模式识别
通过计算机用数学技术方法来研究模式的自动处理和判读模式
条目
历史版本
模式识别（Pattern Recognition），[1]是对表征事物或现象的各种形式信息，包括数值、文字和逻辑关系等，进行处理和分析的过程。它涉及描述、辨认、分类和解释事物或现象，是信息科学和人工智能的重要组成部分。[7]
模式识别的概念最早于20世纪20年代提出，[5]20世纪30年代，费希尔（Fisher）提出的统计分类理论为统计模式识别提供了坚实的理论支撑。进入20世纪50年代，美籍华人傅京孙教授引领了结构模式识别的研究潮流。20世纪60年代，扎克（Zadch）提出了模糊集合理论，这为模糊模式识别的诞生奠定了理论基础。[5]在20世纪70年代初，中国紧随全球步伐，中科院自动化所率先开展邮政编码识别研究，揭开了中国模式识别研究的序幕。[8]20世纪80年代的人工神经网络和90年代的支持向量机等，逐渐发展成模式识别的主流技术。直至2006年，深度学习的兴起为模式识别的广泛应用注入了新的活力，为其发展奠定了坚实的基础。[9]
模式识别系统通常包括数据获取、预处理、特征提取与选择、分类器设计和分类决策等五个阶段。[5]根据学习方式，模式识别分为监督模式识别和非监督模式识别等；[4]按数据动态性，分为静态和动态模式识别。[10]模式识别的基本方法主要包括统计模式识别、知识模式识别、模糊模式识别、神经网络模式识别等，[5][6]其研究聚焦于模式类的紧致性、相似度、特征形成等问题，[5][11]遵循奥卡姆剃刀原理、没有免费午餐定理以及丑小鸭定理等理论。[6][5]模式识别在医疗诊断、遥感和数学领域，具有广泛的应用前景及应用价值。[2][3]
相关概念
模式（pattern）：客观事物或现象常常被划分为由相似但又不完全相同的个体组成的集合——类别，人们称这些客观事物或现象为模式，或将整个类别称为模式。广义上，存在于时间和空间中可以观察的事物，如果可以区分它们是否相同或者相似，则可以称之为模式。模式往往表现为具有时间或空间分布的信息，因此，将一类客观事物或现象的时间或空间分布的信息称为模式。[4]