模式识别的分类问题是根据识别对象特征的观察值将其分到某个类别中去。处理模式分类问题的基本理论之一是统计决策理论，它对分类器的设计有着实际的指导意义。

在某种连续情况下，对要识别的物理对象假设有 种特征观察量 ,这些特征值所有可能的取值范围就构成了 维特征空间，则我们称 为 维特征向量，其中 是转置符号。

如果某一向量 ， 在特征空间被观察到，这就是 维特征空间上的某一点，那么把 归为哪一类去才最合理并且所造成的风险最小,这就是本论文研究的内容之一；通过分析知道使错误率达到最小是重要的，但实际上不仅要考虑到尽可能做出正确的判断，而且还要考虑到做出错误判断时会带来什么后果，由此，引进了基于最小风险的贝叶斯决策。根据贝叶斯公式得出后验概率并引进了“损失”的概念，在考虑错判所造成的损失时，就不能只根据后验概率的大小来做决策而必须考虑所采取的决策是否使损失最小；主要利用贝叶斯分类器的相关理论和设计方法联合文献研究法和举例分析法来进行贝叶斯分类器的理论和方法研究、贝叶斯分类器的设计及贝叶斯分类器的实例仿真研究。44570

我们在生活中时时刻刻都在进行模式识别。模式识别是指表征事物或现象的各种形式的信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程。二十一世纪是科学技术高速发展的时代，基于概率的计算方法越来越受人们的亲莱，随着科学技术和生产的不断发展，需要对很多事物进行分类处理。概率一词我们上中学就开始接触，那个时候就知道对于概率的研究是一门很深入的学问，在生产生活中也有着举足轻重的作用，与之相关的，贝叶斯分类器的应用和研究在各行各业中发挥着重要作用。    

贝叶斯分类器是基于模式识别，本文以特征值的统计概率为基础来进行贝叶斯分类器的设计，并通过实例仿真来验证。通过分析贝叶斯分类器的理论和方法的研究，深入的分析和研究贝叶斯分类器的设计，形成更具实用性的决策理论，从而对事物进行更科学的分析.例如，给定一个 类的 的分类人物和一个用特征向量 表示的未知样本，生成 个条件概率  。也就是对于特征向量 ，每一项都代表未知样本属于某一特定类 的概率。实际上，在这里讨论的 分类器或者计算这些向量的最大值，或者等价的计算它们适当意义的函数最大值，未知样本就被分到计算结果最大的一类中。首先要完成的任务是条件概率的计算，而贝叶斯规则条件概率是非常有用的。

二、 文献介绍

文献[1]综述了知识表示一直是人工智能研究中的一个瓶颈，其难点在于知识中隐含有不确定性论文网，即模糊性和随机性。文意提出用云模型3个数字特征（期望值，熵，超熵）来描述一个定性概念，用熵来关联模糊性和随机性。代表定性概念的云的某一次定量值，被称为云滴，要以用它对此概念的贡献度来衡量，许许多多云滴构成云，实现实性和定量之间的随时转换，反映了知识表示中的不确定性。论文以此对我国农历24个节气进行了新的最化解释。云方法已经用于数据开采、智能控制、跳频电台和大系统效能评估中，取得明显的效果。

文献[2] 介绍了模式识别里面的一些基本概念，模式识别是一个多领域的交叉学科，它涉及人工智能、统计学、计算机科学、工程学、医学等众多的研究问题。例如，语音识别、字符识别、医学图像识别、医疗诊断、商品销售分析等，吸引了众多的研究人员，且人们提出了许多新方法。在20世纪80年代，基于知识的系统和神经网络发展迅速。近年来，在概率和统计交叉的领域取得重大进展，例如，核函数方法的核贝叶斯计算方法。到目前为止，模式识别理论和技术还远未完善，尚有很多课题有待人们去研究和探索。 模式识别文献综述和参考文献:http://www.youerw.com/wenxian/lunwen_45820.html