模式识别

模式识别是利用计算机算法将输入数据分类为对象、类或类别的过程主要特点或规律。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:监督分类和非监督分类。要应用监督模式识别，你需要大量的标记数据;否则，您可以尝试采用无监督的方法。

使用机器学习和深度学习的模式识别

您可以使用MATLAB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，手动提取要区分数据中的类别，并培训机器学习模型以对新对象进行分类。常见的机器学习技术或模型用于目标检测的工具包括聚合通道特征(ACF)、使用方向梯度直方图特征(HOG)的SVM分类和Viola-Jones。这些方法在MATLAB中都是可用的^®．

深度学习方法包括准备您的数据并培训深神经网络，并在新数据上测试训练有素的模型。常见的深入学习模式用于图案识别是R-CNN和YOLO V2，也可以在MATLAB中获得。近年来，深入学习方法比机器学习更受欢迎。

机器学习和深度学习方法的主要区别在于，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，如果不能像预期的那样工作，可能更容易解释和调试，但其准确率低于在大量标记数据上训练的深度学习模型。

在工程中的模式识别常见应用是制造业的缺陷检测，以提高产品质量，同时降低工业应用的生产成本。下图显示了如何公司使用基于视觉的技术与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，和人工智能建模分类的对象是好还是坏。

监督分类

应用模式识别的监督分类方法监督学习输入数据的算法，将人工标记的训练数据与期望的输出配对。

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

非监督分类

无监督的分类方法使用分段或聚类技术在未标记数据中查找隐藏结构来工作。常见的无监督分类方法包括：

• k - means聚类
• 高斯混合模型
• 隐藏的马尔可夫模型

对于对象检测和图像分割，还使用无监督的模式识别技术，尤其是在其中难以获得足够的标记数据以应用监督对象检测和分类的任务。