- 上一篇：矩阵QR分解方法及其应用及C++源程序
- 下一篇：经营决策中的多目标规划模型
模糊模式识别不是一种仅仅基于模糊集合理论的识别方法，更主要的是一种基于模糊数学的识别方法。模糊集合是指没有明确边界的集合，例如“很用功学习的学生”。在对事物观测的时候，由于噪声、测量不精确以及特征选择的不是很恰当，并且还会受到选择特征的数量有限等因素的影响，使得不同的模式类的边界不明确，从而模式类具有模糊集合的性质。因此，在模糊模式识别中就可以把它的模式类当作模糊集合，利用模糊集合理论以及模糊数学的相关的知识对这些模式进行分类[1]。
模式识别的神经网络方法是一种模拟人脑识别机理的方法，是一种基于人工神经元网络理论的模式分类方法。在这种方法中，模式信息的获取、分析和识别都是通过人工神经网络来进行的。人工神经网络的主要理论是探索并且模拟人脑神经系统对信息如何处理的机制。人脑是一个极强的信息处理系统，人脑对于复杂的事物可以做到迅速的清楚的识别。这是由于人脑是由约十的十一次方这么多个神经元组成的非线性巨系统，它对信息的存储是分布式的，也会是说各种信息都分布存储在各个神经元以及各个神经元之间的连接权上，存储能力强，信息不容易丢失。人工神经网络系统最有可能成为在模式识别中最有效最完美的方法[1]。
2.1.3 模式识别系统
模式识别系统主要由四个部分组成：数据获取、预处理、特征选择和降文、分类决策。
数据获取就是利用传感器或测量设备获得输入对象的特征信息，再经过采样和量化，并用数字矩阵或向量表示二文图像，这样输入对象就被表示成了某些数据或符号，这些数据或符号是可以在计算机上运行的。
预处理的过程就是把噪声去除，增强有用的信息，加强并恢复由于输入测量仪器或其他因素引起的退化现象。
特征选择和降文，不仅仅是要把数据压缩，还要把文数较高的测量空间的模式变为文数较低的特征空间的模式。由于实际上输入对象的数据往往只是有一部分对分类有作用，其他部分可以忽略不计，这就需要对原始测量数据进行选择或变换。通常原始数据组成的空间称为测量空间，经过选择变换得到的数据组成的空间成为特征空间[1]。
分类决策就是一种基于某种分类规则来进行分类的判别方法，通常是把准备要识别的模式划分到各自属于的模式类中。
2.2 模式识别的应用举例
生物识别技术有的时候可以被称为生物特征识别技术，它也属于模式识别，还有的时候也被叫做生物认证技术，这些说白了就是为了进行身份验证的时候，而采用的自动的技术来测量人的身份特征，并且将这些特征与数据库的模板数据进行比对匹配，从而完成认证的一种解决方案。人体的生物特征通常都是独一无二的，生物特征识别技术通常意义下的工作是统计并且分析这些基本的、可测量或可自动识别和验证的生理特征。一般来说，这样的过程包括四个步骤：获取图像、抽取特征、比较和匹配。通常来说，被用于识别人们身份的生物特征具有下面的四个特点：
1.广泛性，只要他是一个人，他就会拥有这种生物特征；
2.唯一性，只要他是一个人，他所拥有的生物特征就不会跟别人重复；
3.稳定性，只要他是一个人，他被选择的生物特征就肯定不会变了；
4.可采集性，这个人被选择的生物特征一定要很简单就能测量出来[2]。
常见的生物识别技术主要有九种：指纹、掌纹、手写体、面像、视网膜、虹膜、手形、声音以及面部热量图谱等，指纹识别技术是生物识别技术的最为成熟一种，到现在为止，最为成熟的生物识别技术和最为人们所关注的生物识别技术就应该是指纹识别技术[3]。