基本概念

• 模式识别
  • feature: 描述符
  • pattern: 描述符的排列
  • pattern class：具有共同属性的模式 $\omega_1,\omega_2,\cdots,\omega_W$
• 常见的模式排列
  • vector
  • string: 结构描述
  • tree: 结构描述
• 决策论方法
  • $x\in\omega_i$: $d_i(x)>d_j(x),\forall j\neq i$
  • 决策边界：$d_ij(x)=d_i-d_j(x)=0$

匹配

每个类表示为原型模式向量，一个模式被分配给最近的类

• 最小距离分类器
  • $m_j=\frac{1}{N_j}\sum_{x_j\in\omega_j}x_j$
  • $D_j(x)=|x-m_j|$
  • 等价计算：$d_j(x)=x^Tm-\frac{1}{2}m_j^Tm_j$
• 基于相关的匹配
  • 相关定理：$f(x,y)\star w(x,y)\iff F^*(u,v)W(u,v)$
  • 归一化相关系数：$\gamma(x,y)=\frac{\sum_s\sum_t[w(s,t)-\overline{w}][f(x+s,y+t)-\overline{f}{xy}]}{{\sum_s\sum_t[w(s,t)-\overline{w}]^2\sum_s\sum_t[f(x+s,y+t)-\overline{f}{xy}]^2}^{\frac{1}{2}}}$

最佳统计分类器

• 条件平均风险：$r_j(x)=\sum_{k=1}^WL_{kj}p(w_k|x)$
• 0-1损失：$L_{ij}=1-\delta_{ij}$
• 0-1损失下决策函数：$d_j(x)=p(x|w_j)P(w_j)$
• 0-1损失贝叶斯分类器：$\arg\max_i p(x|\omega_i)P(\omega_i)$
• 假设 $p(x|\omega_i)$ 为高斯函数
  • $p(x|\omega_j)=\frac{1}{(2\pi)^{n/2}|C_j|^{1/2}}e^{-1/2(x-m_j)^TC_j^{-1}(x-m_j)}$
  • 估计参数
    • $m_j=\frac{1}{N_j}\sum_{x\in\omega_j}x$
    • $C_j=\frac{1}{N_j}\sum_{x\in\omega_j}xx^T-m_jm_j^T$
  • 决策函数：$d_j(x)=\ln O(\omega_j)-\frac{1}{2}\ln|C_j|-\frac{1}{2}[(x-m_j)^TC_j^{-1}(x-m_j)]$

神经网络