- 模式识别三大核心问题：特征数据采集、分类识别、特征提取与选择。
- 构造可分性判据需要满足4个条件：单调性、叠加性、距离性、单调不减性。
- 欧式距离具有（ 1、2 ）；马式距离具有（ 1、2、3、4 ）。
（1）平移不变性（2）旋转不变性（3）尺度缩放不变性（4）不受量纲影响的特性 - 线性判别函数的正负和数值大小的几何意义是（正（负）表示样本点位于判别界面法向量指向的正（负）半空间中；绝对值正比于样本点到判别界面的距离。）。
- 若用Parzen窗法估计模式的类概率密度函数，窗口尺寸h1过小可能产生的问题是（估计的统计变动太大不稳定），h1过大可能产生的问题是（估计的分辨率太低）。《模式识别导论》P74
- 聚类分析的基本思想：相似的归为一类、模式相似性的度量和聚类算法、无监督分类。聚类分析的方法：基于距离阈值的聚类法、层次聚类法、动态聚类法。影响层次聚类算法结果的主要因素有（ 计算模式距离的测度、（聚类准则、类间距离门限、预定的类别数目））。
- 分类准则：类间离散度尽可能大而类内离散度尽可能小
- 影响聚类算法结果的主要因素有（ ②③④ ）。
①已知类别的样本质量；②分类准则；③特征选取；④模式相似性测度。
影响基本C均值算法的主要因素有（ ④①② ）。
①样本输入顺序；②模式相似性测度；③聚类准则；④初始类心的选取。
- N-P判决，即限定一类错误率条件下使另一类错误率为最小的两类别决策，即在一类错误率固定的条件下，求另一类错误率的极小值的问题
- 特征选择就是从一组特征中挑选出一些最有效的特征以达到降低特征空间维数的目的。
- 散度Jij越大，说明wi类模式与wj类模式的分布（差别越大）；当wi类模式与wj类模式的分布相同时，Jij=（0）。
- 下列判别域界面方程法中只适用于线性可分情况的算法有 （1） ；线性可分、不可分都适用的有 （3） 。
- 感知器算法 （2）H-K算法 （3）积累位势函数法
- 散度JD是根据（ ③ ）构造的可分性判据。
①先验概率；②后验概率；③类概率密度；④信息熵；⑤几何距离。 - Kn近邻元法较之Parzen窗法的优点是（ ② ）。
①所需样本数较少；②稳定性较好；③分辨率较高；④连续性较好。 - Fisher线性判别函数的求解过程是将N维特征矢量投影在 （2） 中进行 。
（1）二维空间 （2）一维空间 （3）N-1维空间
“特征个数越多越有利于分类”这种说法正确吗？（ 错误 ）。特征选择的主要目的是（从n个特征中选出最有利于分类的的m个特征（m<n），以降低特征维数）。一般在（ 可分性判据对特征个数具有单调性）和（ Cnm>>n ）的条件下，可以使用分支定界法以减少计算量。
在统计模式分类问题中，聂曼-皮尔逊判决准则主要用于（ 某一种判决错误较另一种判决错误更为重要）情况；最小最大判决准则主要用于（ 先验概率未知的）情况。最小误判概率准则（难于确定误判的代价）情况。
描述模式相似的测度有( 1）距离测度 2）相似测度 3）匹配测度 )。
（1）距离测度 （2）模糊测度 （3）相似测度 （4）匹配测度
