模式識別方法

統計模式識別是首先根據待識別對象的所包含的原始數據信息，從中提取出若干能夠反映該類對象某方面性質的相應特徵參數，並根據識別的實際需要從中選擇一些參數的組合作為一個特徵向量，根據某種相似性測度，設計一個能夠對該向量組表示的模式進行區分的分類器，就可把特徵向量相似的對象分為一類。

統計模式識別過程主要由4個部分組成，分別有信息獲取、預處理、特徵提取和選擇及構造分類器，構造分類器即對特徵向量進行區分的分類器的設計、巧設計好的分類器進行最終的分類決策 ^[1]  。

當需要對待識別對象的各部分之間的聯繫進行精確識別時，就需要使用結構模式識別方法。結構模式識別是根據識別對象的結構特徵，將複雜的模式結構先通過分解，劃分為多個相對更簡單的且更容易區分的子模式，若得到的子橫式仍有識別難度，則繼續對其進行分解，直到最終得到的子模式具有容易表示且容易被識規的結構為止，通過這些子模式就可以復原原先比較複雜的模式結構，這些最終的子模式通常被稱為模式基元。

模糊集理論認為模糊集合中的一個元素，可以不是百分之百確定的屬於該集合，而是可以一定的比例屬於該集合，不像傳統集合理論中某元素要麼屬於要麼就不屬於該集合的定義方式，更符合現實當中許多模糊的實際問題，描述起來更加簡單合理。在用機器模擬人類智能時模糊數學就可以更好地描述現實當中具有模糊性的問題，進而更好地進行處理。模糊模式識別就以模糊集理論為基礎，根據一定的判定要求建立合適的隸屬度函數來對識別對象巧行分類。

正是因為模糊模式識別能夠很好的解決現實當中許多具有模糊性的概念，使其成為一種重要的模式識別方法。在進行模糊膜識別時，也需要建立一個類似於統計模式識別的識別系統，需要對實際的識別對象的特徵參數按照一定的比例進行分類，這些比例往往是根據人為的經驗作為參考值，只要符合認可的經驗認識就行。麼後建立相應能夠處理模糊性問題的分類器對不同類別的特徵向量進行判別。

神經網絡作為模式識別技術當中最重要的方法之一，相對於傳統的模式識別方法，它的優勢如下：

1.神經網絡屬於自適應能力很強的方法；

2.對於任意給定的函數，神經網絡都能夠無限逼近，這是因為在分類的整個過程中，神經網絡通過調整權值不斷地明確分類所依據的精確關係；

3.神經網絡屬於非線性模型，這使得它能夠靈活地模擬現實世界中的數據之間的複雜關係。

神經網絡分為四種類型，即向前型、反饋型、隨機型和自組織競爭型。