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: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R-CNN和YOLO v2，也可在MATLAB中使用。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。

模式识别在工程中的一个常见应用是在工业应用中对制造中的缺陷进行检测，以提高产品质量，降低生产成本。下图展示了如何做到这一点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式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

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发现隐藏的结构。常见的非监督分类方法包括:

• 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方面，也使用了非监督模式识别技术，特别是在一些任务中，很难获得足够的标记数据来应用监督目标检测和分类。