模式識別技術(shù)的優(yōu)點

模式識別技術(shù)類似人類認(rèn)知和識別的特性，生物信息特征相當(dāng)于人的實名。

（1）與人類認(rèn)知和識別類似。

模式識別技術(shù)有特色，通過對生物特征信息進行測量和比對分析，判別樣本與預(yù)留模板是否一致。模式識別技術(shù)該特性和人類識別認(rèn)知的特性具有類似性。

（2）相當(dāng)于人的實名。

人的生物特征和人自身是緊密相連且無法分開的，對人進行模式識別等生物特征認(rèn)證，如同識別對方姓名與其生物信息特征是否一致，如同對人的實名進行生物信息法定物證復(fù)核。例如指紋是法定物證。

模式識別技術(shù)的缺點

模式識別技術(shù)具有“拒識率”和“誤識率”的缺陷，有效采樣獲取的特征點少，容易引起認(rèn)證誤判。

（1）拒識率、誤識率。

模式識別是對生物特征信息進行測量，獲取相關(guān)數(shù)據(jù)，然后統(tǒng)計樣本與預(yù)留模板數(shù)據(jù)一致程度，經(jīng)比對設(shè)定閾值的誤差達到分析判別的目的。

這種閾值的誤差統(tǒng)計識別特性，使傳統(tǒng)模式識別技術(shù)具有“拒識率”和“誤識率”的缺陷。匹配閾值分?jǐn)?shù)大，“拒識率”就會升高；匹配閾值分?jǐn)?shù)小，“誤識率”也會升高。

（2）特征點數(shù)量限制。

模式識別是對生物特征信息進行測量，然后統(tǒng)計樣本與預(yù)留模板一致程度，經(jīng)比對設(shè)定閾值的誤差達到分析判別的目的。

本節(jié)有一個重要的前提，即模式識別是對生物特征信息的測量是建立在一定采樣點基礎(chǔ)之上的。樣板與模板的有效采樣點少于一定數(shù)量，通過比對設(shè)定閾值誤差也就達不到分析判別的目的。傳統(tǒng)人臉識別有效采樣的特征點少，容易引起誤判，故不能廣泛被使用。

模式識別研究方向

模式識別又常稱作模式分類，從處理問題的性質(zhì)和解決問題的方法等角度，模式識別分為有監(jiān)督的分類（Supervised Classification）和無監(jiān)督的分類（Unsupervised Classification）兩種。二者的主要差別在于，各實驗樣本所屬的類別是否預(yù)先已知。一般說來，有監(jiān)督的分類往往需要提供大量已知類別的樣本，但在實際問題中，這是存在一定困難的，因此研究無監(jiān)督的分類就變得十分有必要了。

模式還可分成抽象的和具體的兩種形式。前者如意識、思想、議論等，屬于概念識別研究的范疇，是人工智能的另一研究分支。我們所指的模式識別主要是對語音波形、地震波、心電圖、腦電圖、圖片、照片、文字、符號、生物傳感器等對象的具體模式進行辨識和分類。

模式識別研究主要集中在兩方面，一是研究生物體（包括人）是如何感知對象的，屬于認(rèn)識科學(xué)的范疇，二是在給定的任務(wù)下，如何用計算機實現(xiàn)模式識別的理論和方法。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)家的研究內(nèi)容，后者通過數(shù)學(xué)家、信息學(xué)專家和計算機科學(xué)工作者近幾十年來的努力，已經(jīng)取得了系統(tǒng)的研究成果。

應(yīng)用計算機對一組事件或過程進行辨識和分類，所識別的事件或過程可以是文字、聲音、圖像等具體對象，也可以是狀態(tài)、程度等抽象對象。這些對象與數(shù)字形式的信息相區(qū)別，稱為模式信息。

模式識別所分類的類別數(shù)目由特定的識別問題決定。有時，開始時無法得知實際的類別數(shù)，需要識別系統(tǒng)反復(fù)觀測被識別對象以后確定。

模式識別與統(tǒng)計學(xué)、心理學(xué)、語言學(xué)、 計算機科學(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)或自組織的模式識別系統(tǒng)包含了人工智能的學(xué)習(xí)機制；人工智能研究的景物理解、自然語言理解也包含模式識別問題。又如模式識別中的預(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)用模式識別的技術(shù)。
責(zé)任編輯：YYX