模式识别的基本流程

一个模式识别系统的工作流程包含以下任务:
1 模式采集
    模式识别研究的是计算机识别，因此事物所包含的各种信息必须通过采集转换成计算机能接受和处理的数据。对于各种物理量，可以通过传感器将其转换成电信号，再由信号变换部件对信号的形式、量程等进行变换，最后经A/D采样转换成对应的数据值。
2 预处理
     经过模式采集获得的数据量，是待识别样本的原始信息，其中可能包含大量的干扰和无用数据。预处理环节通过各种滤波降噪措施，降低干扰的影响，增强有用的信息，在此基础上，生成在分类上具有意义的各种特征。
     特征生成的方法和思路与待解决的模式识别问题和所采用的模式识别方法密切相关，例如对图像数据，如果要识别的是场景的类型，颜色和纹理特征就很有用；如果要识别出包含的人脸是谁，那么人脸轮廓和关键点特征就很重要。
     预处理生成的特征可以仍然用数值来表示，也可以用拓扑关系、逻辑结构等其他形式来表示，分别用于不同的模式识别方法。       
3 特征提取
      通常情况下，经过模式采集和预处理获得的模式特征数量是很大的，这给分类器的设计和分类决策都带来了效率和准确率两方面的负面影响。因此，从大量的特征中选取出对分类最有效的有限的特征，降低模式识别过程的计算复杂度，提高分类准确性，是特征选取环节的主要任务。
      特征选取的方法主要包括特征选择和特征提取。特征选择是从已有的特征中选择一些特征，抛掉其他特征，特征提取是对原始的高维特征映射变换，生成一组维数更少的特征。两种方法虽然不同，但目的都是为了降低特征的维度，提高所选取的特征对分类的有效性。
4 分类器设计
     分类器设计过程就是分类器学习的过程。分类器设计是由计算机根据样本的情况自动进行的，可分为有监督学习和无监督学习。
     有监督学习是指用于分类器学习的样本已经分好了类，具有类别标签，分类器知道那些样本是属于哪些类的，由此它可以学习到属于某类的样本都具有哪些共同的特征，从而建立起分类决策规则。
     无监督学习是指用于分类器学习的样本集没有分好类，分类器自主地根据样本与样本之间的相似程度来将样本集划分成不同的类别，在此基础上建立分类决策规则。
5 分类决策

    分类决策是对待分类的样本按照已建立起来的分类决策规则进行分类，分类的结果要进行评估。

参考文献：北京理工大学《模式识别》课件