模式识别发展潜力

模式识别技术是人工智能的基础技术，21世纪是智能化、信息化、计算化、网络化的世纪，在这个以数字计算为特征的世纪里，作为人工智能技术基础学科的模式识别技术，必将获得巨大的发展空间。在国际上，各大权威研究机构，各大公司都纷纷开始将模式识别技术作为公司的战略研发重点加以重视。

1、语音识别技术

语音识别技术正逐步成为信息技术中人机接口(Human Computer Interface， HCI)的关键技术，语音技术的应用已经成为一个具有竞争性的新兴高技术产业。中国互联网中心的市场预测:未来5年，中文语音技术领域将会有超过400亿人民币的市场容量，然后每年以超过30%的速度增长。

2、生物认证技术

生物认证技术(Biometrics)本世纪最受关注的安全认证技术，它的发展是大势所趋。人们愿意忘掉所有的密码、扔掉所有的磁卡，凭借自身的独一性来标识身份与保密。国际数据集团(IDC)预测:作为未来的必然发展方向的移动电子商务基础核心技术的生物识别技术在未来10年的时间里将达到100亿美元的市场规模。

3、数字水印技术

90年代以来才在国际上开始发展起来的数字水印技术(Digital Watermarking)是具发展潜力与优势的数字媒体版权保护技术。IDC预测，数字水印技术在未来的5年内全球市场容量超过80亿美元。

模式识别从20世纪20年代发展至今，人们的一种普遍看法是不存在对所有模式识别问题都适用的单一模型和解决识别问题的单一技术，我们现在拥有的只是一个工具袋，所要做的是结合具体问题把统计的和句法的识别结合起来，把统计模式识别或句法模式识别与人工智能中的启发式搜索结合起来，把统计模式识别或句法模式识别与支持向量机的机器学习结合起来，把人工神经元网络与各种已有技术以及人工智能中的专家系统、不确定推理方法结合起来，深入掌握各种工具的效能和应有的可能性，互相取长补短，开创模式识别应用的新局面。

对于识别二维模式的能力，存在各种理论解释。模板说认为，我们所知的每一个模式，在长时记忆中都有一个相应的模板或微缩副本。模式识别就是与视觉刺激合适的模板进行匹配。特征说认为，视觉刺激由各种特征组成，模式识别是比较呈现刺激的特征和储存在长时记忆中的模式特征。特征说解释了模式识别中的一些自下而上过程，但它不强调基于环境的信息和期待的自上而下加工。基于结构描述的理论可能比模板说或特征说更为合适。

 Bayes Classifier贝叶斯方法一篇比较科普的中文介绍可以见pongba的平凡而神奇的贝叶斯方法: 

      实际实现一个贝叶斯分类器之后再回头看这篇文章，感觉就很不一样。

      在模式识别的实际应用中，贝叶斯方法绝非就是标正比于prior*likelihood这个公式这么简单，一般而言我们都会用正态分布拟合likelihood来实现。用正态分布拟合是什么意思呢？贝叶斯方法式子的右边有两个量，一个是prior先验概率，这个求起来很简单，就是一大堆数据中求某一类数据占的百分比就可以了，比如300个一堆的数据中A类数据占100个，那么A的先验概率就是1/3。第二个就是likelihood，likelihood可以这么理解：对于每一类的训练数据，我们都用一个multivariate正态分布来拟合它们(即通过求得某一分类训练数据的平均值和协方差矩阵来拟合出一个正态分布)，然后当进入一个新的测试数据之后，就分别求取这个数据点在每个类别的正态分布中的大小，然后用这个值乘以原先的prior便是所要求得的后验概率了。贝叶斯公式中还有一个evidence，对于初学者来说，可能会一下没法理解为什么在实际运算中它不见了。实则上，evidence只是一个让最后标归一化的东西，而在模式分类中，我们只需要比较不同类别间标的大小，归一化反而增加了它的运算量。当然，在有的地方，这个evidence一定不能省，比如后文提到的GMM中，需要用到EM迭代，这时候如果不用evidence将标归一化，后果就会很可怕。

   模式识别

   人们在观察事物或现象的时候，常常要寻找它与其他事物或现象的不同之处，并根据一定的目的把各个相似的但又不完全相同的事物或现象组成一类。字符识别就是一个典型的例子。例如数字'4'可以有各种写法，但都属于同一类别。更为重要的是，即使对于某种写法的'4'，以前虽未见过，也能把它分到'4'所属的这一类别。人脑的这种思维能力就构成了'模式'的概念。在上述例子中，模式和集合的概念是分未弄的，只要认识这个集合中的有限数量的事物或现象，就可以识别属于这个集合的任意多的事物或现象。为了强调从一些个别的事物或现象推断出事物或现象的总体，我们把这样一些个别的事物或现象叫作各个模式。也有的学者认为应该把整个的类别叫作模去，这样的'模式'是一种抽象化的概念，如'房屋'等都是'模式'，而把具体的对象叫作'房屋'这类模式中的一个样本。这种名词上的不同含义是容易从上下文中弄淸楚的。