57公斤 血型：ab 年齡：38 膚色：白人 國(guó)籍：俄國(guó)
職業(yè)：普通中學(xué)教員 任教科目：希臘文
家庭住址：教員宿舍，約10平方米 婚姻狀況：未婚 性格：孤僻，保守封建
著裝:棉大衣（豎領(lǐng)），戴眼鏡，穿雨鞋，帶雨傘 月收入：250盧布
身份證號(hào)：65422318210917 qq號(hào)：7487487474748 聯(lián)系電話：0748-250380748
三、仿寫課文，學(xué)習(xí)課文的語言技巧和結(jié)構(gòu)形式。學(xué)習(xí)必修一第一單元《大堰河——我的保姆》后，我讓同學(xué)們也為自己的父母寫一首贊美詩(shī)，或是愛的頌歌。
愛你——母親
2015屆 高一（18）班
王智濛我愛你，母親 你也愛我，但我知道，我們的愛不同 我的愛是溪流 母親的愛是海洋 芨芨草上的露珠 反射著兒時(shí)稚嫩的笑臉 又圓又亮
那是太陽給予的光芒 那是母親給予的回憶
四月的日子 半是爛漫，半是輝煌 那是春風(fēng)吹過的地方 那是母親撫過的地方 我的歡樂 是母親臉上的微笑 我的痛苦
是母親眼里深深的憂傷
我可以走得很遠(yuǎn)很遠(yuǎn) 但總也走不出 母親心靈的街場(chǎng) 她給我的愛，很濃很多
就像一首田園詩(shī)，幽遠(yuǎn)純凈，和雅清淡 就像一幅山水畫，洗去雕飾，留下自然 就像一首深情歌，婉轉(zhuǎn)悠長(zhǎng)，輕吟淺唱 就像一陣和煦風(fēng)，吹去朔雪，帶來春光 而我給她的愛，卻很淡很稀 不像冰心疊著紙船輕吟著愛她 不像游子遠(yuǎn)寄家書流淚著愛她 不像孟佩杰般微笑著愛她 不像紀(jì)念母親的文人洶涌著愛她 我的愛曼妙又微妙
濡染出了屬于我發(fā)自內(nèi)心的溫柔
翻開往事 遠(yuǎn)逝的歌謠記載著 少年時(shí)的記憶 循著媽媽的呼喚與思念 匆匆趕回了家
迎上了母親熱淚漣漣的臉 母親疲勞的臉，溫柔的眸 我一個(gè)箭步?jīng)_上去緊緊抱住她 我愛你，我的母親。風(fēng)勾勒著海的輪廓 海的味道浸在風(fēng)中 我尋找屬于母親的痕跡 美好的回憶再次浮現(xiàn)
就想這樣一直愛著你——我的母親
脊背
2015屆高一（18）班
牛思琦
曾經(jīng)的英姿不在，曾經(jīng)的挺拔不在，曾經(jīng)的健壯不在，歲月仿佛在一夕之間偷走了他的所有，只留下殘破的身軀和彎了的脊背。這是他嗎？
———題記
晚自習(xí)下了課，望著漆黑的夜空，我嘆了口氣，一個(gè)人的道路是孤單的，黑漆漆的小巷令人恐懼。
咦？前面的是？是他嗎？
我向前走了幾步，瞇起眼睛，打量了他幾番，是他，我驚喜地喊了聲：“爸！”“上車吧?！甭燥@沙啞的聲音響起。爸爸用手拍了拍，往前挪了挪，我坐上去，像小時(shí)候般，靠著他的背，縮成一團(tuán)，躲在他的背后。
“爸，你別駝著背，這樣對(duì)身體不好，把背挺直?！蔽也皇娣膭?dòng)了動(dòng)，有點(diǎn)埋怨的說。
他努力地挺了挺，試圖挺直，我能感覺到他因挺背而晃動(dòng)的上身，可是，怎么還是彎的？我氣憤的轉(zhuǎn)過頭，被眼前的一幕驚呆了。
這是怎樣的背啊，肩上的骨骼垂成兩個(gè)弧形，背部佝僂成一個(gè)前傾后拱的弧形，而腰部又有點(diǎn)前拱后傾，這樣的背，還是曾經(jīng)如同小白楊一般挺拔的背嗎？呈現(xiàn)在我面前的背，分明是一座弧形的橋啊！淚水迅速席卷了我的眼眶，我不置信地?fù)u搖頭，他的背在以前比別人挺拔多了，小他許多的人脊背已經(jīng)彎曲了，可現(xiàn)在他怎么也……
小時(shí)候，看著高大的父親，覺得天塌下來我都不怕，因?yàn)楦赣H會(huì)為我頂著，在那時(shí)，父親就是我的天，就是我的依靠，就是一個(gè)頂天立地的大英雄。
“你動(dòng)干啥？”爸問。
父親的話打斷了我的沉思，我下意識(shí)的搖了搖頭，才意識(shí)到他看不見。
“我，我有點(diǎn)兒冷?！背榱顺楸亲?，我忍住哭腔答。
父親沒有再說話。
只是微微往后挪了挪身軀，靠在我的背上，為我擋住迎面的風(fēng)。
依稀間，我仿佛看見了那個(gè)依舊挺拔的父親，那個(gè)依舊可以為我遮風(fēng)擋雨，讓我為之驕傲的父親，那個(gè)頂天立地的父親。
那個(gè)他，又回來了。這，是他，是我的爸爸。是那個(gè)依然背如松樹的爸爸。
四、詩(shī)句接龍，當(dāng)堂創(chuàng)作詩(shī)歌
2011年新學(xué)期第一課，我讓同學(xué)們以海子的《面朝大海，春暖花開》的首句“從今天起，做一個(gè)幸福的人”作引子，進(jìn)行詩(shī)句接龍，這些都是同學(xué)們當(dāng)堂思想火花的碰撞。
詩(shī)句接龍
2012屆高二（10）班作品
從今天起，做一個(gè)幸福的人 不看書、不寫字、不上班 人生是如此的漫長(zhǎng)
如果你沉浸其中，你將發(fā)覺人生是如此的短暫 人生既然如此短暫，那就盡情狂歡吧！
人生自有沉浮，只有學(xué)會(huì)了忍受自己生命中的那份悲傷，才會(huì)懂得什么叫做真正的幸福 幸福是什么？
幸福就是，貓吃魚，狗吃肉，奧特曼打小怪獸 幸福就像捉迷藏，你越找，它越藏
一次失敗不算什么，一次錯(cuò)誤的選擇也不算什么，只要有人還在關(guān)心你，那就是你的幸福
幸福就是和你最親的朋友在一起，躺在一片綠綠的草地里，呼吸著最純凈的空氣，時(shí)而閉上眼睛，時(shí)而睜開眼睛看著天空，做最舒服的動(dòng)作，說最想說的話。幸福就是 面朝大海，春暖花開
詩(shī)句接龍
2012屆高二(20)班作品
從今天起，做一個(gè)幸福的人 幸福離我們并不高、并不遠(yuǎn) 有時(shí)我們卻總也追不到它 我只吃飯不洗碗 我只洗碗不吃飯 幸福到底在哪里？
每天簡(jiǎn)簡(jiǎn)單單、快快樂樂這就是幸福 幸福依然就在我們身邊
因?yàn)槲抑?，痛苦就是有閑功夫擔(dān)心自己是否幸福 從今天起，我要做一個(gè)幸福的人 從懵懂中漸漸醒來去追逐幸福
在我們仰望自己的幸福時(shí)，千萬別忘了擦肩而過的幸福 人生路那么漫長(zhǎng)，每個(gè)時(shí)刻都有人和自己同行、邂逅、離開 感謝她們 豐富了我的生命 然后就這樣子 慢慢成長(zhǎng)吧
從今天起，做一個(gè)幸福的人 不做飯、不洗碗、不買菜 我不覺得這樣很幸福 總有一天
你會(huì)感到屬于你的幸福 有沒有人可以告訴我 幸福究竟是什么 幸福在路上 幸?；蛟S就是路上 你回眸一笑 眼里的那道閃光 閃光太多 我會(huì)熱
熱了就去洗個(gè)澡
那么就到夏天涼爽的雨中 一起去尋找幸福吧
夏天怎么能有沒有你的幸福 那么我們冬天可以去北海道 其實(shí)幸福用不著尋找 他說來就回來的 可是當(dāng)幸福來敲門 我卻茫然不知所措 我會(huì)來給你開門 我會(huì)來幫你點(diǎn)菜 我追隨著你的腳步 不知該不該去遠(yuǎn)方 你不用知道該不該 跟我走就好了
請(qǐng)告訴我哪里才是盡頭 我想把你的問題寫在紙上 一遍一遍的解讀 你心中的我是什么味道 你的樣子讓我想起 櫻桃
櫻桃長(zhǎng)在遠(yuǎn)方的樹上 如果你可以 請(qǐng)去摘吧 有情飲水飽
實(shí)效體會(huì)：
現(xiàn)在的社會(huì)最需要的恰恰是創(chuàng)新型人才，要培養(yǎng)有創(chuàng)新精神的學(xué)生，首先可以從作業(yè)的創(chuàng)新做起，點(diǎn)滴深入。我發(fā)現(xiàn)學(xué)生在創(chuàng)新作業(yè)中體會(huì)了快樂，獲得了鼓勵(lì)和肯定，對(duì)作業(yè)不再畏懼，而是有了更多的期待。同時(shí)學(xué)習(xí)語文的興趣也前所未有的高漲。這些精彩的作品就是印證。作業(yè)設(shè)計(jì)體現(xiàn)自主性，才能讓學(xué)生敢于創(chuàng)新；作業(yè)形式活中來新，使學(xué)生樂于創(chuàng)新；重視作業(yè)過程，目的是使學(xué)生學(xué)會(huì)創(chuàng)新
我們可以通過求異求新，培養(yǎng)他們的創(chuàng)新思維?？梢酝ㄟ^激發(fā)想象，開發(fā)他們的創(chuàng)新思維。還可通過一系列的實(shí)踐活動(dòng)，培養(yǎng)學(xué)生的創(chuàng)新能力。
最后，教師更要講究評(píng)價(jià)藝術(shù)，保護(hù)學(xué)生的創(chuàng)造熱情 心理實(shí)驗(yàn)顯示，積極友好的評(píng)價(jià)可以促進(jìn)個(gè)體自卑感的克服、強(qiáng)化學(xué)生參與學(xué)習(xí)的積極性、喚醒并激發(fā)他們的創(chuàng)新情感。作為教師，我們應(yīng)該關(guān)注學(xué)生現(xiàn)在已有的水平的發(fā)展以及發(fā)展中的個(gè)別差異，給予更多的鼓勵(lì)、獎(jiǎng)勵(lì)和提醒。如：學(xué)生完成的作業(yè)想象豐富，老師就用“有創(chuàng)意的作業(yè)，真棒！”這樣的話加以贊揚(yáng)；如學(xué)生完成的作業(yè)還不盡人意，老師就用“相信自己的努力，下決心一定能做好”這樣滾燙的話語來激勵(lì)。我深刻地感到，教師或許是不經(jīng)意的一句帶有評(píng)價(jià)色彩的話，可能就深刻影響到學(xué)生對(duì)學(xué)習(xí)生活的認(rèn)識(shí)、情感和態(tài)度。
“教者有心，學(xué)者有益?！眱?yōu)化作業(yè)的設(shè)計(jì)，能較好地適應(yīng)不同層次的學(xué)生，有效地激發(fā)他們學(xué)習(xí)語文的積極性、拓展想象的空間、培養(yǎng)他們的創(chuàng)新精神和實(shí)踐能力、發(fā)展他們的個(gè)性，從而為學(xué)生的終身學(xué)習(xí)、終身發(fā)展打下良好的基礎(chǔ)。
模式識(shí)別作業(yè)答案 模式識(shí)別論文題目篇五
模式識(shí)別簡(jiǎn)介 pattern recognition
誕生
狗的嗅覺的靈敏度非常高，大約是人的50至100倍。狗通過這項(xiàng)特異的功能來識(shí)別各種各樣的東西，幫助人類完成一些鑒別工作。不僅如此，識(shí)別也是人類的一項(xiàng)基本技能，人們無時(shí)無處的在進(jìn)行“模式識(shí)別”，古人有一成語“察言觀色”表達(dá)的正是這個(gè)意思。
模式識(shí)別是人類的一項(xiàng)基本智能，在日常生活中，人們經(jīng)常在進(jìn)行“模式識(shí)別”。隨著20世紀(jì)40年代計(jì)算機(jī)的出現(xiàn)以及50年代人工智能的興起，人們當(dāng)然也希望能用計(jì)算機(jī)來代替或擴(kuò)展人類的部分腦力勞動(dòng)。計(jì)算機(jī)模式識(shí)別在20世紀(jì)60年代初迅速發(fā)展并成為一門新學(xué)科。
概念
簡(jiǎn)單來說，模式識(shí)別就是通過計(jì)算機(jī)用數(shù)學(xué)技術(shù)方法來研究模式的自動(dòng)處理和判讀。我們把環(huán)境與客體統(tǒng)稱為“模式”。隨著計(jì)算機(jī)技術(shù)的發(fā)展，人類有可能研究復(fù)雜的信息處理過程。信息處理過程的一個(gè)重要形式是生命體對(duì)環(huán)境及客體的識(shí)別。對(duì)人類來說，特別重要的是對(duì)光學(xué)信息（通過視覺器官來獲得）和聲學(xué)信息（通過聽覺器官來獲得）的識(shí)別。這是模式識(shí)別的兩個(gè)重要方面。市場(chǎng)上可見到的代表性產(chǎn)品有光學(xué)字符識(shí)別（optical character recognition, ocr）、語音識(shí)別系統(tǒng)。其計(jì)算機(jī)識(shí)別的顯著特點(diǎn)是速度快，準(zhǔn)確性高，效率高。在將來完全可以取代人工錄入。
模式識(shí)別是指對(duì)表征事物或現(xiàn)象的各種形式的(數(shù)值的、文字的和邏輯關(guān)系的)信息進(jìn)行處理和分析，以對(duì)事物或現(xiàn)象進(jìn)行描述、辨認(rèn)、分類和解釋的過程，是信息科學(xué)和人工智能的重要組成部分。
研究
模式識(shí)別研究主要集中在兩方面，一是研究生物體(包括人)是如何感知對(duì)象的，屬于認(rèn)識(shí)科學(xué)的范疇，二是在給定的任務(wù)下，如何用計(jì)算機(jī)實(shí)現(xiàn)模式識(shí)別的理論和方法。前者是生理學(xué)家、心理學(xué)家、生物學(xué)家和神經(jīng)生理學(xué)家的研究?jī)?nèi)容，后者通過數(shù)學(xué)家、信息學(xué)專家和計(jì)算機(jī)科學(xué)工作者近幾十年來的努力，已經(jīng)取得了系統(tǒng)的研究成果。
應(yīng)用計(jì)算機(jī)對(duì)一組事件或過程進(jìn)行辨識(shí)和分類，所識(shí)別的事件或過程可以是文字、聲音、圖像等具體對(duì)象，也可以是狀態(tài)、程度等抽象對(duì)象。這些對(duì)象與數(shù)字形式的信息相區(qū)別，稱為模式信息。
模式識(shí)別所分類的類別數(shù)目由特定的識(shí)別問題決定。有時(shí)，開始時(shí)無法得知實(shí)際的類別數(shù)，需要識(shí)別系統(tǒng)反復(fù)觀測(cè)被識(shí)別對(duì)象以后確定。
模式識(shí)別與統(tǒng)計(jì)學(xué)、心理學(xué)、語言學(xué)、計(jì)算機(jī)科學(xué)、生物學(xué)、控制論等都有關(guān)系。它與人工智能、圖像處理的研究有交叉關(guān)系。例如自適應(yīng)或自組織的模式識(shí)別系統(tǒng)包含了人工智能的學(xué)習(xí)機(jī)制；人工智能研究的景物理解、自然語言理解也包含模式識(shí)別問題。又如模式識(shí)別中的預(yù)處理和特征抽取環(huán)節(jié)應(yīng)用圖像處理的技術(shù)；圖像處理中的圖像分析也應(yīng)用模式識(shí)別的技術(shù)。
應(yīng)用領(lǐng)域包括：計(jì)算機(jī)視覺、醫(yī)學(xué)圖像分析、光學(xué)文字識(shí)別、自然語言處理、語音識(shí)別、手寫識(shí)別、生物特征識(shí)別、人臉識(shí)別、指紋識(shí)別、虹膜識(shí)別、文件分類、互聯(lián)網(wǎng)搜索引擎、信用評(píng)分、測(cè)繪學(xué)、攝影測(cè)量與遙感學(xué)。以“漢字識(shí)別”為例：
識(shí)別過程與人類的學(xué)習(xí)過程相似。首先將漢字圖象進(jìn)行處理，抽取主要表達(dá)特征并將特征與漢字的代碼存在計(jì)算機(jī)中。就像老師教我們“這個(gè)字叫什么、如何寫”記在大腦中。這一過程叫做“訓(xùn)練”。識(shí)別過程就是將輸入的漢字圖象經(jīng)處理后與計(jì)算機(jī)中的所有字進(jìn)行比較，找出最相近的字就是識(shí)別結(jié)果。這一過程叫做“匹配”。
還有一些比較典型的應(yīng)用例子如： 去霧算法：
由有霧的圖片處理成無霧的過程用的是一種基于暗影通道的去霧算法。相機(jī)照出的相片=真實(shí)相片*透謝分布率+天空亮度。這里要做的就是根據(jù)公式求出真實(shí)相片，另外三個(gè)未知量是可以求出來的。
交叉驗(yàn)證方法：
用來驗(yàn)證分類器的性能一種統(tǒng)計(jì)分析方法,基本思想是把在某種意義下將原始數(shù)據(jù)進(jìn)行分組,一部分做為訓(xùn)練集，另一部分做為驗(yàn)證集，首先用訓(xùn)練集對(duì)分類器進(jìn)行訓(xùn)練,在利用驗(yàn)證集來測(cè)試訓(xùn)練得到的模型，以此來做為評(píng)價(jià)分類器的性能指標(biāo)。
紋理：
在自然圖象中，紋理作為物體的一種重要外觀特征，為視覺感知提供了無處不在的信息，它在計(jì)算機(jī)視覺、圖形學(xué)、圖像編碼等領(lǐng)域都有著重要作用，例如，格式塔（gestalt）心理學(xué)，早期視覺理論和marr的原始簡(jiǎn)約圖（primal sketch）都將紋理模式作為中心話題。
因此，對(duì)紋理的理解是視覺理解不可或缺的組成部分。過去的幾年里，紋理分析和合成的相關(guān)研究工作在基礎(chǔ)理論上與實(shí)際應(yīng)用兩個(gè)方面都取得了振奮人心的發(fā)展，研究者結(jié)合計(jì)算機(jī)視覺，圖形學(xué)，現(xiàn)代統(tǒng)計(jì)物理，心理學(xué)和神經(jīng)系統(tǒng)科學(xué)等領(lǐng)域的知識(shí)，提出了很多關(guān)于紋理理解的新方法。紋理的研究工作主要集中在兩個(gè)領(lǐng)域：濾波理論（filtering theory）和統(tǒng)計(jì)建模（statistical modeling）理論。濾波理論來源于在神經(jīng)生理學(xué)中被發(fā)現(xiàn)并被廣泛接受的多通道濾波機(jī)制，該機(jī)制認(rèn)為，人類視覺系統(tǒng)將視網(wǎng)膜圖像分解為一組子帶（sub-band）圖像信號(hào)，而這些子帶信號(hào)可以通過一組線性濾波器和圖像卷積然后經(jīng)過某些非線性操作計(jì)算得到。濾波理論在紋理方面的應(yīng)用主要有 gabor 濾波器和小波（wavelet）塔等，它們?cè)诩y理分割和分類中有良好的性能。統(tǒng)計(jì)建模理論認(rèn)為，紋理圖像是隨機(jī)場(chǎng)上概率分布的采樣，該理論涉及到時(shí)間序列模型（time series model），馬爾可夫鏈（markov chain）模型和馬爾可夫隨機(jī)場(chǎng)（markov random field，mrf）模型等建模方法。基于統(tǒng)計(jì)的建模方法一般只需要用很少幾個(gè)參數(shù)來描述紋理特征，因此能為紋理提供簡(jiǎn)練的表示，而且它能把紋理分析問題轉(zhuǎn)化為一個(gè)明確的統(tǒng)計(jì)推理問題來處理。
計(jì)算機(jī)視覺研究中低層視覺的一個(gè)主要研究方向是圖像分割。由于一個(gè)場(chǎng)景中，不同的物體之間有不同層度的交疊，使得最理想的分割結(jié)果也會(huì)出現(xiàn)物體的不同部分（可視部分）之間分割開來，而不可視部分則為其它物體所覆蓋的情況，這就不利于完整地展現(xiàn)物體。因此，有必要利用由圖像得到的相關(guān)信息，如原始簡(jiǎn)約圖（primal sketch）、顏色一致性、方位一致性等，研究一套算法，把同一物體分在同一個(gè)層里面，然后再把它們相應(yīng)的部分之間連接起來，組成完整的物體。這就是2.1d sketch的主要研究任務(wù)。
2.1d sketch主要研究面物體，且不關(guān)心物體之間的深度信息，而只考慮它們之間的偏序關(guān)系（partial order）。
2.1d sketch的研究成果將會(huì)用于圖像分割、圖像編輯、藝術(shù)圖像生成以及圖像序列分析中。
機(jī)器學(xué)習(xí)：
機(jī)器學(xué)習(xí)是人工智能的一個(gè)分支，它是關(guān)于讓機(jī)器具有學(xué)習(xí)能力的一些算法。許多情況這種算法給一些數(shù)據(jù)和從這些數(shù)據(jù)屬性的推出的信息對(duì)將來出現(xiàn)的新的數(shù)據(jù)做出預(yù)測(cè)。之所以可以這么做是因?yàn)榇蠖鄶?shù)的非隨機(jī)的數(shù)據(jù)包含一些模式，這些模式可以讓機(jī)器去做泛化。
機(jī)器學(xué)習(xí)的相關(guān)概念掃盲：
監(jiān)督式學(xué)習(xí)：訓(xùn)練數(shù)據(jù)中包含輸入的向量集合并且有相應(yīng)的目標(biāo)值（labeled樣例）
例如分類（classification）、關(guān)聯(lián)規(guī)則、回歸(regression)非監(jiān)督式學(xué)習(xí)：訓(xùn)練數(shù)據(jù)中不包含labeled樣例
例如聚類(cluster)、density estimation、visualization.半監(jiān)督式學(xué)習(xí)：組合了labled和unlabeled的example去生成一個(gè)函數(shù)或分類
泛化（generalization）：通過訓(xùn)練數(shù)據(jù)訓(xùn)練之后能夠識(shí)別新的數(shù)據(jù)。特征提取(feature extraction): 為了降維去除不想關(guān)的特征，在數(shù)據(jù)預(yù)處理階段把數(shù)據(jù)轉(zhuǎn)化成容易處理的。
機(jī)器學(xué)習(xí)的局限性：
機(jī)器學(xué)習(xí)在大量的模式面前的泛化能力是不同的，如果一個(gè)模式不同于以前所看到的，那么這個(gè)算法很容易被誤解。由于當(dāng)前的數(shù)據(jù)量不夠，不能涵蓋各種將來的情況，所以機(jī)器學(xué)習(xí)的方法很容易出現(xiàn)過度泛化，從而出現(xiàn)不準(zhǔn)確性。
adaboost人臉檢測(cè)原理：
一種基于積分圖、級(jí)聯(lián)檢測(cè)器和adaboost 算法的方法，方法框架可以分為以下三大部分: 第一部分，使用harr-like特征表示人臉，使用“ 積分圖”實(shí)現(xiàn)特征數(shù)值的快速計(jì)算;第二部分，使用adaboost算法挑選出一些最能代表人臉的矩形特征(弱分類器)，按照加權(quán)投票的方式將弱分類器構(gòu)造為一個(gè)強(qiáng)分類器;第三部分，將訓(xùn)練得到的若干強(qiáng)分類器串聯(lián)組成一個(gè)級(jí)聯(lián)結(jié)構(gòu)的層疊分類器，級(jí)聯(lián)結(jié)構(gòu)能有效地提高分類器的檢測(cè)速度。
總結(jié)
自20世紀(jì)50年代以來，模式識(shí)別在人工智能興起后不久就迅速發(fā)展成一門學(xué)科。它所研究的理論和方法在很多科學(xué)和技術(shù)領(lǐng)域得到廣泛重視，推動(dòng)了人工智能系統(tǒng)的發(fā)展，擴(kuò)大了計(jì)算機(jī)應(yīng)用的可能性。
經(jīng)過多年的研究和發(fā)展，模式識(shí)別技術(shù)已廣泛被應(yīng)用于人工智能、計(jì)算機(jī)工程、機(jī)器學(xué)、神經(jīng)生物學(xué)、醫(yī)學(xué)、偵探學(xué)以及高能物理、考古學(xué)、地質(zhì)勘探、宇航科學(xué)和武器技術(shù)等許多重要領(lǐng)域，如語音識(shí)別、語音翻譯、人臉識(shí)別、指紋識(shí)別、手寫體字符的識(shí)別、工業(yè)故障檢測(cè)、精確制導(dǎo)等。模式識(shí)別技術(shù)的快速發(fā)展和應(yīng)用大大促進(jìn)了國(guó)民經(jīng)濟(jì)建設(shè)和國(guó)防科技現(xiàn)代化建設(shè)。
【本文地址：http://www.aiweibaby.com/zuowen/1073593.html】
