隨著社會(huì)不斷地進(jìn)步，報(bào)告使用的頻率越來(lái)越高，報(bào)告具有語(yǔ)言陳述性的特點(diǎn)。那么，報(bào)告到底怎么寫才合適呢？這里我整理了一些優(yōu)秀的報(bào)告范文，希望對(duì)大家有所幫助，下面我們就來(lái)了解一下吧。
模式識(shí)別課程報(bào)告編寫篇一
一、封皮的填寫：實(shí)驗(yàn)課程名稱 模式識(shí)別
二、實(shí)驗(yàn)名稱：按順序填寫圖像的貝葉斯分類、k均值聚類算法、神經(jīng)網(wǎng)絡(luò)模式識(shí)別
三、年月：2013年4月
四、紙張要求：統(tǒng)一采用a4大小紙張，左側(cè)裝訂，裝訂順序與實(shí)驗(yàn)順序一致。
五、書寫要求：
1、報(bào)告可以手寫也可以打印。
2、實(shí)驗(yàn)圖像及結(jié)果圖像打印，圖像均位于實(shí)驗(yàn)結(jié)果與分析部分，圖像打印于紙張上部，下部為實(shí)驗(yàn)分析。
3、報(bào)告中圖要有圖序及名稱，表要有表序及名稱，每個(gè)實(shí)驗(yàn)的圖序和表序單獨(dú)標(biāo)號(hào)，具體格式參照畢業(yè)設(shè)計(jì)手冊(cè)。不合格者扣除相應(yīng)分?jǐn)?shù)。
4、每個(gè)實(shí)驗(yàn)均需另起一頁(yè)書寫。
六、關(guān)于雷同報(bào)告：報(bào)告上交后，如有雷同，則課程考核以不及格處理，不再另行通知修改。
實(shí)驗(yàn)
一、圖像的貝葉斯分類
一、實(shí)驗(yàn)?zāi)康膶⒛Ｊ阶R(shí)別方法與圖像處理技術(shù)相結(jié)合，掌握利用最小錯(cuò)分概率貝葉斯分類器進(jìn)行圖像分類的基本方法，通過(guò)實(shí)驗(yàn)加深對(duì)基本概念的理解。
二、實(shí)驗(yàn)儀器設(shè)備及軟件
hp d538、matlab
三、實(shí)驗(yàn)原理
以自己的語(yǔ)言結(jié)合課堂筆記進(jìn)行總結(jié)，要求過(guò)程推導(dǎo)清晰明了。
四、實(shí)驗(yàn)步驟及程序
實(shí)驗(yàn)步驟、程序流程、實(shí)驗(yàn)源程序齊全。
五、實(shí)驗(yàn)結(jié)果與分析
要求寫明實(shí)驗(yàn)得到的分割閾值，附分割效果圖。對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析，說(shuō)明實(shí)驗(yàn)結(jié)果好或者不好的原因，提出改進(jìn)措施。
（另起一頁(yè)）
實(shí)驗(yàn)
二、k均值聚類算法
一、實(shí)驗(yàn)?zāi)康膶⒛Ｊ阶R(shí)別方法與圖像處理技術(shù)相結(jié)合，掌握利用k均值聚類算法進(jìn)行圖像分類的基本方法，通過(guò)實(shí)驗(yàn)加深對(duì)基本概念的理解。
二、實(shí)驗(yàn)儀器設(shè)備及軟件
hp d538、matlab、wit
三、實(shí)驗(yàn)原理
以自己的語(yǔ)言結(jié)合課堂筆記進(jìn)行總結(jié)，要求過(guò)程推導(dǎo)清晰明了。
四、實(shí)驗(yàn)步驟及程序
實(shí)驗(yàn)步驟、程序流程、matlab及wit實(shí)驗(yàn)源程序齊全，wit聚類程序可以圖像形式
附于報(bào)告上。
五、實(shí)驗(yàn)結(jié)果與分析
以matlab和wit分別實(shí)現(xiàn)k均值圖像聚類算法，寫明聚類類別數(shù)、聚類中心、迭代次數(shù)、運(yùn)行時(shí)間，附原始圖像和分類結(jié)果圖像，并做實(shí)驗(yàn)分析。
（另起一頁(yè)）
實(shí)驗(yàn)
三、神經(jīng)網(wǎng)絡(luò)模式識(shí)別
一、實(shí)驗(yàn)?zāi)康恼莆绽酶兄骱蚥p網(wǎng)進(jìn)行模式識(shí)別的基本方法，通過(guò)實(shí)驗(yàn)加深對(duì)基本概念的理解。
二、實(shí)驗(yàn)儀器設(shè)備及軟件
hp d538、matlab
三、實(shí)驗(yàn)原理
以自己的語(yǔ)言結(jié)合課堂筆記及相關(guān)資料進(jìn)行總結(jié)，要求過(guò)程推導(dǎo)清晰明了。
四、實(shí)驗(yàn)步驟及程序
感知器實(shí)驗(yàn)：
1、設(shè)計(jì)線性可分實(shí)驗(yàn)，要求訓(xùn)練樣本10個(gè)以上
2、奇異樣本對(duì)網(wǎng)絡(luò)訓(xùn)練的影響
3、以線性不可分樣本集訓(xùn)練分類器
bp網(wǎng)實(shí)驗(yàn)：利用bp網(wǎng)對(duì)上述線性不可分樣本集進(jìn)行分類
五、實(shí)驗(yàn)結(jié)果與分析
寫明迭代次數(shù)、訓(xùn)練時(shí)間，附分類界面效果圖，并討論奇異樣本對(duì)分類器訓(xùn)練的影響。
模式識(shí)別課程報(bào)告編寫篇二
模式識(shí)別簡(jiǎn)介 pattern recognition
誕生
狗的嗅覺(jué)的靈敏度非常高，大約是人的50至100倍。狗通過(guò)這項(xiàng)特異的功能來(lái)識(shí)別各種各樣的東西，幫助人類完成一些鑒別工作。不僅如此，識(shí)別也是人類的一項(xiàng)基本技能，人們無(wú)時(shí)無(wú)處的在進(jìn)行“模式識(shí)別”，古人有一成語(yǔ)“察言觀色”表達(dá)的正是這個(gè)意思。
模式識(shí)別是人類的一項(xiàng)基本智能，在日常生活中，人們經(jīng)常在進(jìn)行“模式識(shí)別”。隨著20世紀(jì)40年代計(jì)算機(jī)的出現(xiàn)以及50年代人工智能的興起，人們當(dāng)然也希望能用計(jì)算機(jī)來(lái)代替或擴(kuò)展人類的部分腦力勞動(dòng)。計(jì)算機(jī)模式識(shí)別在20世紀(jì)60年代初迅速發(fā)展并成為一門新學(xué)科。
概念
簡(jiǎn)單來(lái)說(shuō)，模式識(shí)別就是通過(guò)計(jì)算機(jī)用數(shù)學(xué)技術(shù)方法來(lái)研究模式的自動(dòng)處理和判讀。我們把環(huán)境與客體統(tǒng)稱為“模式”。隨著計(jì)算機(jī)技術(shù)的發(fā)展，人類有可能研究復(fù)雜的信息處理過(guò)程。信息處理過(guò)程的一個(gè)重要形式是生命體對(duì)環(huán)境及客體的識(shí)別。對(duì)人類來(lái)說(shuō)，特別重要的是對(duì)光學(xué)信息（通過(guò)視覺(jué)器官來(lái)獲得）和聲學(xué)信息（通過(guò)聽(tīng)覺(jué)器官來(lái)獲得）的識(shí)別。這是模式識(shí)別的兩個(gè)重要方面。市場(chǎng)上可見(jiàn)到的代表性產(chǎn)品有光學(xué)字符識(shí)別（optical character recognition, ocr）、語(yǔ)音識(shí)別系統(tǒng)。其計(jì)算機(jī)識(shí)別的顯著特點(diǎn)是速度快，準(zhǔn)確性高，效率高。在將來(lái)完全可以取代人工錄入。
模式識(shí)別是指對(duì)表征事物或現(xiàn)象的各種形式的(數(shù)值的、文字的和邏輯關(guān)系的)信息進(jìn)行處理和分析，以對(duì)事物或現(xiàn)象進(jìn)行描述、辨認(rèn)、分類和解釋的過(guò)程，是信息科學(xué)和人工智能的重要組成部分。
研究
模式識(shí)別研究主要集中在兩方面，一是研究生物體(包括人)是如何感知對(duì)象的，屬于認(rèn)識(shí)科學(xué)的范疇，二是在給定的任務(wù)下，如何用計(jì)算機(jī)實(shí)現(xiàn)模式識(shí)別的理論和方法。前者是生理學(xué)家、心理學(xué)家、生物學(xué)家和神經(jīng)生理學(xué)家的研究?jī)?nèi)容，后者通過(guò)數(shù)學(xué)家、信息學(xué)專家和計(jì)算機(jī)科學(xué)工作者近幾十年來(lái)的努力，已經(jīng)取得了系統(tǒng)的研究成果。
應(yīng)用計(jì)算機(jī)對(duì)一組事件或過(guò)程進(jìn)行辨識(shí)和分類，所識(shí)別的事件或過(guò)程可以是文字、聲音、圖像等具體對(duì)象，也可以是狀態(tài)、程度等抽象對(duì)象。這些對(duì)象與數(shù)字形式的信息相區(qū)別，稱為模式信息。
模式識(shí)別所分類的類別數(shù)目由特定的識(shí)別問(wèn)題決定。有時(shí)，開始時(shí)無(wú)法得知實(shí)際的類別數(shù)，需要識(shí)別系統(tǒng)反復(fù)觀測(cè)被識(shí)別對(duì)象以后確定。
模式識(shí)別與統(tǒng)計(jì)學(xué)、心理學(xué)、語(yǔ)言學(xué)、計(jì)算機(jī)科學(xué)、生物學(xué)、控制論等都有關(guān)系。它與人工智能、圖像處理的研究有交叉關(guān)系。例如自適應(yīng)或自組織的模式識(shí)別系統(tǒng)包含了人工智能的學(xué)習(xí)機(jī)制；人工智能研究的景物理解、自然語(yǔ)言理解也包含模式識(shí)別問(wèn)題。又如模式識(shí)別中的預(yù)處理和特征抽取環(huán)節(jié)應(yīng)用圖像處理的技術(shù)；圖像處理中的圖像分析也應(yīng)用模式識(shí)別的技術(shù)。
應(yīng)用領(lǐng)域包括：計(jì)算機(jī)視覺(jué)、醫(yī)學(xué)圖像分析、光學(xué)文字識(shí)別、自然語(yǔ)言處理、語(yǔ)音識(shí)別、手寫識(shí)別、生物特征識(shí)別、人臉識(shí)別、指紋識(shí)別、虹膜識(shí)別、文件分類、互聯(lián)網(wǎng)搜索引擎、信用評(píng)分、測(cè)繪學(xué)、攝影測(cè)量與遙感學(xué)。以“漢字識(shí)別”為例：
識(shí)別過(guò)程與人類的學(xué)習(xí)過(guò)程相似。首先將漢字圖象進(jìn)行處理，抽取主要表達(dá)特征并將特征與漢字的代碼存在計(jì)算機(jī)中。就像老師教我們“這個(gè)字叫什么、如何寫”記在大腦中。這一過(guò)程叫做“訓(xùn)練”。識(shí)別過(guò)程就是將輸入的漢字圖象經(jīng)處理后與計(jì)算機(jī)中的所有字進(jìn)行比較，找出最相近的字就是識(shí)別結(jié)果。這一過(guò)程叫做“匹配”。
還有一些比較典型的應(yīng)用例子如： 去霧算法：
由有霧的圖片處理成無(wú)霧的過(guò)程用的是一種基于暗影通道的去霧算法。相機(jī)照出的相片=真實(shí)相片*透謝分布率+天空亮度。這里要做的就是根據(jù)公式求出真實(shí)相片，另外三個(gè)未知量是可以求出來(lái)的。
交叉驗(yàn)證方法：
用來(lái)驗(yàn)證分類器的性能一種統(tǒng)計(jì)分析方法,基本思想是把在某種意義下將原始數(shù)據(jù)進(jìn)行分組,一部分做為訓(xùn)練集，另一部分做為驗(yàn)證集，首先用訓(xùn)練集對(duì)分類器進(jìn)行訓(xùn)練,在利用驗(yàn)證集來(lái)測(cè)試訓(xùn)練得到的模型，以此來(lái)做為評(píng)價(jià)分類器的性能指標(biāo)。
紋理：
在自然圖象中，紋理作為物體的一種重要外觀特征，為視覺(jué)感知提供了無(wú)處不在的信息，它在計(jì)算機(jī)視覺(jué)、圖形學(xué)、圖像編碼等領(lǐng)域都有著重要作用，例如，格式塔（gestalt）心理學(xué)，早期視覺(jué)理論和marr的原始簡(jiǎn)約圖（primal sketch）都將紋理模式作為中心話題。
因此，對(duì)紋理的理解是視覺(jué)理解不可或缺的組成部分。過(guò)去的幾年里，紋理分析和合成的相關(guān)研究工作在基礎(chǔ)理論上與實(shí)際應(yīng)用兩個(gè)方面都取得了振奮人心的發(fā)展，研究者結(jié)合計(jì)算機(jī)視覺(jué)，圖形學(xué)，現(xiàn)代統(tǒng)計(jì)物理，心理學(xué)和神經(jīng)系統(tǒng)科學(xué)等領(lǐng)域的知識(shí)，提出了很多關(guān)于紋理理解的新方法。紋理的研究工作主要集中在兩個(gè)領(lǐng)域：濾波理論（filtering theory）和統(tǒng)計(jì)建模（statistical modeling）理論。濾波理論來(lái)源于在神經(jīng)生理學(xué)中被發(fā)現(xiàn)并被廣泛接受的多通道濾波機(jī)制，該機(jī)制認(rèn)為，人類視覺(jué)系統(tǒng)將視網(wǎng)膜圖像分解為一組子帶（sub-band）圖像信號(hào)，而這些子帶信號(hào)可以通過(guò)一組線性濾波器和圖像卷積然后經(jīng)過(guò)某些非線性操作計(jì)算得到。濾波理論在紋理方面的應(yīng)用主要有 gabor 濾波器和小波（wavelet）塔等，它們?cè)诩y理分割和分類中有良好的性能。統(tǒng)計(jì)建模理論認(rèn)為，紋理圖像是隨機(jī)場(chǎng)上概率分布的采樣，該理論涉及到時(shí)間序列模型（time series model），馬爾可夫鏈（markov chain）模型和馬爾可夫隨機(jī)場(chǎng)（markov random field，mrf）模型等建模方法?；诮y(tǒng)計(jì)的建模方法一般只需要用很少幾個(gè)參數(shù)來(lái)描述紋理特征，因此能為紋理提供簡(jiǎn)練的表示，而且它能把紋理分析問(wèn)題轉(zhuǎn)化為一個(gè)明確的統(tǒng)計(jì)推理問(wèn)題來(lái)處理。
計(jì)算機(jī)視覺(jué)研究中低層視覺(jué)的一個(gè)主要研究方向是圖像分割。由于一個(gè)場(chǎng)景中，不同的物體之間有不同層度的交疊，使得最理想的分割結(jié)果也會(huì)出現(xiàn)物體的不同部分（可視部分）之間分割開來(lái)，而不可視部分則為其它物體所覆蓋的情況，這就不利于完整地展現(xiàn)物體。因此，有必要利用由圖像得到的相關(guān)信息，如原始簡(jiǎn)約圖（primal sketch）、顏色一致性、方位一致性等，研究一套算法，把同一物體分在同一個(gè)層里面，然后再把它們相應(yīng)的部分之間連接起來(lái)，組成完整的物體。這就是2.1d sketch的主要研究任務(wù)。
2.1d sketch主要研究面物體，且不關(guān)心物體之間的深度信息，而只考慮它們之間的偏序關(guān)系（partial order）。
2.1d sketch的研究成果將會(huì)用于圖像分割、圖像編輯、藝術(shù)圖像生成以及圖像序列分析中。
機(jī)器學(xué)習(xí)：
機(jī)器學(xué)習(xí)是人工智能的一個(gè)分支，它是關(guān)于讓機(jī)器具有學(xué)習(xí)能力的一些算法。許多情況這種算法給一些數(shù)據(jù)和從這些數(shù)據(jù)屬性的推出的信息對(duì)將來(lái)出現(xiàn)的新的數(shù)據(jù)做出預(yù)測(cè)。之所以可以這么做是因?yàn)榇蠖鄶?shù)的非隨機(jī)的數(shù)據(jù)包含一些模式，這些模式可以讓機(jī)器去做泛化。
機(jī)器學(xué)習(xí)的相關(guān)概念掃盲：
監(jiān)督式學(xué)習(xí)：訓(xùn)練數(shù)據(jù)中包含輸入的向量集合并且有相應(yīng)的目標(biāo)值（labeled樣例）
例如分類（classification）、關(guān)聯(lián)規(guī)則、回歸(regression)非監(jiān)督式學(xué)習(xí)：訓(xùn)練數(shù)據(jù)中不包含labeled樣例
例如聚類(cluster)、density estimation、visualization.半監(jiān)督式學(xué)習(xí)：組合了labled和unlabeled的example去生成一個(gè)函數(shù)或分類
泛化（generalization）：通過(guò)訓(xùn)練數(shù)據(jù)訓(xùn)練之后能夠識(shí)別新的數(shù)據(jù)。特征提取(feature extraction): 為了降維去除不想關(guān)的特征，在數(shù)據(jù)預(yù)處理階段把數(shù)據(jù)轉(zhuǎn)化成容易處理的。
機(jī)器學(xué)習(xí)的局限性：
機(jī)器學(xué)習(xí)在大量的模式面前的泛化能力是不同的，如果一個(gè)模式不同于以前所看到的，那么這個(gè)算法很容易被誤解。由于當(dāng)前的數(shù)據(jù)量不夠，不能涵蓋各種將來(lái)的情況，所以機(jī)器學(xué)習(xí)的方法很容易出現(xiàn)過(guò)度泛化，從而出現(xiàn)不準(zhǔn)確性。
adaboost人臉檢測(cè)原理：
一種基于積分圖、級(jí)聯(lián)檢測(cè)器和adaboost 算法的方法，方法框架可以分為以下三大部分: 第一部分，使用harr-like特征表示人臉，使用“ 積分圖”實(shí)現(xiàn)特征數(shù)值的快速計(jì)算;第二部分，使用adaboost算法挑選出一些最能代表人臉的矩形特征(弱分類器)，按照加權(quán)投票的方式將弱分類器構(gòu)造為一個(gè)強(qiáng)分類器;第三部分，將訓(xùn)練得到的若干強(qiáng)分類器串聯(lián)組成一個(gè)級(jí)聯(lián)結(jié)構(gòu)的層疊分類器，級(jí)聯(lián)結(jié)構(gòu)能有效地提高分類器的檢測(cè)速度。
總結(jié)
自20世紀(jì)50年代以來(lái)，模式識(shí)別在人工智能興起后不久就迅速發(fā)展成一門學(xué)科。它所研究的理論和方法在很多科學(xué)和技術(shù)領(lǐng)域得到廣泛重視，推動(dòng)了人工智能系統(tǒng)的發(fā)展，擴(kuò)大了計(jì)算機(jī)應(yīng)用的可能性。
經(jīng)過(guò)多年的研究和發(fā)展，模式識(shí)別技術(shù)已廣泛被應(yīng)用于人工智能、計(jì)算機(jī)工程、機(jī)器學(xué)、神經(jīng)生物學(xué)、醫(yī)學(xué)、偵探學(xué)以及高能物理、考古學(xué)、地質(zhì)勘探、宇航科學(xué)和武器技術(shù)等許多重要領(lǐng)域，如語(yǔ)音識(shí)別、語(yǔ)音翻譯、人臉識(shí)別、指紋識(shí)別、手寫體字符的識(shí)別、工業(yè)故障檢測(cè)、精確制導(dǎo)等。模式識(shí)別技術(shù)的快速發(fā)展和應(yīng)用大大促進(jìn)了國(guó)民經(jīng)濟(jì)建設(shè)和國(guó)防科技現(xiàn)代化建設(shè)。
模式識(shí)別課程報(bào)告編寫篇三
監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)的區(qū)別：
監(jiān)督學(xué)習(xí)方法用來(lái)對(duì)數(shù)據(jù)實(shí)現(xiàn)分類，分類規(guī)則通過(guò)訓(xùn)練獲得。該訓(xùn)練集由帶分類號(hào)的數(shù)據(jù)集組成，因此監(jiān)督學(xué)習(xí)方法的訓(xùn)練過(guò)程是離線的。
非監(jiān)督學(xué)習(xí)方法不需要單獨(dú)的離線訓(xùn)練過(guò)程，也沒(méi)有帶分類號(hào)（標(biāo)號(hào)）的訓(xùn)練數(shù)據(jù)集，一般用來(lái)對(duì)數(shù)據(jù)集進(jìn)行分析，如聚類，確定其分布的主分量等。
（實(shí)例：道路圖）就道路圖像的分割而言，監(jiān)督學(xué)習(xí)方法則先在訓(xùn)練用圖像中獲取道路象素與非道路象素集，進(jìn)行分類器設(shè)計(jì)，然后用所設(shè)計(jì)的分類器對(duì)道路圖像進(jìn)行分割。
使用非監(jiān)督學(xué)習(xí)方法，則依據(jù)道路路面象素與非道路象素之間的聚類分析進(jìn)行聚類運(yùn)算，以實(shí)現(xiàn)道路圖像的分割。
1、寫出k-均值聚類算法的基本步驟, 算法：
第一步：選k個(gè)初始聚類中心，z1(1)，z2(1)，…，zk(1)，其中括號(hào)內(nèi)的序號(hào)為尋找聚類中心的迭代運(yùn)算的次序號(hào)。聚類中心的向量值可任意設(shè)定，例如可選開始的k個(gè)模式樣本的向量值作為初始聚類中心。第二步：逐個(gè)將需分類的模式樣本{x}按最小距離準(zhǔn)則分配給k個(gè)聚類中心中的某一個(gè)zj(1)。假設(shè)i=j時(shí)，dj(k)?min{x?zi(k),i?1,2,?k}，則x?sj(k)，其中k為迭代運(yùn)算的次序號(hào)，第一次迭代k=1，sj表示第j個(gè)聚類，其聚類中心為zj。第三步：計(jì)算各個(gè)聚類中心的新的向量值，zj(k+1)，j=1,2,…,k zj(k?1)?1njx?sj(k)?x,j?1,2,?,k 求各聚類域中所包含樣本的均值向量：
其中nj為第j個(gè)聚類域sj中所包含的樣本個(gè)數(shù)。以均值向量作為新的聚類中心，jj?x?sj(k)?x?zj(k?1),2j?1,2,?,k可使如下聚類準(zhǔn)則函數(shù)最?。?/p>
在這一步中要分別計(jì)算k個(gè)聚類中的樣本均值向量，所以稱之為k-均值算法。第四步：若zj(k若zj(k ?1)?zj(k)，j=1,2,…,k，則返回第二步，將模式樣本逐個(gè)重新分類，重復(fù)迭代運(yùn)算；
?1)?zj(k)，j=1,2,…,k，則算法收斂，計(jì)算結(jié)束。
t線性分類器三種最優(yōu)準(zhǔn)則：
wsfisher準(zhǔn)則：maxj(w)?>>n）的條件下，可以使用分支定界法以減少計(jì)
m算量。
15、散度jij越大，說(shuō)明?i類模式與?j類模式的分布（差別越大）；當(dāng)?i類模式與?j類模式的分布相同時(shí)，jij=（0）。
16、影響聚類算法結(jié)果的主要因素有（②分類準(zhǔn)則 ③特征選取 ④模式相似性測(cè)度。）。
19、模式識(shí)別中，馬式距離較之于歐式距離的優(yōu)點(diǎn)是（③尺度不變性 ④考慮了模式的分布）。20、基于二次準(zhǔn)則函數(shù)的h-k算法較之于感知器算法的優(yōu)點(diǎn)是（①可以判別問(wèn)題是否線性可分 ③其解的適應(yīng)性更好）。
21、影響基本c均值算法的主要因素有（④初始類心的選取 ①樣本輸入順序 ②模式相似性測(cè)度）。
22、位勢(shì)函數(shù)法的積累勢(shì)函數(shù)k(x)的作用相當(dāng)于bayes判決中的（②后驗(yàn)概率 ④類概率密度與先驗(yàn)概率的乘積）。
23、統(tǒng)計(jì)模式分類問(wèn)題中，當(dāng)先驗(yàn)概率未知時(shí)，可使用（②最小最大損失準(zhǔn)則 ④n-p判決）
24、在（①cn>>n,（n為原特征個(gè)數(shù)，d為要選出的特征個(gè)數(shù)）③選用的可分性判據(jù)j對(duì)特征數(shù)目單調(diào)不減）情況下，用分支定界法做特征選擇計(jì)算量相對(duì)較少。
25、散度jd是根據(jù)（③類概率密度）構(gòu)造的可分性判據(jù)。
26、似然函數(shù)的概型已知且為單峰，則可用（①矩估計(jì)②最大似然估計(jì)③bayes估計(jì) ④bayes學(xué)習(xí)⑤parzen窗法）估計(jì)該似然函數(shù)。
27、kn近鄰元法較之parzen窗法的優(yōu)點(diǎn)是（②穩(wěn)定性較好）。
28、從分類的角度講，用dklt做特征提取主要利用了dklt的性質(zhì)：（①變換產(chǎn)生的新分量正交或不相關(guān)③使變換后的矢量能量更趨集中）。
29、一般，剪輯k-nn最近鄰方法在（①樣本數(shù)較大）的情況下效果較好。d29、如果以特征向量的相關(guān)系數(shù)作為模式相似性測(cè)度，則影響聚類算法結(jié)果的主要因素有（②分類準(zhǔn)則 ③特征選取）。30、假設(shè)在某個(gè)地區(qū)細(xì)胞識(shí)別中正常（w1）和異常（w2）兩類先驗(yàn)概率分別為 p(w1)=0.9，p(w2)=0.1，現(xiàn)有一待識(shí)別的細(xì)胞，其觀察值為x，從類條件概率密度分布曲線上查得p(xw1)?0.2，p(xw2)?0.4，并且已知?11?0，?12?6，?21?1，?22?0
試對(duì)該細(xì)胞x用一下兩種方法進(jìn)行分類： 1.基于最小錯(cuò)誤率的貝葉斯決策； 2.基于最小風(fēng)險(xiǎn)的貝葉斯決策； 請(qǐng)分析兩種結(jié)果的異同及原因。
模式識(shí)別課程報(bào)告編寫篇四
王麗霞
深圳市南山區(qū)學(xué)府路；***、lixia_2011@
求職意向
數(shù)字圖像處理、模式識(shí)別算法工程師 教育經(jīng)歷
汕頭大學(xué) 電子工程系 信號(hào)與信息處理專業(yè) 碩士2007.9—2010.6 汕頭市
·在校期間成績(jī)優(yōu)良，分別一次獲汕頭大學(xué)一等、二等獎(jiǎng)學(xué)金；2008 09擔(dān)任女生部部長(zhǎng)負(fù)責(zé)統(tǒng)籌管理，成立特色學(xué)科及基礎(chǔ)學(xué)科研討組，積極開拓學(xué)生的思維并提高他們的學(xué)習(xí)成績(jī)，更貼近社會(huì)的新路線。
濰坊學(xué)院 信息與控制工程學(xué)院 電子信息工程 學(xué)士2003.9—2007.6 濰坊市
·2007年9月以第一名成績(jī)考入汕頭大學(xué)攻讀碩士研究生；在校期間擔(dān)任班級(jí)學(xué)習(xí)委員負(fù)責(zé)不同類學(xué)生的學(xué)習(xí)方法指導(dǎo)；2004-9-2007-6擔(dān)任學(xué)院文藝部部長(zhǎng)，負(fù)責(zé)迎新晚會(huì)籌劃，鍛煉了團(tuán)隊(duì)領(lǐng)導(dǎo)能力、協(xié)調(diào)能力、臨場(chǎng)反應(yīng)能力以及創(chuàng)新思維。英語(yǔ)及專業(yè)技能
●熟練掌握了數(shù)字信號(hào)處理及它的常用算法、有良好的數(shù)學(xué)功底；熟悉圖像處理的基本算法、熟悉模式識(shí)別基礎(chǔ)知識(shí)與智能系統(tǒng)理論及它們的應(yīng)用，在模式識(shí)別和運(yùn)動(dòng)跟蹤方面有較深的理解；熟悉光伏應(yīng)用系統(tǒng)的結(jié)構(gòu)、性能原理；曾在核心期刊系統(tǒng)仿真技術(shù)發(fā)表文章（基于神經(jīng)網(wǎng)絡(luò)應(yīng)用的光伏最大功率跟蹤）。
●英語(yǔ)：六級(jí)考試 362；四級(jí)考試 473；具有較強(qiáng)的相關(guān)專業(yè)學(xué)科的英文文獻(xiàn)閱讀能力； ●能熟練使用計(jì)算機(jī)，會(huì)用電路仿真軟件、labview軟件、熟練掌握visual c++的mfc程序設(shè)計(jì)和matlab仿真工具，能夠做算法的設(shè)計(jì)和仿真；并能應(yīng)用labview軟件進(jìn)行信號(hào)處理（波形測(cè)量、時(shí)頻域分析與數(shù)學(xué)分析（概率統(tǒng)計(jì)擬合最優(yōu)化等）。工作經(jīng)歷
2010 6-2010 8深圳市輝銳天眼科技有限公司擔(dān)任核心研發(fā)工程師 ●職位為智能監(jiān)控核心研發(fā)工程師
●負(fù)責(zé)計(jì)算機(jī)視覺(jué)方面的ieee文章的講解及不同算法的實(shí)現(xiàn)研究，負(fù)責(zé)機(jī)器視覺(jué)系統(tǒng)圖像處理、分析及識(shí)別算法設(shè)計(jì)、實(shí)現(xiàn)，參與圖像處理技術(shù)研究與設(shè)計(jì)，對(duì)已有算法進(jìn)行優(yōu)化改進(jìn)。使用opencv進(jìn)行背景/前景提取、檢測(cè)識(shí)別、了解運(yùn)動(dòng)跟蹤的常用算法、設(shè)計(jì)相關(guān)信號(hào)特征提取算法及其設(shè)計(jì)模式識(shí)別分類器等。項(xiàng)目經(jīng)驗(yàn)
2008 09-2009 11模式識(shí)別與智能系統(tǒng)理論的算法研究 ●算法在matlab仿真，并在simulink中建模，最后把這個(gè)算法用c++語(yǔ)言編程，在vc++中生成了可執(zhí)行文件。
2009 01-2009 06生物細(xì)胞圖像病變檢測(cè)算法研究 ●在matlab中仿真了算法，正確率達(dá)到82%。
2009 07-2009 09圖像壓縮算法編碼器設(shè)計(jì) ●在fpga芯片上實(shí)現(xiàn)并驗(yàn)證了方案，對(duì)比得出了fpga比dsp在神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)上的明顯優(yōu)勢(shì)，前者采用指令順序執(zhí)行的方式，數(shù)據(jù)位寬固定，fpga處理數(shù)據(jù)的方式是基于硬件的并行處理方式，即一個(gè)時(shí)鐘周期內(nèi)可并行完成多次運(yùn)算，特別適合于神經(jīng)網(wǎng)絡(luò)的并行特點(diǎn)。2010 02在科進(jìn)生物識(shí)別公司 ●了解了不同二維條碼尤其qr code的特點(diǎn)，探討了定位圖形的方法，了解了指紋識(shí)別，探討了小波變換及gabor變換在紋理圖像的特征提取的優(yōu)劣。自我評(píng)價(jià)及愛(ài)好
●很強(qiáng)的責(zé)任心創(chuàng)新能力、自學(xué)能力及應(yīng)用知識(shí)能力；誠(chéng)實(shí)善良，勤奮刻苦，進(jìn)取精神、團(tuán)隊(duì)協(xié)作精神；愛(ài)好戶外運(yùn)動(dòng)、國(guó)學(xué)研究，齊白石大師的畫。
模式識(shí)別課程報(bào)告編寫篇五
模式識(shí)別文獻(xiàn)綜述報(bào)告
一，文獻(xiàn)綜述報(bào)告
閱讀至少5篇論文（最好包含1篇英文論文；自己去學(xué)校電子圖書館下載，考慮中國(guó)知網(wǎng)；ieee，elsevier等數(shù)據(jù)庫(kù)），寫一篇文獻(xiàn)綜述報(bào)告。
1.選題不限，可以是任何一種模式識(shí)別算法（例如k-means，knn，bayes，svm，pca，lda等），閱讀所選題方面的相關(guān)文獻(xiàn)（論文都是關(guān)于一個(gè)主題的，例如都是svm算法方面的）。
2.寫一份文獻(xiàn)綜述報(bào)告，包括：每篇論文主要使用什么算法實(shí)現(xiàn)什么，論文有沒(méi)有對(duì)算法做出改進(jìn)（為什么改進(jìn)，原算法存在什么問(wèn)題，改進(jìn)方法是什么），論文中做了什么對(duì)比試驗(yàn)，實(shí)驗(yàn)結(jié)論是什么？注意，盡量用自己的話總結(jié)，不要照抄原文。可以加入自己的分析和想法，例如這篇論文還存在什么問(wèn)題或者缺點(diǎn)，這篇論文所作出的改進(jìn)策略是否好，你自己對(duì)算法有沒(méi)有什么改進(jìn)的想法？
3.把閱讀的參考文獻(xiàn)寫在報(bào)告后面。（包括：作者；論文名稱；期刊名稱；出版年，卷號(hào)（期號(hào)），頁(yè)碼。例如：[1] 趙銀娣，張良培，李平湘，一種紋理特征融合分類算法，武漢大學(xué)學(xué)報(bào)，信息科學(xué)版，2006,31(3):278-281.）
二、寫一下學(xué)習(xí)這門課的心得體會(huì)（占分?jǐn)?shù)）。
學(xué)習(xí)這門課有什么收獲？老師在教學(xué)中還應(yīng)該加入些什么教學(xué)內(nèi)容？或者有哪些教學(xué)內(nèi)容需要?jiǎng)h減？需要調(diào)整？對(duì)于作業(yè)（上機(jī)實(shí)驗(yàn)）內(nèi)容有什么意見(jiàn)和建議？目前內(nèi)容過(guò)多過(guò)難還是適中？你希望出什么樣的上機(jī)題目（可以得到好的鍛煉和能力的提高）？完成作業(yè)過(guò)程中有什么收獲和體會(huì)？有沒(méi)有對(duì)模式識(shí)別或者某種模式識(shí)別的算法比較感興趣？有什么想法？
