matlab在模式识别中的应用.ppt

模式识别技术 定义：识别出给定的事物与哪一个标本相同或 相近。 模式分类: 把供模仿的标本分成若干类，再判 断给定的事物属于哪一类。 例如：文字识别，疾病诊断,声纹识别。模式是 被属于人工智能的研究范畴。 模式识别的分类 o有监督的模式识别：除了待识别样本外，还 提供已经类别样本集（训练样本集），用来 先行训练，使之积累经验，获得识别能力， 再对未知样本识别，分类。 o无监督的模式识别：无训练样本。采用集群 （聚类）分析。 模式识别系统 数据获取预处理特征提取决策 分类 在实际问题中，提取的特征是把一个物理模式 变成一个随机向量。 决策分类：若已知待识别样本完整的先验知识 ，则可据此确定决策函数的数学表达式；若 仅知待识别样本的定性知识，那么需要经过 学习（训练），确定决策函数。 例: Cancer 数据测试 o调用cancer_dataset o采用BP网络识别癌症特征。 o采用newpr(p,t,hidenum)创建网络 o数据分类：1、60%用于训练 2、20%用于监测（防止过收 敛） 3、20%用于测试 o采用train训练 提高精度方法 o对网络赋值新权值，重新训练 o增加隐层神经元数目 o增加训练样本 o增加预测变量的数目（更多先验信息） o更好其他的训练算法 o采用优化算法 nprtool的使用 o在命令窗口输入nprtool,即可弹出GUI界面 。 o其中可以load软件中的样本数据，进行测试 。 例：血清胆固醇含量检测问题 通过临床实践共提取了264位病人的血样检 测结果数据，其中每个检测结果均对应所测 血样光谱的21个波长值。现利用样本数据训 练，设计一个神经网络，使其能够自动完成 上述检测过程。 分析 oStep1:采用load choles_all,调用内置的经 典样本，训练样本名为p, 训练目标名为t oStep2: 采用prestd(p,t)对原始样本归一化 ，获得归一化后的样本矩阵pn oStep3: 采用ptran=prepca(pn,0.001), 对归一化后的矩阵pn降维。 oStep4: 对样本数据划分为训练集、验证集 、测试集。 Itest=2:4:Q;Ival=4:4:Q;Itr=1:2:Q; oVal.P=ptrans(:,Ival);val.T=t(:,Ival); oTest.P=ptrans(:,Itest);Val.T=t(:,Itest) oPtr=ptran(:,Itr);ttr=t(:,Itr); oStep5:创建网络 net=newff(minmax(ptr),S1,S2,) oStep6:训练,并绘制误差曲线 net,tr=train(net,ptr,ttr,val,test) Plot(tr.epoch,tr.perf,tr.epoch,tr.vperf,tr.epoch, tr.tperf) 车牌号识别算法 o字符识别相关：特征提取，识别算法。 o在二值字符图像中，利用字符的点阵特征进 行字符识别是最简单的方法，只需要将二值 化的字符图像以数组的形式输入到分类器中 。分类器可以采用模板匹配，或者利用大量 的样本训练的神经网络来作分类器。 o实验证明，该方法对于字符字体，型号变化 不大的情况非常有效。 特征提取 o点阵特征：该组特征基于细化的二值图像， 二值化字符图像的点阵结构反映了一个字符 的整体结构特征。 o通常，分类器采用模板匹配，利用距离函数 计算模板与当前字符之间的相似度，其中相 似度最小的那个模板所代表的字符即为识别 出的字符。该方法简单易行，计算复杂度低 ，适合实时识别。 识别算法 o利用BP神经网络来分类字符。BP神经网络 包括3层：输入层，隐含层，输出层。 o通过BP网络的泛化能力，进行字符的识别 。 例：用神经网络对26个字母识别 采用matlab中的prprob字母库，作为样本实 例，进行字母的识别。 分析：1、训练样本为35x26的矩阵，每列对 应于每个字母的布尔矢量，训练目标为 26x26的单位矩阵。 2、在实际的字母识别中，不同级别的 噪声是存在的，因而会影响识别率，所以可 以考虑扩张训练样本，并对扩张的训练样本 加入小功率噪声。 采用newff(p,t,hidenums)创建新BP网络 ；采用train函数进行训练。采用plotchar 画出5x7的字母网格图。 在对训练好的网络性能进行测试时，可以选 择要识别的字母。由于受噪声影响，网络输 出模式矢量中的元素可能不是单纯的0和1两 个值。 其中测试的输出可以用compet竞争传递函 数得出最接近网络输出的标准模式矢量。 例：车牌号识别 o给定车牌号是：J369 o训练部分：对神经网络的输入