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巧®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对于对象检测，包括聚合信道特征（ACF），使用面向梯度（HOG）特征的直方图和VITEA-JONES的SVM分类。这些方法都在Matlab中获得®。
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。
机器学习与深度学习方法之间的主要差异是，深度学习模型需要更大的训练数据集和更多的培训时间，而机器学习模型可以用较小的数据集接受培训，如果不按预期工作，可以更容易地解释和调试，但从大量标记数据培训的深度学习模型产生较低的准确性。
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Matlab技术，以有效地检测三个阶段的缺陷：图像捕获，改善质量的图像处理，以及AI建模，将对象分类为良好的对象。
光学检测应用程序，使用模式识别检查制造部件中的缺陷。
监督分类
监督模式识别的分类方法适用监督学习输入数据的算法，用所需输出手动标记的训练数据配对。
在计算机视觉中，监督模式识别技术用于光学字符识别（OCR），对象检测和对象分类。
停止签署检测（左）和气体加工厂（右）零件的自动标签。
无监督的分类
使用高斯混合模型将图像像素分类为前景（白色像素）和背景（黑色像素）来检测移动物体。看示例有关详细信息。
彩色基于彩色图像分割使用k-means聚类。
