第四次工业革命与
模式识别
院系名称：
专业班级：
学生姓名： 理金龙
学号：
2017年11月20日
第四次工业革命与模式识别
摘要:经过60多年的演进，人工智能发展进入新阶段，成为国际竞争的新焦点。当今世界，主要发达国家把发展人工智能作为提升国家竞争力、维护国家安全的重大战略，加紧出台规划和政策，围绕核心技术、顶尖人才、标准规范等强化部署，力图在新一轮国际科技竞争中掌握主导权。未来已来，随着人工智能和实体经济的融合加深，给我们生活带来的颠覆必将越来越多。发展人工智能不能等、不能懈怠，勇于创新、善于融合，才能让我国在第四次工业革命中实现赶超发展。
我们看到，人工智能作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。过去十几年，人工智能逐渐为整个中国经济赋能。受益于互联网的发展，中国前端已经走在世界前列，包括移动支付、外卖、最后一公里等在内的前端业务领先世界。模式识别技术近年来得到了迅速的发展，在人工智能中扮演着不可替代的角色。本文通过对模式识别系统的简要评述，对近年来几种基本的模式识别方法进行了总结，并就其理论基础与应用作了详细的介绍与阐述。
关键词：人工智能模式识别技术
The Fourth Industrial Revolution and Pattern
Recognition
Abstract:After more than 60 years of evolution，the development of artificial intelligence has entered a new phase and has become the new focus of international competition. In today's world，the major developed countries take the development of artificial intelligence as a major strategy to enhance their national competitiveness and safeguard national security. They have been stepping up their plans and policies and intensifying their deployment based on core technologies，top talent and standards and other efforts in the new round of international technological competition Master the dominance. In the future，with the deepening of the integration of artificial intelligence and real economy，more and more subversion will be brought to our life. The development of artificial intelligence can not wait，can not be slack，brave in innovation，good integration，in order to make our country in the fourth industrial revolution to achieve catch-up development.
We see that as the core driver of the new round of industrial transformation，artificial intelligence will further release the tremendous energy accumulated by scientific and technological revolutions and industrial changes and create new and powerful engines. In the past decade or so，artificial intelligence gradually energized the entire Chinese economy. Benefiting from the development of the Internet，the front end of China
has taken the lead in the world，including leading-edge businesses such as mobile payment，take-away services and the last kilometer. Pattern recognition technology has been rapidly developed in recent years，play an irreplaceable role in artificial intelligence. Based on a brief review of pattern recognition system，this paper summarizes several basic pattern recognition methods in recent years and gives a detailed introduction and elaboration of its theoretical foundation and application.
Keywords:artificial intelligence Pattern recognition technology
1 引言
识别是人类的一项基本技能，人们无时无处的在进行“模式识别”，古人有一成语“察言观色”表达的正是这个意思。随着第一台计算机ENIAC的出现以及人工智能的兴起，人们自然而然的把目光投向如何将人类的识别能力成为计算机的一部分功能，从而减轻人类自身的脑力劳动。模式识别技术的研究目的是根据人的大脑的识别机理，通过计算机模拟，构造出能代替人完成分类和辨识的任务，进而进行自动信息处理的机器系统。计算机模式识别在20世纪60年代初迅速发展并成为一门新学科。模式识别技术在社会生活和科学研究的许多方面有着巨大的现实意义，己经在许多领域得到了广泛应用。随着计算机技术和人工智能、思维科学研究的迅速发展，模式识别技术正在向更高、更深的层次发展。
2 模式与模式识别
通常，把通过对具体个别事物进行观察所得到的，具有时间和空间分布的信息称为模式，而把模式所属的类别或同一类中模式的总体称为模式类。广义地说，存在于时间和空间中可观察的事物，如果可以区别它们是否相同或相似，都可以称之为模式；狭义地说，模式是通过对具体的个别事物进行观测所得到的具有时间和空间分布的信息；把模式所属的类别或同一类中模式的总体称为模式类(或简称为类)。
模式识别则是指对表征事物或现象的各种形式的（数值的、文字的和逻辑关系的）信息进行处理和分析，以对事物或现象进行描述，是在某些一定量度或观测基础上把待识模式划分到各自的模式类中去。计算机模式识别就是指利用计算机等装置对物体、图像、图形、语音、字形等信息进行自动识别，是通过计算机与光学、声学、生物传感器和生物统计学原理辨认、分类和解释的过程，是信息科学和人工智能的重要组成部分。
模式识别又常称作模式分类，从处理问题的性质和解决问题的方法等角度，模式识别分为有监督的分类（Supervised Classification）和无监督的分类（Unsupervised Classification）两种。二者的主要差别在于，各实验样本所属的类别是否预先已知。一般说来，有监督的分类往往需要提供大量已知类别的样本，但在实际问题中，这是存在一定困难的，因此研究无监督的分类就变得十分有必要了。
此外，模式还可分成抽象的和具体的两种形式。前者如意识、思
想、议论等，属于概念识别研究的范畴，是人工智能的另一研究分支，是生理学家、心理学家、生物学家、神经生理学家的研究内容，属于认知科学的范畴；我们所指的模式识别主要是通过数学家、信息学专家和计算机科学工作者对语音波形、地震波、心电图、脑电图、图片、照片、文字、符号、生物传感器等对象的具体模式进行辨识和分类。
3 模式识别的方法
3.1 基本分类
现在有两种基本的模式识别方法，即统计模式识别方法和结构（句法）模式识别方法。统计模式识别是对模式的统计分类方法，即结合统计概率论的贝叶斯决策系统进行模式识别的技术，又称为决策理论识别方法。利用模式与子模式分层结构的树状信息所完成的模式识别工作，就是结构模式识别或句法模式识别。
当然，模式识别也可以进行如下的详细分类，
3.2 统计识别
统计识别方法是受数学中的决策理论启发而产生的一种识别方法。其基本思想是将特征提取阶段得到的特征向量定义在一个特征空间中，这个空间包含了所有的特征矢量。不同的特征向量，或者说不同类别的对象，都对应于此空间中的一点。在分类阶段，则利用统计决策的原理对特征空间进行划分，从而达到识别不同特征对象的目的。统计识别中应用的统计决策分类理论相对比较成熟，研究的重点是特征提取。
3.3 句法结构识别
句法识别是对统计识别方法的补充。统计方法用数值来描述图像的特征，句法方法则是用符号来描述图像特征的。它模仿了语言学中句法的层次结构，采用分层描述的方法，把复杂图像分解为单层或多层的简单子图像，主要突出了识别对象的结构信息。图像识别是从统计方法发展起来的，而句法方法更扩大了识别的能力，使其不仅限于
对象物的分类，而且还用于景物的分析与物体结构的识别。
3.4 模糊识别
模糊识别的理论基础是模糊数学。它根据人辨识事物的思维逻辑，吸取人脑的识别特点，将计算机中常用的二值逻辑转向连续逻辑。模糊识别的结果是用被识别对象隶属于某一类别的程度即隶属度来表示的，一个对象可以在某种程度上属于某一类别，而在另一种程度上属于另一类别。一般常规识别方法则要求一个对象只能属于某一类别。基于模糊集理论的识别方法有: 最大隶属原则识别法、择近原则识别法和模糊聚类法。
3.5 人工神经网络识别
人工神经网络的研究起源于对生物神经系统的研究。它将若干处理单元(即神经元)通过一定的互连模型连结成一个网络，这个网络通过一定的机制(如BP网络)可以模仿人的神经系统的动作过程，以达到识别分类的目的。人工神经网络区别于其他识别方法的最大特点是它对待识别的对象不要求有太多的分析与了解，具有一定的智能化处理的特点。神经网络侧重于模拟和实现人认知过程中的感知觉过程、形象思维、分布式记忆、自学习和自组织过程，与符号处理是一种互补的关系。但神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学习的能力，特别适用于处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。
3.6 模板匹配识别
模板匹配的原理是选择已知的对象作为模板，与图像中选择的区
域进行比较，从而识别目标。模板匹配依据模板选择的不同，可以分为两类：①以某一已知目标为模板，在一幅图像中进行模板匹配，找出与模板相近的区域，从而识别图像中的物体，如点、线、几何图形、文字以及其他物体；②以一幅图像为模板，与待处理的图像进行比较，识别物体的存在和运动情况。模板匹配的计算量很大，相应的数据的存储量也很大，而且随着图像模板的增大，运算量和存储量以几何数增长。如果图像和模板大到一定程度，就会导致计算机无法处理，随之也就失去了图像识别的意义。模板匹配的另一个缺点是由于匹配的点很多，理论上最终可以达到最优解，但在实际中却很难做到。
3.7 支持向量机的模式识别
V. Vapnik提出的支持向量机（Support Vector Machine，即SVM）的基本思想是：先在样本空间或特征空间构造出最优超平面，使得超平面与不同类样本集之间的距离最大，从而达到最大的泛化能力。支持向量机结构简单，并且具有全局最优性和较好的泛化能力，自20 世纪90 年代中期提出以来得到了广泛的研究。支持向量机方法是求解模式识别和函数估计问题的有效工具。SVM在数字图像处理方面的应用是：寻找图像像素之间的特征的差别即从像素点本身的特征和周围的环境(临近的像素点)出发，寻找差异，然后将各类像素点区分出来。
4 模式识别系统
不论是以哪种模式识别方法为基础的模式识别系统，基本上都是由两个过程组成的，即设计与实现。设计是指用一定数量的样本（叫做训练集或学习集）进行分类器的设计。实现是指用所设计的分类器对待识别的样本进行分类决策。基于统计方法的模式识别系统如图1所示：
图 1
基于统计方法的模式识别系统主要由4 个部分组成: 数据获取、预处理、特征提取和选择、分类决策，其基本职能就是对系统所要处理的模式究竟属于哪一类别做出判别。把输入模式转换成适合于机器处理的形式，这就是数据获取的过程。预处理的目的是去除噪声，加强有用的信息，并对由输入设备或其他因素造成的退化现象进行复原，以利于特征提取的进行。经过预处理后的数据维数很高，为了有效地实现分类识别，需要对原始数据进行变换，得到最能反映原始模式本质的特征向量。把原始数据组成的空间叫做测量空间，把分类识别赖以进行的空间叫做特征空间。通过变换可以把在维数较高的测量空间中表示的模式变为在维数较低的特征空间中表示的模式，这就是特征的提取和选择。一组稳定的、具有代表性的特征，是一个识别算法的核心，因此，采用不同特征的识别算法尽管分类策略相同也应属于不
同的算法。分类决策是在特征空间中用所设计的分类器把被识别对象归为某一类别。
在统计模式识别中，一个模式表示为一组d个特征或属性，称为d维特征矢量。识别系统运行有两种模式：训练和分类。在训练模式中，预处理模块将感兴趣的特征从背景中分割出来，去除噪声，归一化模型，以及其它限定模式在紧支区间表示的操作；特征提取，选择模块找到合适的特征来表示输入模式；分类器被训练分割特征空间。在分类模式中，被训练的分类器根据测量的特征将输入模式分配到某个模式类。
统计模式识别的决策过程可以总结如下：根据一个d 维特征矢量，将一个给定模式分配到 c 类中的某一个。如果待分类样本的类条件密度已知，则可以通过贝叶斯决策理论来对样本进行分类；如果样本的类条件密度未知，则又根据训练样本的类别是否已知可以将分类问题二分为监督学习(标签训练样本)对非监督学习(未标签训练样本)；监督学习和非监督学习又可分为参数估计和非参数估计。
统计模式识别的主要方法有：判别函数法，k 近邻分类法，非线性映射法，特征分析法，主因子分析法等。
在统计模式识别中，贝叶斯决策规则从理论上解决了最优分类器的设计问题，但其实施却必须首先解决更困难的概率密度估计问题。BP 神经网络直接从观测数据(训练样本)学习，是更简便有效的方法，因而获得了广泛的应用，但它是一种启发式技术，缺乏指定工程实践的坚实理论基础。统计推断理论研究所取得的突破性成果导致现代统
计学习理论——VC 理论的建立，该理论不仅在严格的数学基础上圆满地回答了人工神经网络中出现的理论问题，而且导出了一种新的学习方法——支撑向量机。
5 模式识别的应用
经过多年的研究和发展，模式识别技术已广泛被应用于人工智能、计算机工程、机器学、神经生物学、医学、侦探学以及高能物理、考古学、地质勘探、宇航科学和武器技术等许多重要领域，如语音识别、语音翻译、人脸识别、指纹识别、手写体字符的识别、工业故障检测、精确制导等。模式识别技术的快速发展和应用大大促进了国民经济建设和国防科技现代化建设。
5.1 字符识别
字符识别处理的信息可分为两大类：一类是文字信息，处理的主要是用各国家、各民族的文字（如：汉字，英文等）书写或印刷的文本信息，目前在印刷体和联机手写方面技术已趋向成熟，并推出了很多应用系统；另一类是数据信息，主要是由阿拉伯数字及少量特殊符号组成的各种编号和统计数据，如：邮政编码、统计报表、财务报表、银行票据等等，处理这类信息的核心技术是手写数字识别。
5.2 语音识别
语音识别技术技术所涉及的领域包括：信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人工智能等等。近年来，在生物识别技术领域中，声纹识别技术以其独特的方便性、经济性和准确性等优势受到世人瞩目，并日益成为人们日常生活和工作中重要且普及的安全验证方式。而且利用基因算法训练连续隐马尔柯夫模型的语音识别方法现已成为语音识别的主流技术。该方法在语音识别时识别速度较快，也有较高的识别率。
5.3 指纹识别
我们手掌及其手指、脚、脚趾内侧表面的皮肤凹凸不平产生的纹路会形成各种各样的图案。而这些皮肤的纹路在图案、断点和交叉点上各不相同，是唯一的。依靠这种唯一性，就可以将一个人同他的指纹对应起来，通过比较他的指纹和预先保存的指纹进行比较，便可以验证他的真实身份。一般的指纹5 个大的类别:左旋型（left loop），右旋型（right loop），双旋型（twin loop），螺旋型（whorl），弓型（arch）和帐型（tented arch），这样就可以将每个人的指纹分别归类，进行检索。指纹实现的方法有很多，大致可以分为4 类：基于神经网络的方法、基于奇异点的方法、语法分析的方法和其他的方法。在指纹识别的应用中，一对一的指纹鉴别已经获得较大的成功，但一对多的指纹识别，还存在着比对时间较长，正确率不高的特点。为了加快指纹识别的速度，无论是对简化图像的预处理，还是对算法的改进，都刻不容缓。
5.4 细胞识别
细胞识别是最近在识别技术中比较热门的一个话题。以前，对疾病的诊断仅仅通过表面现象，经验在诊断中起到了主导作用，错判率始终占有一定的比例；而今，通过对显微细胞图像的研究和分析来诊断疾病，不仅可以了解疾病的病因、研究医疗方案，还可以观测医疗疗效。如果通过人工辨识显微细胞诊断疾病也得不偿失，费力费时不说，还容易耽误治疗。基于图像区域特征，利用计算机技术对显微细胞图像进行自动识别愈来愈受到大家的关注，并且现在也获得了不
错的效果。但实际中，细胞的组成是复杂的，应该选择更多的特征，建立更为完善的判别函数，可能会进一步提高分类精度。
6 文字识别实例分析
其中文字识别一般包括文字信息的采集、信息的分析与处理、信息的分类判别等几个部分。文字识别方法基本上分为统计、逻辑判断和句法三大类。常用的方法有模板匹配法和几何特征抽取法。文字识别可应用于许多领域，如阅读、翻译、文献资料的检索、信件和包裹的分拣、稿件的编辑和校对等方面。
汉字是历史悠久的中华民族文化的重要结晶，闪烁着中国人民智慧的光芒。汉字数量众多，仅清朝编纂的《康熙字典》就包含了49，000 多个汉字，其数量之大，构思之精，为世界文明史所仅有。由于汉字为非字母化、非拼音化的文字，所以在信息技术及计算机技术日益普及的今天，如何将汉字方便、快速地输入到计算机中已成为关系到计算机技术能否在我国真正普及的关键问题。目前，汉字输入主要分为人工键盘输入和机器自动识别输入两种。其中人工键入速度慢而且劳动强度大；自动输入又分为汉字识别输入及语音识别输入。从识别技术的难度来说，手写体识别的难度高于印刷体识别，而在手写体识别中，脱机手写体的难度又远远超过了连机手写体识别。到目前为止，除了脱机手写体数字的识别已有实际应用外，汉字等文字的脱机手写体识别还处在实验室阶段。下面以脱机手写体字符识别系统为例来阐述文字识别系统的构成。
脱机手写体字符识别系统主要包括行字分割、单字识别和后处理三个部分，如图2所示
图 2
由于目前字符识别算法仍是以每个字符为一个识别单位，因此首先要把单个字符的图像块从文本图像中分割出来，这一过程称为行字分割。一般来说，手写文本没有版面问题，不需要进行版面分析和理解。对于书写在稿纸上的文本，行字分割也很容易，只要书写比较规整，通常只要采用投影方法就能有效地解决这一问题。
单字图像块分离出来后，就进入识别环节中进行识别，这是整个识别系统的核心，包括预处理、特征提取和识别三个部分。一般情况下所说的手写体字符识别通常是指单字识别，如图3所示。
图 3
预处理的目的是去除噪声，加强有用信息，压缩冗余信息并尽可能对手写字符产生的大小、位置和形状等方面的变化进行吸收，为特征提取做好准备。
预处理后，数据的维数依然很高。特征提取的目的是将图像信息压缩成一组维数较低的数据，进而能够反映原始图像本质的特征。一组稳定的和具有代表性的特征，是一个识别算法的核心，因此，采用不同特征的识别算法即使是采用相同的分类策略也可以认为是不同的算法。
经过特征提取后，就可以进行识别了。识别就是在特征空间中用
统计决策方法或句法分析方法将被识别对象归为某一类别。对于汉字识别，由于类别数巨大，故往往采用多级分类策略，以提高识别效率。输入的汉字首先经前一级或几级处理，判定它属于整个汉字集合的哪一子集，然后再判定它属于该子集哪个类别或更小的子集。前面的一级或几级称为粗分类或预分类，最后一级称为细分类或识别。与整个汉字集合相比较，每个子集的字数要少得多，因此，采用多级分类策略可以缩短匹配时间，提高识别速度。
系统的最后一级是后处理。单字识别完成之后，系统可以利用上下文或其它方面的信息来纠正一些识别错误，以提高系统的识别率。
目前，手写体字符识别的研究依然以单字识别为主，即自分割好的字符图像开始，至输出单个字符的识别结果为止，是整个识别系统的核心。
7 总结与展望
模式识别从20 世纪20 年代发展至今，不存在对所有模式识别问题都适用的统一模型和解决识别问题的单一技术，需要根据具体问题把统计的和句法的识别结合起来，运用人工神经元网络、不确定推理、支持向量积、判别分析等方法进行研究求解。伴随着科技的发展，模式识别的研究与应用在工业、交通、文化、军事、能源等各个领域将会有更多的应用。
2017年11月15日，科技部召开新一代人工智能发展规划暨重大科技项目启动会，标志着新一代人工智能发展规划和重大科技项目进入全面启动实施阶段。会议宣布首批国家新一代人工智能开放创新平台名单：①依托百度公司建设自动驾驶国家新一代人工智能开放创新平台，②依托阿里云公司建设城市大脑国家新一代人工智能开放创新平台，③依托腾讯公司建设医疗影像国家新一代人工智能开放创新平台，④依托科大讯飞公司建设智能语音国家新一代人工智能开放创新平台。当前，我国经济深化供给侧结构性改革任务非常艰巨，必须加快人工智能深度应用，培育壮大人工智能产业，为我国经济发展注入新动能。推动互联网、大数据、人工智能和实体经济深度融合势在必行当前，我国经济深化供给侧结构性改革任务非常艰巨，必须加快人工智能深度应用，培育壮大人工智能产业，为我国经济发展注入新动能。推动互联网、大数据、人工智能和实体经济深度融合势在必行。
颠覆已在路上，我们还要深刻认识人工智能带来的新挑战，人工智能可能带来改变就业结构、冲击法律与社会伦理、侵犯个人隐私、
四次工业革命的标志 四次工业革命的标志第一次工业革命的主要标志是机械化，即机器生产普遍取代手工劳动；第二次工业革命的主要标志是电气化，即电力的广泛应用；第三次工业革命的主要标志是自动化（数字化），即计算机、网络等信息技术的兴起；第四次工业革命的主要标志是智能化（信息化），即信息技术的升级创新与应用。从18世纪中叶以来，人类经历了三次科技革命：第一次科技革命，以18世纪末蒸汽机的发明和应用为主要标志。这次科技革命使社会生产力发生了革命性的变革，以机器大工作代替工场手工业，使人类进入机器时代。第二次科技革命，是在19世纪末到20世纪初发生的，以发电机和电动机的发明和应用为主要标志，它把社会的工业化提高到一个崭新阶段，使社会生产力进入电力时代。第三次科技革命发生于20世纪中期，以原子能、电子计算机和空间技术的发展为主要标志。人类面临的这一新科技革命，将使世界发生前所未有的深刻变革。它以信息科学、生命科学、材料科学等为前沿，以计算机技术、生物工程技术、激光技术、空间技术、新能源技术和新材料技术的应用为特征，把人类社会推进到信息时代。第四次工业革命，是以互联网产业化，工业智能化，工业一体化为代表，以人工智能，清洁能源，无
人控制技术，量子信息技术为主的全新技术革命。这是一场全新的绿色工业革命，它的实质和特征，就是大幅度地提高资源生产率，经济增长与不可再生资源要素全面脱钩，与二氧化碳等温室气体排放脱钩。以历史视角观察，用工业化的角度观察，使我们清晰地认识到，世界第四次工业革命，即绿色革命已经来临。绿色工业革命的目标首先是实现碳排放的“脱钩”，这包括三方面的内容：一是促使已有的“黑色”或“褐色”能源“绿化”，即采用能耗更低、更清洁的方式使用化石能源，使单位能耗的污染强度下降；二是促使化石能源的使用与经济产出之间“脱钩”，尽量减少化石能源在经济生产和消费中所占的比重；三是促进非化石能源、可再生能源、绿色能源的大幅上升，并促进这类能源的利用最终占据主导地位。在碳排放“脱钩”的基础之上，绿色工业革命要求加快转变经济发展方式，促使生态资本相关要素的“全面脱钩”，包括土地资源、水资源、生态环境资源等等。要实现这一目标，首先还是需要在技术、制度、组织和物质资本投入等多方面因素的共同作用之下，提高资源利用效率，第二步则是尽早达到各类资源使用的“峰值”，接着就能促进其出现下降，从而实现生态资本要素的“盈余”。2015年——第四次工业革命元年 2014年的热门词汇“工业4.0”，是一个引起全世界关注的概念，掀起了新一轮工业革命的浪潮。2015年，随着新一
模式识别研究进展 刘成林，谭铁牛 中国科学院自动化研究所 模式识别国家重点实验室 北京中关村东路95号 摘要 自20世纪60年代以来，模式识别的理论与方法研究及在工程中的实际应用取得了很大的进展。本文先简要回顾模式识别领域的发展历史和主要方法的演变，然后围绕模式分类这个模式识别的核心问题，就概率密度估计、特征选择和变换、分类器设计几个方面介绍近年来理论和方法研究的主要进展，最后简要分析将来的发展趋势。 1. 前言 模式识别(Pattern Recognition)是对感知信号（图像、视频、声音等）进行分析，对其中的物体对象或行为进行判别和解释的过程。模式识别能力普遍存在于人和动物的认知系统，是人和动物获取外部环境知识，并与环境进行交互的重要基础。我们现在所说的模式识别一般是指用机器实现模式识别过程，是人工智能领域的一个重要分支。早期的模式识别研究是与人工智能和机器学习密不可分的，如Rosenblatt的感知机[1]和Nilsson的学习机[2]就与这三个领域密切相关。后来，由于人工智能更关心符号信息和知识的推理，而模式识别更关心感知信息的处理，二者逐渐分离形成了不同的研究领域。介于模式识别和人工智能之间的机器学习在20世纪80年代以前也偏重于符号学习，后来人工神经网络重新受到重视，统计学习逐渐成为主流，与模式识别中的学习问题渐趋重合，重新拉近了模式识别与人工智能的距离。模式识别与机器学习的方法也被广泛用于感知信号以外的数据分析问题（如文本分析、商业数据分析、基因表达数据分析等），形成了数据挖掘领域。 模式分类是模式识别的主要任务和核心研究内容。分类器设计是在训练样本集合上进行优化（如使每一类样本的表达误差最小或使不同类别样本的分类误差最小）的过程，也就是一个机器学习过程。由于模式识别的对象是存在于感知信号中的物体和现象，它研究的内容还包括信号/图像/视频的处理、分割、形状和运动分析等，以及面向应用（如文字识别、语音识别、生物认证、医学图像分析、遥感图像分析等）的方法和系统研究。 本文简要回顾模式识别领域的发展历史和主要方法的演变，介绍模式识别理论方法研究的最新进展并分析未来的发展趋势。由于Jain等人的综述[3]已经全面介绍了2000年以前模式分类方面的进展，本文侧重于2000年以后的研究进展。
四次工业革命的发展历程 较早阶段的工业革命中，人们被迫适应新的生活情况，人们从农庄搬到城市，全家大半生都在工厂工作。工业化及其随同的变化增高了世界多数人们的生活标准。较之过去，有更多的货物可以供用，成本也较低廉。 工业化也改变了政府。许多国家行使帝国主义以支配各种原料和市场，俾能支持工业的发展。工业工人（无产阶级）学会了组织与谈判的技术。因此，民主的过程加速，因为工人要求对于社会的管理，有更多的发言权。 第一次工业革命 18世纪从英国发起的技术革命是技术发展史上的一次巨大革命，它开创了以机器代替手工工具的时代。这不仅是一次技术改革，更是一场深刻的社会变革。这场革命是以工作机的诞生开始的，以蒸汽机作为动力机被广泛使用为标志的。这一次技术革命和与之相关的社会关系的变革，被称为第一次工业革命或者产业革命。从生产技术方面来说，工业革命使工厂制代替了手工工场，用机器代替了手工劳动；从社会关系来说，工业革命使依附于落后生产方式的自耕农阶级消失了，工业资产阶级和工业无产阶级形成和壮大起来。 第二次工业革命 19世纪最后30年和20世纪初，科学技术的进步和工业生产的高涨，被称为近代历史上的第二次工业革命。世界由“蒸汽时代”进入“电气时代”。在这一时期里，一些发达资本主义国家的工业总产值超过了农业总产值；工业重心由轻纺工业转为重工业，出现了电气、化学、石油等新兴工业部门。由于19世纪70年代以后发电机、电动机相继发明，远距离输电技术的出现，电气工业迅速发展起来，电力在生产和生活中得到广泛的应用。
内燃机的出现及90年代以后的广泛应用，为汽车和飞机工业的发展提供了可能，也推动了石油工业的发展。化学工业是这一时期新出现的工业部门，从80年代起，人们开始从煤炭中提炼氨、苯、人造燃料等化学产品，塑料、绝缘物质、人造纤维、无烟火药也相继发明并投入了生产和使用。原有的工业部门如冶金、造船、机器制造以及交通运输、电讯等部门的技术革新加速进行。 第三次工业革命 从20世纪四五十年代以来，在原子能、电子计算机、微电子技术、航天技术、分子生物学和遗传工程等领域取得重大突破，标志着新的科学技术革命的到来。这次科技革命被称为第三次科技革命。它产生了一大批新型工业，第三产业迅速发展。其中最具划时代意义的是电子计算机的迅速发展和广泛运用，开辟了信息时代。它也带来了一种新型经济—知识经济，知识经济发达程度的高低已成为各国综合国力竞争中成败的关键所在。 第三次科技革命是人类文明史上继蒸汽技术革命和电力技术革命之后科技领域里的又一次重大飞跃。它以原子能、电子计算机、空间技术和生物工程的发明和应用为主要标志，涉及信息技术、新能源技术、新材料技术、生物技术、空间技术和海洋技术等诸多领域的一场信息控制技术革命。这次科技革命不仅极大地推动了人类社会经济、政治、文化领域的变革，而且也影响了人类生活方式和思维方式，使人类社会生活和人的现代化向更高境界发展。80年代以来，国内史学工作者对第三次科技革命史的研究日益深入，相关研究成果不断问世。 第四次工业革命 第四次科技革命（20世纪后期）依据曾邦哲的观点，以系统科学的兴起到系统生物科学的形成为标志，系统科学、计算机科学、纳米科学与生命科学的理
模式识别综述与应用 院系：计算机与通信工程学院 班级：电子信息10-01班 姓名： 学号：
模式识别综述与应用 摘要 模式识别就是研究用计算机实现人类的模式识别能力的一门学科，目的是利用计算机将对象进行分类。模式识别技术近年来得到了迅速的发展。 关键词 模式识别应用发展状况 前言 模式识别(Pattern Recognition)是人类的一项基本智能，在日常生活中，人们经常在进行“模式识别”。模式识别是一个多领域的交叉学科，它涉及人工智能、统计学、计算机科学、工程学、医学等众多的研究问题。随着2 0世纪4 0年代计算机的出现以及5 0年代人工智能的兴起，模式识别在2 0世纪6 0年代初迅速发展并成为一门新学科。 一、模式与模式识别的概念 广义地说，存在于时间和空间中可观察的事物，如果可以区别它们是否相同或相似，都可称之为模式；狭义地说，模式是通过对具体的个别事物进行观测所得到的具有时间和空间分布的信息；把模式所属的类别或同一类中模式的总体称为模式类(或简称为类)。 模式识别是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程,是信息科学和人工智能的重要组成部分。 模式识别的研究主要集中在两方面，一是研究生物体(包括人)是如何感知对象的，二是在给定的任务下，如何用计算机实现模式识别的理论和方法。前者是生理学家、心理学家、生物学家、神经生理学家的研究内容，属于认知科学的范畴；后者通过数学家、信息学专家和计算机科学工作者近几十年来的努力，已经取得了系统的研究成果。 二、模式识别方法——统计模式识别方法和结构(句法)模式识别方法 把图像或图像系列分割为线条、边缘，结点，区域等并提供相应的特征，诸如灰度值、颜色、形状、纹理，深度等[5]。目的是要利用这些信息对模式进行分类或者对模式进行分析(描述)。分类是实现一个模式与
指导老师：马丽 学号：700 班级： 075111 姓名：刘建 成绩： 目录 ............................................................ 一、报告内容要点............................................................ 二、《应用主成分分解(PCA)法的图像融合技术》............................................................ 三、《基于类内加权平均值的模块 PCA 算法》............................................................
四、《PCA-LDA 算法在性别鉴别中的应用》 ............................................................ 五、《一种面向数据学习的快速PCA算法》 ............................................................ 六、《Theory of fractional covariance matrix and its applications in PCA and 2D-PCA》 ............................................................ 七、课程心得体会 ............................................................ 八、参考文献 ............................................................ 一、报告内容要点 ①每篇论文主要使用什么算法实现什么 ②论文有没有对算法做出改进（为什么改进，原算法存在什么问题，改进方法是什么） ③论文中做了什么对比试验，实验结论是什么？可以加入自己的分析和想法，例如这篇论文还存在什么问题或者缺点，这篇论文所作出的改进策略是否好，你自己对算法有没有什么改进的想法？ 二、《应用主成分分解(PCA)法的图像融合技术》 第一篇《应用主成分分解(PCA)法的图像融合技术》，作者主要是实现用PCA可以提取图像数据中主要成分这一特点，从元图像获得协方差矩阵的特征值和特征向量，据此确定图像融合算法中的加权系数和最终融合图像。 作者在图像融合的算法上进行改进，用PCA获得待融合的每幅图像的加权系数Wi。是这样实现的：计算待融合的i幅图像数据矩阵的协方差矩阵，从中获
第四次工业革命 （详细提纲） 一、概念 （一）四次工业革命概述 1.第一次工业革命 18世纪60年代至19世纪中期，通过水力和蒸汽机实现的工厂机械化可称为第一次工业革命。这次工业革命的结果是机械生产代替了手工劳动，经济社会从以农业、手工业为基础转型到了以工业以及机械制造带动经济发展的模式。 2.第二次工业革命 19世纪后半期至20世纪初，在劳动分工的基础上采用电力驱动产品的大规模生产可称为第二次工业革命。这次工业革命，通过零部件生产与产品装配的成功分离，开创了产品批量生产的新模式。 3.第三次工业革命 始于20世纪70年代并一直延续到现在，电子与信息技术的广泛应用，使得制造过程不断实现自动化，可称为第三次工业革命。自此，机器能够逐步替代人类作业，不仅接管了相当比例的“体力劳动”，还接管了一些“脑力劳动”。 4.第四次工业革命 未来10年，基于信息物理系统（Cyber-Physical System，CPS）的智能化，将使人类步入以智能制造为主导的第四次工业
革命。产品全生命周期和全制造流程的数字化以及基于信息通信技术的模块集成，将形成一个高度灵活、个性化、数字化的产品与服务的生产模式。 （二）第四次工业革命的主要内涵 1.核心 ?CPS（Cyber-Physical System） CPS（信息物理系统）包容了与工业相关的智能电网、智能产品、智能（生产）建筑、智能调配和智能物流等内容，它将工厂的所有智能机器、存储系统和生产设施集成在一起建立网络。CPS 可将所有相关的物理设备（在世界范围内）连接到互联网上，使得物理设备具有计算、通信、精确控制、远程协调和自治等功能。由于CPS 有互联网支持，它创造出智能产品、智能生产程序与过程，构建起新的智能工厂。 国内已有的“物联网”但远远不是这个“物联网”。但是国内已有的互联网成果有可能被引用到中国的CPS 中来，腾讯的微信、马云的淘宝、百度的中文搜索都可以在第四次工业革命中发挥作用。 ?智能工厂 智能工厂能够管理复杂的事物，不容易受到干扰，能够更有效地制造产品。在智能工厂里，人、机器和资源如同在一个社交网络里自然地相互沟通协作。智能产品理解它们被制造的细节以及将被如何使用。它们积极协助生产过程，回答诸如“我是什么
模式识别研究进展 摘要：自20 世纪60年代以来，模式识别的理论与方法研究及在工程中的实际应用取得了很大的进展。本文先简要回顾模式识别领域的发展历史和主要方法的演变，然后围绕模式分类这个模式识别的核心问题，就概率密度估计、特征选择和变换、分类器设计几个方面介绍近年来理论和方法研究的主要进展，最后简要分析将来的发展趋势。 1. 前言 模式识别（Pattern Recognition）是对感知信号（图像、视频、声音等）进行分析，对其中的物体对象或行为进行判别和解释的过程。模式识别能力普遍存在于人和动物的认知系统，人和动物获取外部环境知识，并与环境进行交互的重要基础。我们现在所说的模式识别一般是指用机器实现模式识别过程，是人工智能领域的一个重要分支。早期的模式识别研究是与人工智能和机器学习密不可分的，如Rosenblatt 的感知机和Nilsson 的学习机就与这三个领域密切相关。后来，由于人工智能更关心符号信息和知识的推理，而模式识别更关心感知信息的处理，二者逐渐分离形成了不同的研究领域。介于模式识别和人工智能之间的机器学习在20 世纪80 年代以前也偏重于符号学习，后来人工神经网络重新受到重视，统计学习逐渐成为主流，与模式识别中的学习问题渐趋重合，重新拉近了模式识别与人工智能的距离。模式识别与机器学习的方法也被广泛用于感知信号以外的数据分析问题（如文本分析、商业数据分析、基因表达数据分析等），形成了数据挖掘领域。模式分类是模式识别的主要任务和核心研究内容。分类器设计是在训练样本集合上进行优化（如使每一类样本的表达误差最小或使不同类别样本的分类误差最小）的过程，也就是一个机器学习过程。由于模式识 别的对象是存在于感知信号中的物体和现象，它研究的内容还包括信号/图像/ 视频的处理、 分割、形状和运动分析等，以及面向应用（如文字识别、语音识别、生物认证、医学图像分析、遥感图像分析等）的方法和系统研究。 本文简要回顾模式识别领域的发展历史和主要方法的演变，介绍模式识别理论方法研究的最新进展并分析未来的发展趋势。由于Jain 等人的综述[3] 已经全面介绍了2000 年以前模式分类方面的进展，本文侧重于2000 年以后的研究进展。 2. 历史回顾 现代模式识别是在20 世纪40 年代电子计算机发明以后逐渐发展起来的。在更早的
课程名称:中外文学术论文写作 姓名:周杉 学号:212012083500005 专业:软件工程 学院:数学与计算机学院 导师:黄襄念 成绩: 2013.5.23
关于模式识别应用发展的研究和分析 周杉 (西华大学数学与计算机学院图像处理与模式识别实验室成都610039) 摘要：自20世纪50年代以来，模式识别（Pattern Recognition）在人工智能兴起后不久就迅速发展成一门学科。它所研究的理论和方法在很多科学和技术领域得到广泛的重视，推动了人工智能系统的发展，扩大了计算机应用的可能性。本文主要讨论模式识别的一些基本概念和问题，以利于对模式识别的现状与未来的发展方向有更全面的了解。 关键词：模式识别人工智能信息科学 中图分类号：TP399 The Research and Analysis about the Development of Pattern Recognition Applications ZHOU Shan (Mathematics and Computer College of Xihua University, Image Processing and Pattern Recognition Laboratory,Chengdu,610039) Abstract:Since the1950s,pattern recognition shortly quickly developed after the rise of artificial intelligence into a discipline.It studies the theory and methods in many areas of science and technology which has received considerable attention,and it also promote the development of artificial intelligence systems,expanding the possibilities of computer applications.This article focuses on pattern recognition of some basic concepts and issues in order to getting more comprehensive understanding about facilitate pattern recognition status and future direction of development. Keywords:Pattern Recognition Artificial Intelligence Information Science 0引言 狗的嗅觉的灵敏度非常高，大约是人的50至100倍。狗通过这项特异的功能来识别各种各样的东西，帮助人类完成一些鉴别工作。不仅如此，识别也是人类的一项基本技能，人们无时无处的在进行“模式识别”，古人有一成语“察言观色”表达的正是这个意思。随着第一台计算机ENIAC的出现以及人工智能的兴起，人们自然而然的把目光投向如何将人类的识别能力成为计算机的一部分功能，从而减轻人类自身的脑力劳动。计算机模式识别在20世纪60年代初迅速发展并成为一门新学科[1]。 1模式识别与统计模式识别 1.1模式与模式识别的概念 广义地说，存在于时间和空间中可观察的事物，如果可以区别它们是否相同或相似，都可以称之为模式；狭义地说，模式是通过对具体的个别事物进行观测所得到的具有时间和空间分布的信息；把模式所属的类别或同一类中模式的总体称为模式类(或简称为类)[2]。 模式识别则是在某些一定量度或观测基础上把待识模式划分到各自的模式类中去。计算机模式识别就是是指利用计算机等装置对物体、图像、图形、语音、字形等信息进行自动识
模式识别发展及现状综述 xxx （xxxxxxxxxxxxxxxxxxx） 摘要 [摘要]：通过对模式识别的发展及现状进行调查研究，了解到模式识别的理论和方法在很多科学和技术领域中得到了广泛的应用，极大的推动了人工智能系统的发展，同时扩大了计算机应用的可能性。模式识别 的研究主要集中在研究生物体(包括人)是如何感知对象的，以及在给定的任务下，如何用计算机实现模式 识别的理论和方法。本文详细的阐述了模式识别系统的组成结构以及模式识别的现状并展望了未来的模式 识别的发展趋势。 [关键词]：模式识别;模式识别的应用 Abstract [Abstract]:through the investigation and Study on the present situation and development of pattern recognition, knowing that the theory and method of pattern recognition has been widely used in many fields of science and technology and greatly promoting the development of artificial intelligence systems as well as expanding the fields of computer applied to.The research of pattern recognition mainly concentrated on the research of the theory and method of pattern recognition which how the organisms(including humans)to perceive objects as well as,in a given task,how to realize the pattern recognition with computer.This paper expounds the present situation and system structure of the pattern recognition as well as prospects the development trend in the future of pattern recognition. [keyword]:pattern recognition;pattern recognition applications 1前言 模式识别诞生于20世纪20年代，随着40年代计算机的出现，50年代人工智能的兴起，模式识别在60年代初迅速发展成一门学科。什么是模式和模式识别呢？广义地说，存在于时间和空间中可观察的事物，如果可以区别它们是否相同或相似，都可以称之为模式；狭义地说，模式是通过对具体的个别事物进行观测所得到的具有时间和空间分布的信息；把模式所属的类别或同一类中模式的总体称为模式类(或简称为类)[1]。而“模式识别”则是在某些一定量度或观测基础上把待识模式划分到各自的模式类中去。 经过多年的研究和发展，模式识别技术已广泛被应用于人工智能、计算机工程、机器人学、神经生物学、医学、侦探学以及高能物理、考古学、地质勘探、宇航科学和武器技术等许多重要领域，如语音识别、语音翻译、人脸识别、指纹识别、生物认证技术等。模式识别的技术对国民经济建设和国防科技发展的重要性已得到了人们的认可和广泛重视。本文将就模式识别所涉及的基本问题、研究的领域及其当前进展现状进行详细的介绍，并对模式识别的发展趋势进行展望。 2模式识别 2.1模式识别系统 一个计算机模式识别系统基本上是由三个相互关联而又有明显区别的过程组成的，即数据生成、模式分析和模式分类。有两种基本的模式识别方法，即统计模式识别方法和结构
武汉理工大学 模式识别及其在图像处理中的应用 学院（系）：自动化学院 课程名称：模式识别原理 专业班级：控制科学与工程1603班 任课教师：张素文 学生姓名：王红刚 2017年1月3日
模式识别及其在图像处理中的应用 摘要:随着计算机和人工智能技术的发展,模式识别在图像处理中的应用日益广泛。综述了模式识别在图像处理中特征提取、主要的识别方法(统计决策法、句法识别、模糊识别、神经网络)及其存在的问题, 并且对近年来模式识别的新进展———支持向量机与仿生模式识别做了分析和总结, 最后讨论了模式识别亟待解决的问题并对其发展进行了展望。 关键词:模式识别;图像处理;特征提取;识别方法 Pattern Recognition and Its Application in Image Processing Abstract:With the development of computer and artificial intelli-gence , pattern recognition is w idely used in the image processing in-creasingly .T he feature extraction and the main methods of pattern recognition in the image processing , w hich include statistical deci-sion, structural method , fuzzy method , artificial neural netw ork aresummarized.T he support vector and bionic pattern recognition w hich are the new developments of the pattern recognition are also analyzed .At last, the problems to be solved and development trends are discussed. Key words:pattern recognition ;image processing ;feature extrac-tion;recognition methods
模式识别课程设计 聚类图像分割 一．图像分割概述 图像分割是一种重要的图像分析技术。在对图像的研究和应用中,人们往往仅对图像中的某些部分感兴趣。这些部分常称为目标或前景（其他部分称为背景）。它们一般对应图像中特定的、具有独特性质的区域。为了辨识和分析图像中的目标,需要将它们从图像中分离提取出来,在此基础上才有可能进一步对目标进行测量,对图像进行利用。图像分割就是把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。近年来,研究人员不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割,提出了不少新的分割方法。 图象分割是图象处理、模式识别和人工智能等多个领域中一个十分重要且又十分困难的问题,是计算机视觉技术中首要的、重要的关键步骤。图象分割应用在许多方面,例如在汽车车型自动识别系统中,从CCD摄像头获取的图象中除了汽车之外还有许多其他的物体和背景,为了进一步提取汽车特征,辨识车型,图象分割是必须的。因此其应用从小到检查癌细胞、精密零件表面缺陷检测,大到处理卫星拍摄的地形地貌照片等。在所有这些应用领域中,最终结果很大程度上
依赖于图象分割的结果。因此为了对物体进行特征的提取和识别,首先需要把待处理的物体(目标)从背景中划分出来,即图象分割。但是,在一些复杂的问题中,例如金属材料内部结构特征的分割和识别,虽然图象分割方法已有上百种,但是现有的分割技术都不能得到令人满意的结果,原因在于计算机图象处理技术是对人类视觉的模拟,而人类的视觉系统是一种神奇的、高度自动化的生物图象处理系统。目前,人类对于视觉系统生物物理过程的认识还很肤浅,计算机图象处理系统要完全实现人类视觉系统,形成计算机视觉,还有一个很长的过程。因此从原理、应用和应用效果的评估上深入研究图象分割技术,对于提高计算机的视觉能力和理解人类的视觉系统都具有十分重要的意义。 二．常用的图像分割方法 1.基于阈值的分割方法 包括全局阈值、自适应阈值、最佳阈值等等。阈值分割算法的关键是确定阈值,如果能确定一个合适的阈值就可准确地将图像分割开来。阈值确定后,将阈值与像素点的灰度值比较和像素分割可对各像素并行地进行,分割的结果直接给出图像区域。全局阈值是指整幅图像使用同一个阈值做分割处理,适用于背景和前景有明显对比的图像。它是根据整幅图像确定的：T=T(f)。但是这种方法只考虑像素本身的灰度值,一般不考虑空间特征,因而对噪声很敏感。常用的全局阈值选取方法有利用图像灰度直方图的峰谷法、最小误差法、最大类间方差法、最大熵自动阈值法以及其它一些方法。
模式识别及其在图像处理中的应用 摘要：随着计算机和人工智能技术的发展，模式识别在图像处理中的应用日益广泛。综述了模式识别在图像处理中特征提取、主要的识别方法（统计决策法、句法识别、模糊识别、神经网络）及其存在的问题，并且对近年来模式识别的新进展——支持向量机与仿生模式识别做了分析和总结，最后讨论了模式识别亟待解决的问题并对其发展进行了展望。 关键词：模式识别；图像处理；特征提取；识别方法
模式识别诞生于20世纪20年代，随着计算机的出现和人工智能的发展，模式识别在60年代初迅速发展成一门学科。它所研究的理论和方法在很多学科和领域中得到广泛的重视，推动了人工智能系统的发展，扩大了计算机应用的可能性。图像处理就是模式识别方法的一个重要领域，目前广泛应用的文字识别（ MNO）就是模式识别在图像处理中的一个典型应用。 1.模式识别的基本框架 模式识别在不同的文献中给出的定义不同。一般认为，模式是通过对具体的事物进行观测所得到的具有时间与空间分布的信息，模式所属的类别或同一类中模式的总体称为模式类，其中个别具体的模式往往称为样本。模式识别就是研究通过计算机自动地（或者人为进行少量干预）将待识别的模式分配到各个模式类中的技术。模式识别的基本框架如图1所示。 根据有无标准样本，模式识别可分为监督识别方法和非监督识别方法。监督识别方法是在已知训练样本所属类别的条件下设计分类器，通过该分类器对待识样本进行识别的方法。如图1，标准样本集中的样本经过预处理、选择与提取特征后设计分类器，分类器的性能与样本集的大小、分布等有关。待检样本经过预处理、选择与提取特征后进入分类器，得到分类结果或识别结果。非监督模式识别方法是在没有样本所属类别信息的情况下直接根据某种规则进行分类决策。应用于图像处理中的模式识别方法大多为有监督模式识别法，例如人脸检测、车牌识别等。无监督的模式识别方法主要用于图像分割、图像压缩、遥感图像的识别等。
一张图看懂四次工业革命的发展历程 18世纪60年代从英国发起的技术革命，是技术发展史上的一次巨大飞跃，它开创了以机器代替手工工具的时代。 工业革命早期，人们被迫适应新的生活环境，人们从农庄搬到城市，全家大半生都在工厂工作。工业化及其随同的变化提高了世界多数人们的生活标准。较之过去，有更多的货物可以供用，成本也较低廉。 工业化也改变了政府。许多国家推行帝国主义以支配各种原料和市场，进而支持工业的发展。工业工人（无产阶级）学会了组织与谈判的技术。因此，民主的进程加速，因为工人要求对于社会的管理，有更多的发言权。 第一次工业革命 18世纪60年代中期，从英国发起的技术革命是技术发展史上的一次巨大变革，它开创了以机器代替手工工具的时代。这不仅是一次技术改革，更是一场深刻的社会变革。 这场革命是以发明、改进和使用机器开始的，以蒸汽机作为动力机被广泛使用为标志的。这一次技术革命和与之相关的社会关系的变革，被称为第一次工业革命或者产业革命。
从生产技术方面来说，工业革命使工厂制代替了手工工场，用机器代替了手工劳动；从社会关系来说，工业革命使依附于落后生产方式的自耕农阶级消失了，工业资产阶级和工业无产阶级形成和壮大起来。
第二次工业革命 19世纪最后30年和20世纪初，科学技术的进步和工业生产的高涨，被称为近代历史上的第二次工业革命。世界由“蒸汽时代”进入“电气时代”。在这一时期里，一些发达资本主义国家的工业总产值超过了农业总产值。 工业重心由轻纺工业转为重工业，出现了电气、化学、石油等新兴工业部门。由于19世纪70年代以后发电机、电动机相继发明，远距离输电技术的出现，电气工业迅速发展起来，电力在生产和生活中得到广泛的应用。 内燃机的出现及90年代以后的广泛应用，为汽车和飞机工业的发展提供了可能，也推动了石油工业的发展。 化学工业是这一时期新出现的工业部门，从80年代起，人们开始从煤炭中提炼氨、苯、人造燃料等化学产品，塑料、绝缘物质、人造纤维、无烟火药也相继发明并投入了生产和使用。原有的工业部门如冶金、造船、机器制造以及交通运输、电讯等部门的技术革新加速进行。
模式识别基础概念文献综述 一．前言 模式识别诞生于20世纪20年代。随着20世纪40年代计算机的出现，20世纪50年代人工智能的兴起，模式识别在20世纪60年代迅速发展成为一门学科。在20世纪60年代以前，模式识别主要限于统计学领域的理论研究，计算机的出现增加了对模式识别实际应用的需求，也推动了模式识别理论的发展。经过几十年的研究，取得了丰硕的成果，已经形成了一个比较完善的理论体系，主要包括统计模式识别、结构模式识别、模糊模式识别、神经网络模式识别和多分类器融合等研究内容。 模式识别就是研究用计算机实现人类的模式识别能力的一门学科，目的是利用计算机将对象进行分类。这些对象与应用领域有关，它们可以是图像、信号，或者任何可测量且需要分类的对象，对象的专业术语就是模式（pattern）。按照广义的定义，存在于时间和空间中可观察的事物，如果可以区别它们是否相同或相似，都可以成为模式。 二．模式识别基本概念 <一>.模式识别系统 模式识别的本质是根据模式的特征表达和模式类的划分方法，利用计算机将模式判属特定的类。因此，模式识别需要解决五个问题：模式的数字化表达、模式特性的选择、特征表达方法的确定、模式类的表达和判决方法的确定。一般地，模式识别
系统由信息获取、预处理、特征提取和选择、分类判决等4部 分组成，如图1-1所示。 观察对象→→→→→→→→→类→类别号信息获取预处理特征提取和选择分类判决 图1-1模式识别系统的组成框图 <二>.线性分类器 对一个判别函数来说，应该被确定的是两个内容：其一为方程 的形式；其二为方程所带的系数。对于线性判别函数来说方程 的形式是线性的，方程的维数为特征向量的维数，方程组的数 量则决定于待判别对象的类数。对M类问题就应该有M个线 性判别函数；对两类问题如果采用“+”“-”判别，则判别函数 可以只有一个。既然方程组的数量、维数和形式已定，则对判 别函数的设计就是确定函数的各系数，也就是线性方程的各权 值。在计算机上确定各权值时采用的是“训练”或“学习”的 方法，这就是待识别的模式集中挑选一批有代表的样本，它们 经过人工判读成为已知类别的样本，把这批样本逐个输入到计 算机的“训练”程序（或算法）中去，通过一次一次的迭代最 后得到正确的线性判别函数，这样一个迭代的运算的过程成为 训练过程。由于样本的分类首先经过人工判读，因而这样的构 成分类器也称为有人监督或有教师的分类器。 <三>.特征选择和提取 <1>、特征选择 特征的获取是依赖于具体的问题和相关专业的知识的，无法进
模式识别研究进展 摘要：自20世纪60年代以来，模式识别的理论与方法研究及在工程中的实际应用取得了很大的进展。本文先简要回顾模式识别领域的发展历史和主要方法的演变，然后围绕模式分类这个模式识别的核心问题，就概率密度估计、特征选择和变换、分类器设计几个方面介绍近年来理论和方法研究的主要进展，最后简要分析将来的发展趋势。 1. 前言 模式识别(Pattern Recognition)是对感知信号（图像、视频、声音等）进行分析，对其中的物体对象或行为进行判别和解释的过程。模式识别能力普遍存在于人和动物的认知系统，人和动物获取外部环境知识，并与环境进行交互的重要基础。我们现在所说的模式识别一般是指用机器实现模式识别过程，是人工智能领域的一个重要分支。早期的模式识别研究是与人工智能和机器学习密不可分的，如Rosenblatt 的感知机和Nilsson的学习机就与这三个领域密切相关。后来，由于人工智能更关心符号信息和知识的推理，而模式识别更关心感知信息的处理，二者逐渐分离形成了不同的研究领域。介于模式识别和人工智能之间的机器学习在20 世纪80 年代以前也偏重于符号学习，后来人工神经网络重新受到重视，统计学习逐渐成为主流，与模式识别中的学习问题渐趋重合，重新拉近了模式识别与人工智能的距离。模式识别与机器学习的方法也被广泛用于感知信号以外的数据分析问题（如文本分析、商业数据分析、基因表达数据分析等），形成了数据挖掘领域。模式分类是模式识别的主要任务和核心研究内容。分类器设计是在训练样本集合上进行优化（如使每一类样本的表达误差最小或使不同类别样本的分类误差最小）的过程，也就是一个机器学习过程。由于模式识别的对象是存在于感知信号中的物体和现象，它研究的内容还包括信号/图像/ 视频的处理、分割、形状和运动分析等，以及面向应用（如文字识别、语音识别、生物认证、医学图像分析、遥感图像分析等）的方法和系统研究。 本文简要回顾模式识别领域的发展历史和主要方法的演变，介绍模式识别理论方法研究的最新进展并分析未来的发展趋势。由于Jain 等人的综述[3]已经全面介绍了2000 年以前模式分类方面的进展，本文侧重于2000 年以后的研究进展。 2. 历史回顾
模式识别综述 摘要:介绍了模式识别系统的组成及各组成部分包含的内容。就统计模式识别、结构模式识别、模糊模式识别、神经网络模式识别等模式识别的基本方法进行简单介绍，并分析了其优缺点。最后列举了模式识别在各领域的应用，针对其应用前景作了相应分析。 关键字：模式识别系统、统计模式识别、结构模式识别、模糊模式识别、神经网络模式识别 背景 随着现代科学技术的发展，特别是计算机技术的发展，对事物认识的要求越来越高，根据实际需求，形成了一种模拟人的各种识别能力（主要是视觉和听觉）和认识方法的学科，这个就是模式识别，它是属于一种自动判别和分类的理论。这一理论孕育于20世纪60年代，随着科学技术的发展，特别是20世纪70年代遥感技术的发展和地球资源卫星的发射，人们通过遥感从卫星取得的巨量信息，需要进行空前规模的处理、识别和应用，在此推动下，模式识别技术便得以迅速发展[1]。发展到现在，应用领域已经非常广阔，包括文本分类、语音识别、视频识别、信息检索和数据挖掘等。模式识别技术在生物医学、航空航天、工业生产、交通安全等许多领域发挥着重要的作用[2]。 基本概念 什么是模式呢？广义地说，存在于时间和空间中可观察的事物，如果可以区别它们是否相同或是否相似，都可以称之为模式。但模式所指的不是事物本身，而是我们从事物获取的信息。因此模式往往表现为具有时间或空间分布的信息[3]。 人们在观察各种事物的时候，一般是从一些具体的个别事物或者很小一部分开始的，然后经过长期的积累，随着对观察到的事物或者现象的数量不断增加，就开始在人的大脑中形成一些概念，而这些概念是反映事物或者现象之间的不同或者相似之处，这些特征或者属性使人们对事物自然而然的进行分类。从而窥豹一斑，对于一些事物或者现象，不需要了解全过程，只需要根据事物或者现象的一些特征就能对事物进行认识。人脑的这种思维能力视为“模式”的概念。 模式识别就是识别出特定事物，然后得出这些事物的特征。识别能力是人类和其他生物的一种基本属性，根据被识别的客体的性质可以将识别活动分为具体的客体与抽象的客体两类。诸如字符、图像、音乐、声音等是具体的客体，他们刺激感官，从而被识别。而思想、信仰、言论等则是抽象的客体，这些属于政治、哲学的范畴。我们研究的主要是一些具体客体的识别，而且仅限于研究用机器完
德国第四次工业革命 (2014-03-23 10:41:32) 转载▼ 本文介绍笔者在2013汉诺威工业博览会上所了解到的一些关于第四次工业革命的探讨。 受中国液压气动密封件工业协会委托，笔者观摩参与了德国汉诺威2013工业博览会。这次汉诺威博览会的热议话题是“第四次工业革命”。 “第四次工业革命”(Industrie4.0)最早是在2011年汉诺威博览会上，由三位大学教授提出来的。 制造业在德国的国民经济中(创造的价值)占26%。作为提升传统制造业的战略发展方向，112页的实施建议由项目研究组在2012年10月2日提交给德国联邦政府此项目牵头的教育科研部(BMBF)、经济部(BMWi)和内政部(BMI)。已拨款2亿欧元(约16亿人民币)作为第一步的研发经费。 这是一场有组织的革命。德国的机械设备制造协会(VDMA)、电子工业中央联盟(ZVEI)和信息通讯新媒体协会(BITKOM)有史以来第一次搭建了一个联合工作平台，2013年4月开始工作，任务之一就是协调已有的和要开始的研究项目。 在德国，工业革命是如此认定划分的：
第一次，机械化。从18世纪末开始，蒸汽机逐步取代人力。 当时，机器采用集中动力驱动，动力从上空的动力轴通过皮带传给机器。 机械制造，之前已开始有分工，但直到采用新动力方式，才开始如今天的形态。 机床制造，作为一个行业，最早从英国开始。“Made in Germany”就是当年英国人在德国人造的机床上贴的(作为劣质品的)警告标志。 第二次，流水线生产。始于1913年美国人福特采用流水线制造汽车，规格化生产，成本大大下降，价格从850US$降到370US$。但同时也大大地放弃了个性化。 机器和流水线开始逐步由电驱动，更易控制。 第三次，自动化。始于1974年。当时在德国一个小地方的一个小企业研发出了由集成电路制成的PLC(可编程逻辑控制器)。控制逻辑，相对继电器组成的控制器，可以更方便更灵活地更换修改，迈出了微处理器控制工业应用的第一步。但当时正值冷战，没有人想到这个小东西会对工业生产带来如此大的变化，以致值得称之为革命。以后，硬件水平、集成度不断提高，采用了C语言和更高级的编