模式识别与机器学习，为了能够让机器执行和完成识别任务，必须对分类识别对象进行科学的抽象，建立它的数学模型，用以描述和代替识别对象，这种对象的描述即为模式。

　　模式识别与机器学习概念

　　模式识别系统过程：

　　特征提取与选择

　　训练学习

　　分类识别

　　模式识别过程从信息层次、形态转换上讲，是由分析对象的物理空间通过特征提取转换为模式的特征空间，然后通过分类识别转换为输出的类别空间。

　　特征提取是对研究对象本质的特征进行量测并讲结果数值化或将对象分解并符号化，形成特征矢量、符号串或关系图，产生代表对象的模式。

　　特征选择是在满足分类识别正确率的条件下，按某种准则尽量选用对正确分类识别作用较大的特征，从而用较少的特征来完成分类识别任务。

　　模式识别与机器学习注意

　　在模式采集和预处理中，一般要用到模数(A/D)转换。A/D转换必须注意：

　　采样率，必须满足采样定理

　　量化等级，取决于精度要求

　　在数据采集过程中，一般我们会进行一些预处理过程，如

　　去噪声：消除或减少模式采集中的噪声及其它干扰，提高信杂比(信噪比)

　　去模糊：消除或减少数据图像模糊及几何失真，提高清晰度

　　模式结构转换：例如把非线性模式转变为线性模式，以利于后续处理，等等

　　预处理的方法包括:滤波，变换，编码，归一化等

　　特征提取/选择的目的：降低维数，减少内存消耗，使分类错误减小

　　分类:把特征空间划分成类空间，影响分类错误率的因数：

　　分类方法

　　分类器的设计

　　提取的特征

　　样本质量

　　模式识别的主流技术有：

　　统计模式识别

　　结构模式识别

　　模糊模式识别

　　人工神经网络方法

　　人工智能方法

　　子空间法

　　统计模式识别直接利用各类的分布特征或隐含地利用概率密度函数、后验概率等概念进行分类识别。基本的技术有聚类分析、判别类域代数界面法、统计决策法、最近邻法等。

　　结构模式识别将对象分解为若干基本单元，即基元；其结构关系可以用字符串或图来表示，即句子；通过对句子进行句法分析，根据文法而决定其类别。

　　模糊模式识别将模式或模式类作为模糊集，将其属性转化为隶属度，运用隶属函数、模糊关系或模糊推理进行分类识别。

　　人工神经网络方法由大量的基本单元，即神经元互联而成的非线性动态系统。