模式识别方法总结：判别函数与线性可分性

"《上述三种方法小结：-计算机视觉模式识别别》" 这篇资料是对计算机视觉领域中模式识别的三种方法进行的小结。模式识别是确定样本所属类别的过程，涉及统计学、概率论、线性代数等多个相关学科。在本资料中，主要讨论了三种方法的优缺点。 首先，资料提到了方法⑴，虽然没有明确指出具体方法，但通常这种方法可能涉及到基于统计特征的分类。这种方法可能需要较多的判别函数式，这可能是其缺点，可能需要复杂的数学推导来构建和优化这些函数。 其次，方法⑵被描述为将一类与其余类分开的方式。这可能是指使用某种形式的聚类分析，例如K均值或者层次聚类，其中目标是将数据点分成不同的组，每个组内的数据点彼此相似，而不同组的数据点相异。 最后，方法⑶被提到具有没有不确定区的特点，这可能指的是决策边界更清晰的分类方法，例如支持向量机（SVM）。SVM试图找到最大边距的超平面，使得两类样本尽可能分开，从而减少误分类的概率。这种方法的一个优点是它倾向于创建线性可分的决策边界，即使原始数据不是线性可分，也可以通过核技巧转换成高维空间实现线性分离。 课程还强调了教学目标，包括掌握模式识别的基本概念和方法，以及如何将理论应用于实际问题。为了达到这些目标，课程采用实例教学，避免复杂的数学推导，注重理论与实践的结合。此外，课程对学生的期望分为基本要求、提高要求和飞跃要求，鼓励学生不仅仅停留在知识的获取，还要能够应用知识并发展解决问题的能力。 推荐的教材和参考文献涵盖了现代模式识别的经典著作，包括孙即祥的《现代模式识别》、吴逸飞译的《模式识别-原理、方法及应用》以及李晶皎等译的《模式识别（第三版）》。 课程内容包括引论、聚类分析、判别域代数界面方程法、统计判决、学习与训练、最近邻方法以及特征提取和选择等主题，辅以上机实习，确保学生能够深入理解和应用所学知识。 这门课程全面覆盖了模式识别的基础理论和方法，并强调实践应用，旨在培养具备模式识别能力的专业人才，为他们在计算机视觉等相关领域的研究和工作打下坚实基础。