[拼音]：moshi shibie

[外文]：pattern recognition

用数学、物理和技术的方法实现对模式的自动处理、描述、分类和解释，是信息科学的一个分支（见模式分析）。模式是信息赖以存在和传递的形式，诸如波谱信号、图形、文字、物体的形状、行为的方式、过程的状态等都属于模式的范畴。人们通过模式感知外部世界的各种事物或现象，这是获取知识、形成概念和作出反应的基础。例如，人们通过观察街上各种各样的汽车就形成了“汽车”这个抽象类别的概念，并且具有把汽车和其他事物相区别的能力。这是一种思维和抽象过程。模式识别的目的就在于用机器部分地实现人的这种智能活动。模式识别不仅有很大的实用价值，而且对于探索人类对外部环境感知能力的机理也有重要的意义。早期的模式识别研究强调模拟人脑形成概念和识别模式的心理和生理过程。50年代末，F.罗森布拉特提出的感知器既是一个模式识别系统，也是把它作为人脑的数学模型来研究的。但随着实际应用的需要和计算机技术的发展，模式识别研究多采用不同于生物控制论、生理学和心理学等方法的数学技术方法。1957年，周绍康首先提出用决策理论方法对模式进行识别。1962年R.纳拉西曼提出模式识别的句法方法，此后美籍华人学者傅京孙深入地开展了这方面的研究并于1974年出版第一本专著《句法模式识别及其应用》。现代发展的各种模式识别方法基本上都可以归纳为决策理论方法和结构方法两大类。无论哪一种方法都首先需要用传感器把有关模式的各种信息（测量得到的数据）输入到计算机中。所有这些数据的总体组成了测量空间。这是机器对模式进行加工的基础。

通过对输入到计算机的数据进行数学上的运算,可以得到一组（d个）更能反映模式本质或对分类更为有效的特征（见特征抽取）,并把这d个特征看作是一个特征向量x＝(x₁， x₂，…， x_d)的分量,所有表示模式的特征向量组成特征空间，这样就把被识别的模式分配到 c个类中的某一类中去。这个任务转变为一个把d维空间划分成c个独立区域的问题。当代表一个模式的特征向量落在区域S_j时，该模式被分配为j类，j＝1，2，…，c。现代已有多种划分类别区域的方法,它们的共同特点是通过学习一定数量的样本，根据某个给定的判据（例如要求平均错误分类的概率最小）求取相应的决策规则（见统计模式识别）。这类方法的缺点是忽视了模式的结构特性。

用模式结构的观点分析输入到计算机的测量数据，提取和选择一组能最有效地描写模式结构性质的基元，并用基元间的一组关系来定义一个模式类。在简单的情况下这组关系式可能是布尔表达式。在较复杂的情况下,基元之间的关系可能要由一组文法(句法)规则来表达。 这种特定情况下的结构模式识别方法也称为句法模式识别方法。

为了有效地解决现实的模式识别问题，常需要把决策理论方法与结构方法结合起来。引入文法与句子之间的距离度量、误差修正文法和属性文法等概念，就为综合利用这两种方法的优点创造了条件。此外，在分类过程中引入模糊集概念，可以产生一种没有排他性的分类结果。模式识别在工业、遥感、医学等各个领域都有广泛的应用前途。

参考书目

1. 傅京孙著,戴汝为、胡启恒译:《模式识别及其应用》，科学出版社，北京，1983。
2. R.O.Duda and P.E.Hart, Pattern Classification and Scene Analysis, Wiley,New York,1973.
3. S.Watanabe,ed., Frantiers of Pattern Recognition, Academic Press, New York,1972.