模式识别结课论文
中国传媒大学2014~2015 学年第 1 学期
智能视频分析技术课程
题目人工智能在模式识别中的运用学生姓名刘晶晶
学号201110013208
班级数字媒体技术
学生所属学院信息工程学院
任课教师吕朝辉
教师所属学院信息工程学院
时间2014.11.27
人工智能在模式识别中的应用
摘要
计算机硬件的迅速发展，计算机应用领域的不断开拓，迫切地要求计算机能够更有效地感知诸如声音、文字、图像、温度、震动等人类赖以发展自身、改造环境所运用的信息资料。但就一般意义来说，目前一般计算机却无法直接感知它们，键盘、鼠标等外部设备，对于这样五花八门的外部世界显得无能为力。纵然电视摄像机、图文扫描仪、话筒等设备业已解决了上述非电信号的转换，并与计算机联机，但由于识别技术不高，而未能使计算机真正知道采录后的究竟是什么信息。计算机对外部世界感知能力的低下，成为开拓计算机应用的瓶颈，也与其高超的运算能力形成强烈的对比。于是，着眼于拓宽计算机的应用领域，提高其感知外部信息能力的学科——模式识别，便得到迅速发展。人工智能所研究的模式识别是指用计算机代替人类或帮助人类感知模式，是对人类感知外界功能的模拟，研究的是计算机模式识别系统，也就是使一个计算机系统具有模拟人类通过感官接受外界信息、识别和理解周围环境的感知能力。现将人工智能在模式识别方面的一些具体和最新的应用列举如下。
关键词：人工智能、模式识别、应用
（一）人工智能
人工智能(Anificial InteUigence)是相对人的自然智能而言，即用人工的方法和技术，模仿、延伸和扩展人的智能，实现某些“机器思维”。作为一门学科，人工智能研究智能行为的计算模型，研制具有感知、推理、学习、联想、决策等思维活动的计算系统，解决需要人类专家才能处理的复杂问题。人工智能就其本质而言，是对人的思维的信息过程的模拟。
（二）模式识别
模式识别就是通过计算机用数学技术方法来研究模式的自动处理和判读。这里，我们把环境与客体统称为“模式”，随着计算机技术的发展，人类有可能研究复杂的信息处理过程。用计算机实现模式(文字、声音、人物、物体等)的自动识别，是开发智能机器的一个最关键的突破口，也为人类认识自身智能提供线索。信息处理过程的一个重要形式是生命体对环境及客体的识别。对人类来说，特别重要的是对光学信息(通过视觉器官来获得)和声学信息(通过听觉器官来获得)的识别。这是模式识别的两个重要
方面。市场上可见到的代表性产品有光学字符识别系统(Optical ch盯acter RecogIlition，OcR)、语音识别系统等。所谓模式识别，可以理解为根据识别对象特征的观察值将其分到某个类别中的过程。利用计算机进行模式识别在20世纪60年代初迅速发展并成为一门新学科。
（三）人工智能在模式识别方面的应用
1.数字识别，汉字识别与语音识别
手写体数字识别在邮政编码识别、银行业务等方面有重要应用，由于字体变化大，对识别率要求高，所以有较大困难。手写体数字识别使用的技术是人工智能中的神经网络技术，神经网络具有学习能力和快速并行实现的特点，可以用于解决这一问题。
相比而言，汉字的识别是更加困难的一件事。常用汉字共有6763个，分为两级，第一级3755，第二级包括3008个，在使用的过程中有时还可能会
用到其他的外国的字符以及特殊的符号。每个字符都对应着一个类别。即开头有变化，发生畸变或受到干扰等影响的同一字属于一类，相对于只有10个的数字而言，汉字的数量因为大于6000，而且又有印刷体和手写体之分，因此，要用计算机进行精确的分类，其困难的程度也比数字识别大多了。所以，手写体汉字的识别是一个很困难的模式识别问题。解决的办法，同样需要神经网络技术的支持，而且还要从不同地区搜集大量的手写体汉字作为样本集对神经网络进行训练。其运算量也是惊人的。幸运的是，现在已经有了一些印刷体汉字识别软件，如清华紫光0cR软件，就可以识别扫描图片中的汉字，虽然准确率还不是100％，但是这说明在汉字识别方面毕竟已经取得了一些进展。中科院自动化研究所汉王公司开发成功的“汉王笔”是一套在一块手写板上书写，从而把汉字输入计算机的联机手写汉字识别系统。
语音识别就是让计算机能听懂人说的话，一个重要的例子就是七国语言(英、日、意、韩、法、德、中)口语自动翻译系统。其中，中文部分的实验平台设立在中国科学院自动化所的模式识别国家重点实验室，这是口语翻译研究跨入世界领先水平的标志。该系统实现后，人们出国预定旅馆、购买机票、在餐馆对话和兑换外币时，只要利用电话网络和国际联网，就可用手机、电话等与“老外”通话。
2.基于模式识别的网络考试系统设计
这是一种基于模式识别的网络考试系统，对整个软件的系统结构、功能以及实现的关键技术进行了探讨。该系统采用SQL SeⅣer数据库和指纹模式识别技术，成功地实现了网上考试、培训和学习等。随着信息化的不断发展，人们需要不断地进行知识更新。由于流动单位如乘务员的工作性质较特殊，大规模的集中学习和考试无法满足正常的工作需要，而基于模式识别的网络考试系统即可达到这一目的。该系统的使用对基本技能和企业管理水平的提高有较大的实用价值。本系统主要应用于企业内多媒体教室中，主要由一台服务器(PIV，内存512MB)，多台PC(PII—1533，内存28MB)和两个指纹识别仪，其网络布局总体上是采用树型拓扑结构。本系统采用c++Builder5．0作为开发工具，服务器配置为windows NT操作系统、sQL senrer数据库；教师管理计算机配置为windows 2000操作系统；考生考试终端配置为windows 98／2000操作系统。整个考试系统软件可分为四个部分：指纹校验、试卷管理、考生考试和考试记录。其中的指纹校验作为考试系统的关键技术之一，采用的即是人工智能的模式识别。指纹模式
识别技术及应用实现如下。
目前的指纹识别系统总体来看分为两大类：验证和辨识。验证就是通过把一个现场采集到的指纹与一个已经登记的指纹进行一对一的比对来确认身份的过程。为验证的前提条件，他的指纹必须在指纹库中已经注册。指纹以一定的压缩格式存储，并与其姓名或其标识(ID，PIN)联系起来。在比对现场，先验证其标识，然后利用系统的指纹与现场采集的指纹比对来证明其标识是合法的。辨识则是把现场采集到的指纹同指纹验证和辨识在比对算法和系统设计上各具技术特点。本系统在数据库管理、教师控制PC 和考生登录上应用了指纹验证和指纹辨识技术。计算机处理指纹时只涉及到指纹的一些有限信息，而且比对算法并不是精确匹配，其结果也不能保证100％准确。尽管指纹识别系统存在着可靠性问题，但其安全性比相同可靠性级别的“用户ID+密码”方案的安全性高得多。例如，采用四位数字密码的系统不安全概率为0．01％，如果同采用误判率为0．01％指纹识别系统相比，由于不诚实的人可以在一段时间内试用所有可能的密码，因此四位密码并不安全，但他绝对不可能找到一千个人去为他把所有的手指(十个手指)都试遍。考虑到指纹识别仪发生故障等原因，本系统在各种权限登录上设置了“用户ID+密码”的方式。
图1 人脸识别系统
3.人脸立体模式识别
人脸识别的过程分为3个主要部分：人脸模式库，即判断所采集图像中是否存在人脸，若有，给出每个人脸的位置、大小；面部特征定位，即对每个人脸检测其主要器官的位置和形状信息，并将其归一化处理；比对，即根据面部特征定位的结果，与图像库中人脸对比，判断该人脸的身份信息。主流的人脸识别技术基本上可以归结为3类：基于几何特征的方法，基于模板的方法和基于模型的方法。基于几何特征的方法是最典型的方法，通常需要和其他算法结合才能有比较好的效果；基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。基于模型的方法则有基于隐马尔可夫模型、主动形状模
型和主动外观模型的方法等。基于人脸特征进行身份验证，易用性好，精确度高，用户容易接受，稳定性好，相比其它人体生物特征，它具有直接、友好、方便的特点。表情、光照和一定范围内的姿态变化是目前人脸识别技术中影响识别精确度的主要因素。人脸识别的二维图像技术已经有很多不同的方法，但基于三维立体图像的人脸识别技术却较少报道。人脸二维和三维模型获取不同的脸部外貌特征，二维图像中的灰度值表示了人脸表面亮度差异，而三维图像中加入的深度信息是表示脸形的数据，信息量更为丰富，更有利于提高识别效率。所谓数字信号处理器(Digital signals Process，
DsP)嵌入式系统，实际上就是把DSP系统嵌入到应用电子系统中，软件、硬件可裁剪，满足应用系统对功能、可靠性、成本、体积、功耗等严格要求的专用计
算机系统，它是一种典型的软硬件混合系统，自底向上可以分为硬件环境、嵌入式操作系统和应用程序3个部分。基于DsP如模拟器件(ADI)公司的ADSP系列和德州仪器
(rI'I)公司的TMs系列的立体人脸图像识别便携系统高速准确，实时性好，价格低廉，可实用化程度高。图1中给出了一种基于DSP的人脸识别系统设计方案。图中驱动器和定时产生器产生双目cCD器件(或cM0s器件)的时钟信号。相关双采样和自动增益提高图像质量，在DsP中完成图像归一化处理、小波去噪和图像压缩。sDRAM用于数据暂存。用户可通过液晶显示器上看到即时的图像，视频输出用于监测，RS一232用来连接Pc。系统工作时用户用键盘输入ID号，调出F1ash中人脸数据库中相应的库图像和实时采集的图像进行识别比较。TI公司的TMS320C6701 DsP具有片内存储器，不需要外部高速存储器，所有图像流水线操作都能在片上执行，在低功耗情况下能提供高性能，处理速度非常快，非常适合于立体人脸实时识别系统。根据图像数据库的大小，可以扩展nash，或者通过Rs一232访问Pc中的数据库。用户还可以根据具体人脸模式识别要求选择其他更合适的DSP。Code Composer Studio(CCS)是TI公司推出的一个集成性DsPs软件开发工具。在ccs环境下，开发者可以对软件进行编辑、编译、调试、代码性能测试和项目管理等所有工作，从而完成DsP嵌入式立体人脸识别系统的设计与调试。
（四）总结
以上简单介绍了人工智能在模式识别中的几种应用。模式识别是一个不断发展的新学科，它的理论基础和研究范围也在不断发展，随着应用范围的不断扩大以及计算机科学的不断进步，基于人工神经网络的模式识别技术在今后将会得到更大的发展，量子计算技术也将用于模式识别研究。
模式识别论文
模式识别综述与应用 院系：计算机与通信工程学院 班级：电子信息10-01班 姓名： 学号：
模式识别综述与应用 摘要 模式识别就是研究用计算机实现人类的模式识别能力的一门学科，目的是利用计算机将对象进行分类。模式识别技术近年来得到了迅速的发展。 关键词 模式识别应用发展状况 前言 模式识别(Pattern Recognition)是人类的一项基本智能，在日常生活中，人们经常在进行“模式识别”。模式识别是一个多领域的交叉学科，它涉及人工智能、统计学、计算机科学、工程学、医学等众多的研究问题。随着2 0世纪4 0年代计算机的出现以及5 0年代人工智能的兴起，模式识别在2 0世纪6 0年代初迅速发展并成为一门新学科。 一、模式与模式识别的概念 广义地说，存在于时间和空间中可观察的事物，如果可以区别它们是否相同或相似，都可称之为模式；狭义地说，模式是通过对具体的个别事物进行观测所得到的具有时间和空间分布的信息；把模式所属的类别或同一类中模式的总体称为模式类(或简称为类)。 模式识别是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程,是信息科学和人工智能的重要组成部分。 模式识别的研究主要集中在两方面，一是研究生物体(包括人)是如何感知对象的，二是在给定的任务下，如何用计算机实现模式识别的理论和方法。前者是生理学家、心理学家、生物学家、神经生理学家的研究内容，属于认知科学的范畴；后者通过数学家、信息学专家和计算机科学工作者近几十年来的努力，已经取得了系统的研究成果。 二、模式识别方法——统计模式识别方法和结构(句法)模式识别方法 把图像或图像系列分割为线条、边缘，结点，区域等并提供相应的特征，诸如灰度值、颜色、形状、纹理，深度等[5]。目的是要利用这些信息对模式进行分类或者对模式进行分析(描述)。分类是实现一个模式与
模式识别课件
模式识别 参考材料： [1]边肇祺，张学工等编，模式识别(第二版)清华大学出版社 2000 [2]R.O.Duda, P.E.Hart. Pattern Classification and Scene Analysis.NewYork: John wiley & sons. 1973 [3]Nello Cristianini & Jogn Shawe –Jaylor. An Introduction to Support Vector Machines and other Kernel –based learning method. Cambridge University Press 2000 学习目标： 模式识别这个词是Pattern Recognition翻译来的，通俗一点讲究就是机器识别，计算机识别，或机器自动识别。Pattern这个词翻译成模式，模式是要让机器自动识别的事物（辨别是否相同或是否相似）。如一个具体数字，是印刷体还是手写体。 本课程学习目标为，使学生能应用模式识别方法处理计算机自动识别事物、机器学习、数据分析中有关的技术问题。能掌握模式识别技术中最基本的概念，以及基本的处理问题方法。 课程要求: 本课程主要是学习让计算机自动识别的基本概念，方法的课程，但它与相关学科的术语都有密切联系，如人工智能也是让计算机具有智能，因此这两门课程有许多相通、互助的方面。 模式识别技术中十分重要的概念是让机器通过学习确定参数改进性能，因此是机器学习这个学术名词中的重要与基础内容。 模式识别主要是对视频、图像、声音等多媒体信息进行分类识别，因此具有这方面的背景也是比较有利的。
模式识别实验报告
模式识别实验报告
————————————————————————————————作者：————————————————————————————————日期：
实验报告 实验课程名称：模式识别 姓名：王宇班级： 20110813 学号： 2011081325 实验名称规范程度原理叙述实验过程实验结果实验成绩 图像的贝叶斯分类 K均值聚类算法 神经网络模式识别 平均成绩 折合成绩 注：1、每个实验中各项成绩按照5分制评定，实验成绩为各项总和 2、平均成绩取各项实验平均成绩 3、折合成绩按照教学大纲要求的百分比进行折合 2014年 6月
实验一、 图像的贝叶斯分类 一、实验目的 将模式识别方法与图像处理技术相结合，掌握利用最小错分概率贝叶斯分类器进行图像分类的基本方法，通过实验加深对基本概念的理解。 二、实验仪器设备及软件 HP D538、MATLAB 三、实验原理 概念： 阈值化分割算法是计算机视觉中的常用算法，对灰度图象的阈值分割就是先确定一个处于图像灰度取值范围内的灰度阈值，然后将图像中每个像素的灰度值与这个阈值相比较。并根据比较的结果将对应的像素划分为两类，灰度值大于阈值的像素划分为一类，小于阈值的划分为另一类，等于阈值的可任意划分到两类中的任何一类。 最常用的模型可描述如下：假设图像由具有单峰灰度分布的目标和背景组成，处于目标和背景内部相邻像素间的灰度值是高度相关的，但处于目标和背景交界处两边的像素灰度值有较大差别，此时，图像的灰度直方图基本上可看作是由分别对应于目标和背景的两个单峰直方图混合构成。而且这两个分布应大小接近，且均值足够远，方差足够小，这种情况下直方图呈现较明显的双峰。类似地，如果图像中包含多个单峰灰度目标，则直方图可能呈现较明显的多峰。 上述图像模型只是理想情况，有时图像中目标和背景的灰度值有部分交错。这时如用全局阈值进行分割必然会产生一定的误差。分割误差包括将目标分为背景和将背景分为目标两大类。实际应用中应尽量减小错误分割的概率，常用的一种方法为选取最优阈值。这里所谓的最优阈值，就是指能使误分割概率最小的分割阈值。图像的直方图可以看成是对灰度值概率分布密度函数的一种近似。如一幅图像中只包含目标和背景两类灰度区域，那么直方图所代表的灰度值概率密度函数可以表示为目标和背景两类灰度值概率密度函数的加权和。如果概率密度函数形式已知，就有可能计算出使目标和背景两类误分割概率最小的最优阈值。 假设目标与背景两类像素值均服从正态分布且混有加性高斯噪声，上述分类问题可以使用模式识别中的最小错分概率贝叶斯分类器来解决。以1p 与2p 分别表示目标与背景的灰度分布概率密度函数，1P 与2P 分别表示两类的先验概率，则图像的混合概率密度函数可用下式表示为
模式识别的研究现状与发展趋势
模式识别的研究现状与发展趋势 摘要：随着现今社会信息技术的飞速发展, 人工智能的应用越来越广泛, 其中模式识别是人工智能应用的一个方面。而且现今的模式识别的应用也越来越得到大家的重视与支持，在各方面也有重大的进步。模式识别也成为人们身边不可或缺的一部分。关键词：人工智能，技术，模式识别，前景 Abstract：In the modern society with the rapid development of information technology, the application of a rtificial intelligence is more and more extensive, among them pattern recognition is one of the ap ply of artificial intelligence. And now the application of pattern recognition is also more and more to get everyone's attention and support, in various aspects have significant progress. Pattern rec ognition has become an integral part of people around. Keywords: Artificial Intelligence, Technology,Pattern Recognition, prospects 一，引言 如今计算机硬件的高速发展, 以及计算机应用领域的不断开拓, 人们开始要求计算机能够更有效地感知诸如声音、文字、图像、温度、震动等人类赖以发展自身、改造环境所运用的信息资料。但就一般意义来说, 目前一般计算机却无法直接感知它们, 我们常用的键盘、鼠标等外部设备, 对于这些外部世界显得无能为力。虽然摄像机、图文扫描仪、话筒等设备业已解决了上述非电信号的转换, 并与计算机联机, 但由于识别技术不高, 而未能使计算机真正知道采录后的究竟是什么信息。计算机对外部世界感知能力的低下, 成为开拓计算机应用的瓶颈, 也与其高超的运算能力形成强烈的对比。于是, 着眼于拓宽计算机的应用领域, 提高其感知外部信息能力的学科———模式识别, 便得到迅速发展。 人工智能所研究的模式识别是指用计算机代替人类或帮助人类感知模式, 是对人类感知外界功能的模拟, 研究的是计算机模式识别系统, 也就是使一个计算机系统具有模拟人类通过感官接受外界信息、识别和理解周围环境的感知能力。现将人工智能在模式识别方面的一些具体和最新的应用范围遍及遥感、生物医学图象和信号的分析、工业产品的自动无损检验、指纹鉴定、文字和语音识别、机器视觉地圈模式识别等方面。 二，现状 以地图模式识别为例，地图模式识别是由计算机来对地图进行识别与理解, 并借助一定的技术手段, 让计算机研究和分析地图上的各种模式信息, 获取地图要素的质量意义。其计算处理的过程类似于人对地图的阅读。 地图模式识别是近年来在地图制图领域中新兴的一门高新技术, 是信息时代人工智能、模式识别技术在地图制图中的具体应用。由于它是传统地图制图迈向数字地图制图的一座桥梁, 因此,地图模式识别遥感技术、地理信息系统一起, 被称为现代地图制图的三大技术。 目前, 地图模式识别由于具有广泛的应用价值和发展潜力,因而受到了人们的普遍重视。尤其是随着现今的计算机及其外部硬件环境的不断提高, 科技不过发展的情况下，
模式识别论文
模式识别 课题：基于支持向量机人工神经网络的水质预测研究专业：电子信息工程
摘要 针对江水浊度序列宽频、非线性、非平稳的特点,将经验模态分解(EMD)和支持向量机(SVM)回归方法引入浊度预测领域,建立了基于EMD2SVM的浊度预测模型.通过EMD分解,将原始非平稳的浊度序列分解为若干固有模态分量(IMF),根据各IMF序列的特点,选择不同的参数对各IMF序列进行预测,最后合成原始序列的预测值.将该方法应用于实际浊度预测,并与径向基神经网络(RBF)预测及单独支持向量机回归预测结果进行比较,仿真结果表明该方法预测精度有明显提高.水质评价实际上是一个监测数据处理与状态估计、识别的过程,提出一种基于支持向量机的方法应用于水质评价,该方法依据决策二叉树多类分类的思想,构建了基于支持向量机的水环境质量状况识别与评价模型。以长江口的实际水质监测数据为例进行了实验分析,并与单因子方法及单个BP神经网络方法进行了比较分析。实验结果表明,运用该模型对长江口的实际水质监测数据进行的综合水质评价效果较好,且具有较高的实用价值。 关键词：浊度;预测;经验模态分解;支持向量；BP神经网络 一．概述 江水浊度受地表径流、温度以及人类活动等的影响,波动明显,在不同的月份有着很大的变化,表现出非平稳、非线性的特点.对其进行分析和预测,对于河流生态评价、航运安全以及以江河水为原水的饮用
水生产具有重要的指导意义.国内外在浊度序列分析方面的研究文献较少,通常都是综合考虑各种水质参数而对浊度进行预测,采用较多的是人工神经网络等非线性模型方法[1,2].这种模型结构复杂,要求原始数据丰富,在实际操作中实现较为困难.此外,对于江水浊度这一具有宽带频谱的小样本混沌时间序列,采用单一的预测方法,将会把原始浊度序列中的各种不同特征信息同质化,势必影响其预测精度.采用经验模态分解(Empirical Mode Decomposition,EMD)将浊度序列分解后分别预测,再进行合成将可能提高其预测精度.不同于小波变换,在对信号进行经验模态分解时不需要先验基底,每一个固有模态函数(In2trinsic Mode Function,IMF)包含的频率成分不仅与采样频率有关,并且还随着信号本身的变化而变化,具有自适应性,能够把局部时间内含有的多个模态的非线性、非平稳信号分解成若干个彼此间影响甚微的基本模态分量,这些分量具有不同的尺度,从而简化系统间特征信息的干涉或耦合[3].支持向量机(Support Vector Ma2chines,SVM)是建立在统计学习理论上的一种机器学习方法,是目前针对小样本统计估计和预测学习的较好方法[4],对统计学习理论的发展起到巨大推动作用并得到广泛应用[5～8].SVM有良好的泛化能力,并解决了模型选择与欠学习、过学习问题及非线性问题,避免了局部最优解,克服了“维数灾难”,且人为设定参数少,便于使用,已成功应用于许多分类、识别和回归问题[5,6,8].根据江水浊度序列的特点,结合EMD和SVM两种方法的不同功能,本文提出了基于EMD2SVM模型的预测方法,用于江水浊度的
模式识别课程设计
模式识别 课程设计 关于黄绿树叶的分类问题 成员：李家伟2015020907010 黄哲2015020907006 老师：程建 学生签字：
一、小组分工 黄哲：数据采集以及特征提取。 李家伟：算法编写设计，完成测试编写报告。 二、特征提取 选取黄、绿树叶各15片，用老师给出的识别算法进行特征提取 %Extract the feature of the leaf clear, close all I = imread('/Users/DrLee/Desktop/kmeans/1.jpg'); I = im2double(I); figure, imshow(I) n = input('Please input the number of the sample regions n:'); h = input('Please input the width of the sample region h:'); [Pos] = ginput(n); SamNum = size(Pos,1); Region = []; RegionFeatureCum = zeros((2*h+1)*(2*h+1)*3,1); RegionFeature = zeros((2*h+1)*(2*h+1)*3,1); for i = 1:SamNum P = round(Pos(i,:)); rectangle('Position', [P(1) P(2) 2*h+1 2*h+1]); hold on Region{i} = I(P(2)-h:P(2)+h,P(1)-h:P(1)+h,:); RegionFeatureCum = RegionFeatureCum + reshape(Region{i},[(2*h+1)*(2*h+1)*3,1]); end hold off RegionFeature = RegionFeatureCum / SamNum 1～15为绿色树叶特征，16～30为黄色树叶特征，取n=3；h=1，表示每片叶子取三个区域，每个区域的特征为3*3*3维的向量，然后变为27*1的列向量，表格如下。
模式识别复习重点总结
1.什么是模式及模式识别？模式识别的应用领域主要有哪些？ 模式：存在于时间，空间中可观察的事物，具有时间或空间分布的信息； 模式识别：用计算机实现人对各种事物或现象的分析,描述,判断,识别。 模式识别的应用领域：（1）字符识别；（2） 医疗诊断；（3）遥感； (4）指纹识别 脸形识别；（5）检测污染分析，大气，水源，环境监测； （6）自动检测；（7 ）语声识别，机器翻译，电话号码自动查询，侦听，机器故障判断； （8）军事应用。 2.模式识别系统的基本组成是什么？ （1） 信息的获取：是通过传感器，将光或声音等信息转化为电信息； （2） 预处理：包括A\D,二值化，图象的平滑，变换，增强，恢复，滤波等, 主要指图 象处理； （3） 特征抽取和选择：在测量空间的原始数据通过变换获得在特征空间最能反映分类 本质的特征； （4） 分类器设计：分类器设计的主要功能是通过训练确定判决规则，使按此类判决规 则分类时，错误率最低。把这些判决规则建成标准库； （5） 分类决策：在特征空间中对被识别对象进行分类。 3.模式识别的基本问题有哪些？ （1）模式(样本)表示方法：（a ）向量表示；（b ）矩阵表示；（c ）几何表示；（4）基元(链码)表示； （2）模式类的紧致性：模式识别的要求:满足紧致集，才能很好地分类；如果不满足紧致集，就要采取变换的方法,满足紧致集 （3）相似与分类；(a)两个样本x i ，x j 之间的相似度量满足以下要求： ① 应为非负值 ② 样本本身相似性度量应最大 ③ 度量应满足对称性 ④ 在满足紧致性的条件下，相似性应该是点间距离的 单调函数 (b) 用各种距离表示相似性 （4）特征的生成:特征包括：(a)低层特征;(b)中层特征;(c)高层特征 （5） 数据的标准化:(a)极差标准化；(b)方差标准化 4．线性判别方法 （1）两类：二维及多维判别函数，判别边界，判别规则 二维情况：（a ）判别函数： ( ) （b ）判别边界：g(x)=0; （c n 维情况：（a ）判别函数： 也可表示为： 32211)(w x w x w x g ++=为坐标向量为参数，21,x x w 12211......)(+++++=n n n w x w x w x w x g X W x g T =)(为增值模式向量。 ，＝为增值权向量，T n n T n n x x x x X w w w w W )1,...,,(),,...,,(21121+=+
模式识别结课论文
中国传媒大学2014~2015 学年第 1 学期 智能视频分析技术课程 题目人工智能在模式识别中的运用学生姓名刘晶晶 学号201110013208 班级数字媒体技术 学生所属学院信息工程学院 任课教师吕朝辉 教师所属学院信息工程学院 时间2014.11.27
人工智能在模式识别中的应用 摘要 计算机硬件的迅速发展，计算机应用领域的不断开拓，迫切地要求计算机能够更有效地感知诸如声音、文字、图像、温度、震动等人类赖以发展自身、改造环境所运用的信息资料。但就一般意义来说，目前一般计算机却无法直接感知它们，键盘、鼠标等外部设备，对于这样五花八门的外部世界显得无能为力。纵然电视摄像机、图文扫描仪、话筒等设备业已解决了上述非电信号的转换，并与计算机联机，但由于识别技术不高，而未能使计算机真正知道采录后的究竟是什么信息。计算机对外部世界感知能力的低下，成为开拓计算机应用的瓶颈，也与其高超的运算能力形成强烈的对比。于是，着眼于拓宽计算机的应用领域，提高其感知外部信息能力的学科——模式识别，便得到迅速发展。人工智能所研究的模式识别是指用计算机代替人类或帮助人类感知模式，是对人类感知外界功能的模拟，研究的是计算机模式识别系统，也就是使一个计算机系统具有模拟人类通过感官接受外界信息、识别和理解周围环境的感知能力。现将人工智能在模式识别方面的一些具体和最新的应用列举如下。 关键词：人工智能、模式识别、应用 （一）人工智能 人工智能(Anificial InteUigence)是相对人的自然智能而言，即用人工的方法和技术，模仿、延伸和扩展人的智能，实现某些“机器思维”。作为一门学科，人工智能研究智能行为的计算模型，研制具有感知、推理、学习、联想、决策等思维活动的计算系统，解决需要人类专家才能处理的复杂问题。人工智能就其本质而言，是对人的思维的信息过程的模拟。 （二）模式识别 模式识别就是通过计算机用数学技术方法来研究模式的自动处理和判读。这里，我们把环境与客体统称为“模式”，随着计算机技术的发展，人类有可能研究复杂的信息处理过程。用计算机实现模式(文字、声音、人物、物体等)的自动识别，是开发智能机器的一个最关键的突破口，也为人类认识自身智能提供线索。信息处理过程的一个重要形式是生命体对环境及客体的识别。对人类来说，特别重要的是对光学信息(通过视觉器官来获得)和声学信息(通过听觉器官来获得)的识别。这是模式识别的两个重要
模式识别报告二
第二次试验报告 一 实验名称 贝叶斯分类器设计（最小风险贝叶斯决策和最小错误率贝叶斯抉择） 二 实验原理 最小错误率： 合理决策依据：根据后验概率决策 已知后验概率P(w 1|x), P(w 2|x)， 决策规则： ? 当P(w 1|x)>P(w 2|x) x ∈w 1， ? 当P(w 1|x) 最小风险： 1. 已知类别的P(w i )及x 的p(x/w i )，利用贝叶斯公式，可得类别 的后验概率P(w i /x)。 2. 利用决策表和后验概率，计算最小条件风险 3. 决策：在各种决策中选择风险最小的决策 三 实验内容 ? 假定某个局部区域细胞识别中正常（ w1）和非正常 （ w2）两类先验概率分别为 ? 正常状态：P （w1）=0.9； 异常状态：P （w2）=0.1。 1 (/)()(/)(/)()i i i c i i i p x w P w P w x p x w P w =?=∑ ?现有一系列待观察的细胞，其观察值为x： -3.9847 -3.5549 -1.2401 -0.9780 -0.7932 -2.8531 -2.7605 -3.7287 -3.5414 -2.2692 -3.4549 -3.0752 -3.9934 2.8792 -0.9780 0.7932 1.1882 3.0682 -1.5799 -1.4885 -0.7431 -0.4221 -1.1186 4.2532 ?类条件概率分布正态分布分别为（-2,0.5）（2,2）试对观察的结果进行分类。 四实验步骤及贴图 步骤： ?1.用matlab完成分类器的设计，说明文字程序相应语句，子程 序有调用过程。 ?2.根据例子画出后验概率的分布曲线以及分类的结果示意图。 ?3.最小风险贝叶斯决策，决策表如下： ?重新设计程序，完成基于最小风险的贝叶斯分类器，画出相应 的后验概率的分布曲线和分类结果,并比较两个结果。 数字图像处理结课作业 --数字图像频域增强方法 及在matlab中的实现 学生姓名： 学号： 学院：理学院 班级：电科班 指导教师： 摘要:图像增强的目的是使处理后的图像更适合于具体的应用，即指按一定的需要突出一幅图像中的某些信息，同时削弱或去除某些不需要的信息，使之改善图像质量，加强图像判读和识别效果的处理技术。从总体上可以分为两大类:空域增强和频域增强。频域处理时将原定义空间中的图像以某种形式转换到其他空间中，利用该空间的特有性质方便的进行图像处理。而空域增强是在图像空间中借助模板对图像进行领域操作，处理图像每一个像素的取值都是根据模板对输入像素相应领域内的像素值进行计算得到的。空域滤波基本上是让图像在频域空间内某个范围的分量受到抑制，同时保证其他分量不变，从而改变输出图像的频率分布，达到增强图像的目的。本文主要从空域展开图像增强技术，重点阐明数字图像增强处理的基本方法，介绍几种空域图像增强方法。 关键词：图像增强 MATLAB 空域增强锐化空间滤波平滑空间滤波 目录： 1、何为数字图像处理及MATLAB的历史 2、空间域图像增强技术研究的目的和意义 3、空间域的增强 3.1 背景知识 3.2 空间域滤波和频域滤波之间的对应关系 3.3 锐化滤波 3.4 平滑滤波 4、结论 1、何为数字图像处理及MATLAB的历史 数字图像处理（digital image processing）,就是利用数字计算机或者其他数字硬件,对从图像信息转换而得到的电信号进行某些数学运算,以提高图像的实用性。例如从卫星图片中提取目标物的特征参数,三维立体断层图像的重建等。总的来说,数字图像处理包括运算、几何处理、图像增强、图像复原、图像形态学处理、图像编码、图像重建、模式识别等。目前数字图像处理的应用越来越广泛,已经渗透到工业、医疗保健、航空航天、军事等各个领域,在国民经济中发挥越来越大的作用。 MATLAB是由美国Math Works公司推出的软件产品。MATLAB是“Matric Laboratory”的缩写,意及“矩阵实验室”。MATLAB是一完整的并可扩展的计算机环境,是一种进行科学和工程计算的交互式程序语言。它的基本数据单元是不需要指定维数的矩阵,它可直接用于表达数学的算式和技术概念,而普通的高级语言只能对一个个具体的数据单元进行操作。它还是一种有利的教学工具,它在大学的线性代数课程以及其它领域的高一级课程的教学中,已成为标准的教学工具。 信息与通信工程学院 模式识别实验报告 班级： 姓名： 学号： 日期：2011年12月 实验一、Bayes 分类器设计 一、实验目的： 1.对模式识别有一个初步的理解 2.能够根据自己的设计对贝叶斯决策理论算法有一个深刻地认识 3.理解二类分类器的设计原理 二、实验条件： matlab 软件 三、实验原理： 最小风险贝叶斯决策可按下列步骤进行： 1)在已知 ) (i P ω， ) (i X P ω，i=1,…，c 及给出待识别的X 的情况下，根据贝叶斯公式计 算出后验概率： ∑== c j i i i i i P X P P X P X P 1 ) ()() ()()(ωωωωω j=1,…，x 2)利用计算出的后验概率及决策表，按下面的公式计算出采取i a ,i=1,…，a 的条件风险 ∑== c j j j i i X P a X a R 1 )(),()(ωω λ,i=1,2,…,a 3)对(2)中得到的a 个条件风险值) (X a R i ,i=1,…，a 进行比较，找出使其条件风险最小的 决策k a ，即()() 1,min k i i a R a x R a x == 则 k a 就是最小风险贝叶斯决策。 四、实验内容 假定某个局部区域细胞识别中正常（1ω）和非正常（2ω）两类先验概率分别为 正常状态：P （1ω）=； 异常状态：P （2ω）=。 现有一系列待观察的细胞，其观察值为x ： 已知先验概率是的曲线如下图： )|(1ωx p )|(2ωx p 类条件概率分布正态分布分别为（-2，）（2,4）试对观察的结果 进行分类。 五、实验步骤： 1.用matlab 完成分类器的设计，说明文字程序相应语句，子程序有调用过程。 2.根据例子画出后验概率的分布曲线以及分类的结果示意图。 3.最小风险贝叶斯决策，决策表如下： 结果,并比较两个结果。 六、实验代码 1.最小错误率贝叶斯决策 x=[ ] pw1=; pw2=; e1=-2; a1=; e2=2;a2=2; m=numel(x); %得到待测细胞个数 pw1_x=zeros(1,m); %存放对w1的后验概率矩阵 pw2_x=zeros(1,m); %存放对w2的后验概率矩阵 内蒙古科技大学2015/2016 学年第一学期《人工智能》结课报告 课程号：76807376-01 考试方式：结课报告 使用专业、年级：计算机应用2013-3，4 任课教师：陈淋艳 班级：13级计算机3班 学号：13768073** 姓名：李** 目录 前言 (3) 一、专家系统简介 (5) 二、关键字： (5) 三、专家系统概念和理论 (6) 四、专家系统的发展概况 (7) 五、专家系统的应用分析 (8) 六、专家系统的发展前景 (11) 七、专家系统的总结 (12) 八、学习心得 (12) 参考文献 (13) 人工智能是近年来引起人们很大兴趣的一个领域：它的研究目标是用机器，通常为电子仪器、电脑等，尽可能地模拟人的精神活动，并且争取在这些方面最终改善并超出人的能力;其研究领域及应用范围十分广泛、例如，自动定理证明、推理、模式识别、专家知识系统、智能机器人、学习、博彩、自然语言理解等等。 模式识别可能是人工智能这门学科中最基本也是最重要的一部分。简单来说，模式识别就是让电脑能够认识它周围的事物，使我们与电脑的交流更加自然与方便。它包括文字识别(读)、语音识别(听)、语音合成(说)、自然语言理解与电脑图形识别。 现在的电脑可以说是又耸又哑，而且还是个瞎子，如果模式识别技术能够得到充分发展并应用于电脑，那我们就能够很自然地与电脑进行交流，开也不需要记那些英文的命令就可以立接向电脑下命令。这也为智能机器人的研究提供了必要条件，它能使机器人能够像人一样与外面的世界进行交流。 在人工智能的应用当中最有趣的应该就是机器人了其实机器人的范围很广，不仅包括各种外型的智能机器人，还包括一些用于工业生产的、用于代替人类劳动的机器人、现在的机器人技术在制造只有某一种功能的机器人方面已经取得了一定的成果、但是要研制一种多功能、人性化的智能机器人，还需要不少时间。 到了那时，我们在科幻片中看到的人类与机器人的矛盾不知会不会成为现实。专家系统具有一定的商业特性、它先把某一种行业(譬如医 华南理工大学《模式识别》大作业报告 题目：模式识别导论实验 学院计算机科学与工程 专业计算机科学与技术（全英创新班） 学生姓名黄炜杰 学生学号201230590051 指导教师吴斯 课程编号145143 课程学分2分 起始日期2015年5月18日 实验概述 【实验目的及要求】 Purpose: Develop classifiers,which take input features and predict the labels. Requirement: ?Include explanations about why you choose the specific approaches. ?If your classifier includes any parameter that can be adjusted,please report the effectiveness of the parameter on the final classification result. ?In evaluating the results of your classifiers,please compute the precision and recall values of your classifier. ?Partition the dataset into2folds and conduct a cross-validation procedure in measuring the performance. ?Make sure to use figures and tables to summarize your results and clarify your presentation. 【实验环境】 Operating system:window8(64bit) IDE:Matlab R2012b Programming language:Matlab 模式识别课程学习感想 人类可以通过视觉信息识别文字、图片和周围的环境，通过听觉信息识别与理解语言，比如识别人脸，阅读手写文字，通过气味识别一种水果的种类等。我们希望给机器相同的模式识别能力。 模式识别主要是研究对象的特征或属性，利用以计算机为中心的机器系统运用一定的分析算法认定对象的类别，系统应使分类识别的结果尽可能地与真实情况相符合。模式识别方法最大的实用性在于“智能”仿真，可以说在同常生活中随处可见，如医疗诊断系统、地球资源探测系统、机器人辅助生产线、公安人员用于破案的指纹识别系统等。模式识别包含由特征和属性所描述的对象的数学模型，这罩所讲的特征和属性是指通常意义上的系统的输入／输出数据对。 模式识别系统主要由两个过程组成，即设计过程和实现过程。设计过程是指用一定数量的样本(也称训练集或学习集)进行分类器的设计；实现过程是指用所设计的分类器对待识别的样本进行分类决策。 通过这门课程的学习，对各种模型的模式识别算法有了一定程度的了解。 一、线性模型 我们使用线性神经网络来解决线性模型的模式识别。线性神经网络与感知器的主要不同之处在于其神经元有一个线性激活函数，这允许输出可以是任意值，而不仅仅只是像感知器中那样只能取0或1。它采用的是W—H学习法则，也称最小均方差(LMS)规则对权值进行训练。线性神经网络的主要用途是线性逼近一个函数式而进行模式联想。 二、非线性模型 1、Ada-Boosting 基于级联结构的AdaBoost算法目前被认为是较有效的检测算法。 Boosting是一个将弱学习(weak learn)算法融合为强学习算法(strong)的方法。Ada-Boost 算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将每次训练得到的分类器最后融合起来，作为最后的决策分类器。目前在人脸侦测的领域，就有人将Ada-Boost + cascade 作为一个很有效的运算法。Boost是一种常用来增进learning algorithm正确率的方法。使用boost 分类器可以排除一些不必要的特征，并将关键放在关键的特征上面。 AdaBoost算法针对不同的训练集训练同一个基本分类器（弱分类器），然后把这些在不同训练集上得到的分类器集合起来，构成一个更强的最终的分类器（弱分类器）。理论证明，只要每个弱分类器分类能力比随机猜测要好，当其个数趋向于无穷个数时，强分类器的错误率将趋向于零。AdaBoost算法中不同的训练集是通过调整每个样本的权重实现的。最开始的时候，每个样本对应的权重是相同的，在此样本分布下训练出一个基本分类器h1(x)。对于h1(x)错分的样本，则增加其对应样本的权重；而对于正确分类的样本，则降低其权重。这样可以使得错分的样本突出出来，得到一个新的样本分布。同时，根据错分的情况赋予h1(x)一个权重，表示该基本分类器进行训练，得到基本分类器h2(x)及其权重。依次类推，经过T 次这样的循环，就得到了T个基本分类器，以及T个对应的权重。最后把这T个基本分类器按一定的权重累加起来，就得到了最终所期望的强分类器。 2、多层感知机 神经网络具有强大的非线性映射能力，人工神经网络的实际应用中，绝大部分的神经网 指导老师：马丽 学号：700 班级： 075111 姓名：刘建 成绩： 目录 ............................................................ 一、报告内容要点............................................................ 二、《应用主成分分解(PCA)法的图像融合技术》............................................................ 三、《基于类内加权平均值的模块 PCA 算法》............................................................ 四、《PCA-LDA 算法在性别鉴别中的应用》 ............................................................ 五、《一种面向数据学习的快速PCA算法》 ............................................................ 六、《Theory of fractional covariance matrix and its applications in PCA and 2D-PCA》 ............................................................ 七、课程心得体会 ............................................................ 八、参考文献 ............................................................ 一、报告内容要点 ①每篇论文主要使用什么算法实现什么 ②论文有没有对算法做出改进（为什么改进，原算法存在什么问题，改进方法是什么） ③论文中做了什么对比试验，实验结论是什么？可以加入自己的分析和想法，例如这篇论文还存在什么问题或者缺点，这篇论文所作出的改进策略是否好，你自己对算法有没有什么改进的想法？ 二、《应用主成分分解(PCA)法的图像融合技术》 第一篇《应用主成分分解(PCA)法的图像融合技术》，作者主要是实现用PCA可以提取图像数据中主要成分这一特点，从元图像获得协方差矩阵的特征值和特征向量，据此确定图像融合算法中的加权系数和最终融合图像。 作者在图像融合的算法上进行改进，用PCA获得待融合的每幅图像的加权系数Wi。是这样实现的：计算待融合的i幅图像数据矩阵的协方差矩阵，从中获 人工智能与模式识别 摘要：信息技术的飞速发展使得人工智能的应用围变得越来越广，而模式识别作为其中的一个重要方面，一直是人工智能研究的重要方向。在介绍人工智能和模式识别的相关知识的同时，对人工智能在模式识别中的应用进行了一定的论述。模式识别是人类的一项基本智能，着20世纪40年代计算机的出现以及50年代人工智能的兴起，模式识别技术有了长足的发展。模式识别与统计学、心理学、语言学、计算机科学、生物学、控制论等都有关系。它与人工智能、图像处理的研究有交叉关系。模式识别的发展潜力巨大。 关键词：模式识别；数字识别；人脸识别中图分类号； Abstract: The rapid development of information technology makes the application of artificial intelligence become more and more widely. Pattern recognition, as one of the important aspects, has always been an important direction of artificial intelligence research. In the introduction of artificial intelligence and pattern recognition related knowledge at the same time, artificial intelligence in pattern recognition applications were discussed.Pattern recognition is a basic human intelligence, the emergence of the 20th century, 40 years of computer and the rise of artificial intelligence in the 1950s, pattern recognition technology has made great progress. Pattern recognition and statistics, psychology, 时间序列分析中模式识别方法的应用 摘要：时间序列通常是按时间顺序排列的一系列被观测数据，其观测值按固定的时间间隔采样。时间序列分析(Time Series Analysis)是一种动态数据处理的统计方法，就是充分利用现有的方法对时间序列进行处理，挖掘出对解决和研究问题有用的信息量。经典时间序列分析在建模、预测等方面已经有了相当多的成果，但是由于实际应用中时间序列具有不规则、混沌等非线性特征，使得预测系统未来的全部行为几乎不可能，对系统行为的准确预测效果也难以令人满意，很难对系统建立理想的随机模型。神经网络、遗传算法和小波变换等模式识别技术使得人们能够对非平稳时间序列进行有效的分析处理，可以对一些非线性系统的行为作出预测，这在一定程度上弥补了随机时序分析技术的不足。【1】 本文主要是对时间序列分析几种常见方法的描述和分析，并重点介绍神经网络、遗传算法和小波变换等模式识别方法在时间序列分析中的典型应用。 关键字：时间序列分析模式识别应用 1 概述 1.1 本文主要研究目的和意义 时间序列分析是概率论与数理统计学科的一个分支，它是以概率统计学作为理论基础来分析随机数据序列(或称动态数据序列)，并对其建立数学模型，即对模型定阶、进行参数估计，以及进一步应用于预测、自适应控制、最佳滤波等诸多方面。由于一元时间序列分析与预测在现代信号处理、经济、农业等领域占有重要的地位，因此，有关的新算法、新理论和新的研究方法层出不穷。目前，结合各种人工智能方法的时序分析模型的研究也在不断的深入。 时间序列分析已是一个发展得相当成熟的学科，已有一整套分析理论和分析工具。传统的时间序列分析技术着重研究具有随机性的动态数据，从中获取所蕴含的关于生成时间序列的系统演化规律。研究方法着重于全局模型的构造，主要应用于对系统行为的预测与控制。 时间序列分析主要用于以下几个方面： 郑州科技学院 本科毕业设计（论文） 题目多种模式识别的调研报告 姓名闫永光 专业计算机科学与技术 学号201115025 指导教师 郑州科技学院信息工程系 二○一四年六月 摘要 信息技术的飞速发展使得人工智能的应用范围变得越来越广，而模式识别作为其中的一个重要方面，一直是人工智能研究的重要方向。在介绍人工智能和模式识别的相关知识的同时，对人工智能在模式识别中的应用进行了一定的论述。 模式识别(Pattern Recognition)是人类的一项基本智能，着20世纪40年代计算机的出现以及50年代人工智能的兴起，模式识别技术有了长足的发展。模式识别与统计学、心理学、语言学、计算机科学、生物学、控制论等都有关系。它与人工智能、图像处理的研究有交叉关系。模式识别的发展潜力巨大。 关键词：模式识别；人工智能；多种模式识别的应用；模式识别技术的发展潜力 引言 随着计算机应用范围不断的拓宽，我们对于计算机具有更加有效的感知“能力”，诸如对声音、文字、图像、温度以及震动等外界信息，这样就可以依靠计算机来对人类的生存环境进行数字化改造。但是从一般的意义上来讲，当前的计算机都无法直接感知这些信息，而只能通过人在键盘、鼠标等外设上的操作才能感知外部信息。虽然摄像仪、图文扫描仪和话筒等相关设备已经部分的解决了非电信号的转换问题，但是仍然存在着识别技术不高，不能确保计算机真正的感知所采录的究竟是什么信息。这直接使得计算机对外部世界的感知能力低下，成为计算机应用发展的瓶颈。这时，能够提高计算机外部感知能力的学科——模式识别应运而生，并得到了快速的发展。人工智能中所提到的模式识别是指采用计算机来代替人类或者是帮助人类来感知外部信息，可以说是一种对人类感知能力的一种仿真模拟。它探讨的是计算机模式识别系统的建立，通过计算机系统来模拟人类感官对外界信息的识别和感知 1、模式识别 什么是模式和模式识别？ 模式可分成抽象的和具体的两种形式。前者如意识、思想、议论等,属于概念识别研究的范畴,是人工智能的另一研究分支。我们所指的模式识别主要是对语音波形、地震波、心电图、脑电图、图片、照片、文字、符号、生物传感器等对象的具体模式进行辨识和分类。 模式识别(Pattern Recognition)是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程,是信息科学和人工智能的重要组成部分。模式识别又常称作模式分类，从处理问题的性质和解决问题的方法等角度，模式识别分为有监督的分类（Supervised Classification）和无监督的分类(Unsupervised Classification)两种。二者的主要差别在于，各实验样本所属的类别是否预先已知。一般说来，有监督的分类往往需要提供大量已知类别的样本，但在实际问题中，这是存在一定困难的，因此研究无监督的分类就变得十分有必要了。数字图像处理结课论文
模式识别实验报告(一二)
人工智能2014结课论文
华南理工大学《模式识别》大作业报告
模式识别课程论文
模式识别文献综述报告
人工智能与模式识别
时间序列分析中模式识别方法的应用-模式识别论文
人工智能 多种模式识别的调研报告