模式识别

模式识别是使用基于的计算机算法将输入数据分类为对象、类或类别的过程关键特性或规律。模式识别在计算机视觉，图像分割，对象检测、雷达处理、语音识别和文本分类等。

模式识别中有两种分类方法:有监督分类和无监督分类。要应用监督模式识别，需要大量的标记数据;否则，您可以尝试应用无监督的方法。

使用机器学习和深度学习的模式识别

你可以在MATLAB中应用机器学习或深度学习技术^®在模式识别应用中。

机器学习方法包括准备数据、手动提取特征以区分数据中的类，以及训练机器学习模型对新对象进行分类。常见的机器学习技术或模型用于目标检测的方法包括聚合通道特征(ACF)，使用定向梯度直方图(HOG)特征的支持向量机分类，以及Viola-Jones。这些方法都在MATLAB中可用^®．

深度学习方法包括准备数据和训练深度神经网络，并在新数据上测试训练过的模型。常见的深度学习模型用于模式识别的是R-CNN和YOLO v2，它们也在MATLAB中可用。近年来，深度学习方法比机器学习方法更受欢迎。

机器学习和深度学习方法之间的主要区别是，深度学习模型需要更大的训练数据集和更多的训练时间，而机器学习模型可以用更小的数据集进行训练，如果不能按预期工作，可能更容易解释和调试，但产生的精度低于用大量标记数据训练的深度学习模型。

模式识别在工程中的一个常见应用是在制造业中进行缺陷检测，以提高产品质量，同时降低工业应用中的生产成本。下图显示了如何操作公司使用基于视觉的技术和MATLAB在三个阶段有效地检测缺陷:图像捕获、图像处理以提高质量，以及AI建模以将对象分类为好与坏。

监督分类

应用模式识别的监督分类方法监督式学习输入数据的算法，将手动标记的训练数据与所需输出配对。

在计算机视觉中，监督模式识别技术被用于光学字符识别(OCR)，目标检测和目标分类。

非监督分类

非监督分类方法通过使用分割或聚类技术在未标记的数据中寻找隐藏结构。常见的无监督分类方法包括:

• k - means聚类
• 高斯混合模型
• 隐马尔可夫模型

在目标检测和图像分割中，也使用了非监督模式识别技术，特别是在难以获得足够的标记数据的任务中，应用有监督的目标检测和分类。