人类每时每刻在完成某种模式识别的任务，例如读书看报（文字识别）、茫茫人海中寻找一个伙伴（特征识别）、鸟鸣（声音识别)……人们对外界对象的几乎所有认识都是对类别的认识，通过计算机模仿人脑对现实世界各种事物 进行描述、分类、判断和识别的过程即为模式识别。那么什么是模式呢？顾名思义，模式即为模式识别的对象，可以是一些文字，一个人，一张纸，鸟语花香等等一切可以进行识别测量的生活中的事物。

在对模式识别有了大致的认识之后，开始正式学习前，以下这些关键名词需要理解掌握

样本（sample）：所研究对象的一个个体。 样本集（sample set）: 若干样本构成的集合。 类或类别（class）：在所有样本上定义的一个子集，处于同 一类的样本在某种性质上是不可区分的。 特征（features）：指用于表征样本的观测，通常是数值表示的某些量化特征，有时也被称作属性。如果存在多个特征，则组成了特征向量。 已知样本（known samples）：事先知道类别标号的样本。 未知样本（unknown samples）：类别标号未知但特征已知的样本。

模式识别的问题就是用计算的方法根据样本的特征对样本进行分类。

（1）基于知识的方法 (Knowledge-based)

例如：AI、专家系统(Expert Systems) 句法（结构）模式识别 (Syntax PR or Structural PR)

（2）基于数据的方法 (Data-based) 例如：统计模式识别方法（Statistical PR）、人工神经网络(ANN)、 支持向量机(SVM) 基于数据的识别方法，基础是统计模式识别，即依据统计的原理来构建分类器。下图为统计模式识别过程

基于数据的模式识别方法适用于已知对象的某些特征与我们所 感兴趣的类别性质有关系，但无法确切描述这种关系的情况。 分类和特征之间的关系可以完全确切的描述出来，采用基于知 识的方法更有效； 若二者的关系完全随机，即不存在规律性的练习，应用模式识 别也无法得到有意义的结果。

监督模式识别 已知类别，并且能够获得类别已知的训练样本，这种情况 下建立分类器的问题属于监督学习问题，称为监督模式识别。

非监督模式识别

事先我们并不知道类别，也没有类别已知的样本。根据样本特征将样本分为几个类（划分的过程称为聚类），使属于同一类的样本在一定程度上是相似的，而不同类别之间的样本有较大差异。这种学习过程称作非监督模式识别。

笔者在此摘录了一些书籍上的例子，如下： 1、语音识别 2、说话人识别（通过语音来确定说话者的身份） 3、字符与文字识别 4、复杂图像中特定目标的识别（道路检测、复杂图像中人脸检测） 5、根据地震勘探数据对地下存储性质的识别 6、利用基因表达数据进行癌症的分类

一个模式识别系统通常包括原始数据的获取和预处理、 特征提取与选择、分类或聚类、后处理 四个主要部分。

监督模式识别(supervised PR)： 监督模式识别问题一般步骤： 分析问题---->原始特征获取—>特征提取与选择—>设计分类器

非监督模式识别(unsupervised PR) 非监督模式识别问题一般步骤： 分析问题---->原始特征获取—>特征提取与选择—>聚类分析—>结果解释

区别:

监督模式识别需要训练数据，根据训练样本设计分类器 非监督模式识别则不需要训练数据，是根据样本的相似性来进行分类的。

特征提取与选择、分类器设计和聚类分析，以及分类器和聚类结果的性能评价方法 等是各种模式识别系统中具有共性的步骤，是整个系统的核心，也是模式识别学科研究的主要内容。

笔者最近在学习模式识别，以上是对模式识别的基本概念做了大致阐述，与大家分享，共同学习，共同进步。若有描述不当的地方，还请指正，感激不尽！

参考所学书籍《模式识别》第三版 （张工学先生编著）