模式识别理论

模式识别理论（pattern recognition theory），理学-计算机科学技术-计算机应用-多媒体计算-模式识别-模式识别理论，模式识别是计算机根据特征、属性或结构，确定一个物体、行为或现象属于某个模式类别或模式个体的过程。一般分为数据获取、基元分析、特征抽取、对象分类和后续处理等步骤。有关理论中用计算机进行模式识别可以归纳为两种方法：统计方法和句法方法。统计方法发展迅速，成功应用于解决很多实际问题。统计模式识别与机器学习密不可分，计算学习理论为统计模式识别奠定了理论基础。计算学习理论试图阐明什么样的问题是可学习的、可学习问题的学习效率如何，从而为设计机器学习算法提供理论依据。计算学习理论中最重要的是概率近似正确（probably approximately correct）学习模型，简称PAC学习，由Valiant提出。PAC学习要求给定随机抽取的训练数据后，算法能以很高的概率从函数集中学出一个与最优函数误差很小的函数。如果存在一个学习算法，使得对任意，，算法能以至少的概率输出一个近似正确的结果，并且所需要的训练数据个数随和至多以多项式阶增长，则称PAC可学习。