【正文】 代，上世紀(jì)80年代開始在各國(guó)廣泛興起，神經(jīng)網(wǎng)絡(luò)模式識(shí)別源于對(duì)動(dòng)物神經(jīng)系統(tǒng)的研究，通過(guò)采用硬件或軟件的方法，建立了許多以大量處理單元為結(jié)點(diǎn)，各單元通過(guò)一定的模式實(shí)現(xiàn)互聯(lián)的拓?fù)渚W(wǎng)絡(luò)。比較成熟的理論和方法有最大來(lái)屬原則、基于模糊等價(jià)關(guān)系的模式分類、基于模糊相似關(guān)系的模式分類和模糊聚類，其中模糊聚類方法的研究和應(yīng)用尤為成功和廣泛。1987年，在一種全新而有效的信號(hào)處理與分析方法，即多分辨率理論中，小波首次作為分析基礎(chǔ)出現(xiàn)了。其輸入是特征屬性和訓(xùn)練樣本，輸出是分類器。根據(jù)貝葉斯定理， （3）由于P(X)對(duì)于所有類為常數(shù)，只需要最大即可。 3）線性判別函數(shù) 和上述的方法不同，判決函數(shù)法是以判決邊界的函數(shù)形式的假定為其特性的，而上述的方法都是以所考慮的分布的假定為其特性的。統(tǒng)計(jì)模式識(shí)別方法以數(shù)學(xué)上的決策理論為基礎(chǔ)建立統(tǒng)計(jì)模式識(shí)別模型。用一組模式基元和它們的組成來(lái)描述模式的結(jié)構(gòu)的語(yǔ)言，稱為模式描述語(yǔ)言。在此將這四種方法進(jìn)行一下說(shuō)明。統(tǒng)計(jì)決策理論的基本思想就是在不同的模式類中建立一個(gè)決策邊界，利用決策函數(shù)把一個(gè)給定的模式歸入相應(yīng)的模式類中。 2）距離分類法 距離是一種重要的相似性度量，通常認(rèn)為空間中兩點(diǎn)距離越近，表示實(shí)際上兩樣本越相似。給定一個(gè)未知的數(shù)據(jù)樣本X（即沒(méi)有類標(biāo)號(hào)），分類法將預(yù)測(cè)X屬于具有最高后驗(yàn)概率（條件X下）的類。這一階段的輸入是所有待分類數(shù)據(jù)，輸出是特征屬性和訓(xùn)練樣本。但從名稱可以看出，SNBC依然屬于樸素貝葉斯分類的范疇。 模式識(shí)別是一門邊緣學(xué)科，它和許多技術(shù)學(xué)科有著密切的聯(lián)系，它本身就是人工智能的重要組成部分，因此，從本質(zhì)上來(lái)說(shuō)，模式識(shí)別所要討論的核心問(wèn)題，就是如何使機(jī)器能模擬人腦的思維方法，來(lái)對(duì)客觀事物進(jìn)行有效的識(shí)別和分類。(2)神經(jīng)元能夠獨(dú)立運(yùn)算和處理收到的信息，即系統(tǒng)能夠并行處理輸入的信息。高斯金字塔的構(gòu)造是這樣的，第一組的第一層為原圖像，然后將圖像做一次高斯平滑（高斯卷積、高斯模糊），高斯平滑里有一個(gè)參數(shù)σ，然后將σ乘一個(gè)比例系數(shù)k作為新的平滑因子來(lái)平滑第一組第二層得到第三層。目前半樸素貝葉斯分類模型學(xué)習(xí)的關(guān)鍵是如何有效組合特片屬性。給定樣本的類標(biāo)號(hào)，假定屬性值相互條件獨(dú)立，即在屬性間，不存在依賴關(guān)系?？梢哉f(shuō)，概率分類法的基石是貝葉斯決策理論。統(tǒng)計(jì)模式識(shí)別組成如圖2所示。句法分析根據(jù)文法推理所推斷的文法，判決有序字符串所描述的模式類別，得到判決結(jié)果。 圖像模式識(shí)別的方法很多，從圖像模式識(shí)別提取的特征對(duì)象來(lái)看，圖像識(shí)別方法可分為以下幾種：基于形狀特征的識(shí)別技術(shù)、基于色彩特征的識(shí)別技術(shù)以及基于紋理特征的識(shí)別技術(shù)。由預(yù)處理分割的模式，經(jīng)基元提取形成描述模式的基元串（即字符串）。在分類模式中，被訓(xùn)練好的分類器將輸入模式根據(jù)測(cè)量的特征分配到某個(gè)指定的類。 2 概率分類法