简介：《模式识别与智能计算——MATLAB技术实现》（第3版）电子书，面向计算机、信息工程、生物医学工程、智能机器人及自动化等专业的学生、研究人员与工程技术人员，帮助读者在掌握模式识别理论的同时获得可运行的MATLAB实现思路。全书14章，从特征选择与优化、相似性测度讲起，覆盖贝叶斯分类器、判别函数、BP/RBF/概率/自组织竞争等神经网络、决策树与粗糙集分类器，并延伸到模糊聚类、禁忌搜索、遗传算法、蚁群与粒子群等群智能聚类方法；以手写数字识别贯穿实例，给出实现步骤、示范代码与效果图示，便于对照复现和比较不同算法。资源包为1个PDF文件，约17.87MB，适合按章节系统阅读或作为课程教材、项目参考。目前已有313人学习，可作为模式识别课程学习与算法选型的案头资料。

1. 零基础也能上手的模式识别 MATLAB 入门：先弄明白机器是怎么「认字」的

刚接触模式识别 MATLAB 入门的人，十个里有八个会先卡在同一个念头上：数学基础不够，是不是根本学不了。其实这份资料干的事特别朴素——教机器把看到的东西归到某个类别里，比如看一眼手写数字就说出它是 0 还是 7。这件事你每天都在做，只是从没意识到。换个说法，模式识别就是把「人一眼能看出来的事」拆成能一步步算的流程，再用 MATLAB 写成能跑的代码。这份资源里 14 章算法全都围着同一个例子转：手写数字识别，每个算法都配了理论、实现步骤和可以直接运行的程序。适合谁？刚上手、要交课程作业、要做课题、想搞懂算法本身而不是只会调包的人。看完这篇，你至少能把第一个例子跑起来。

2. 入门先弄懂三个概念：样本、特征、相似度

很多新手一上来就翻到神经网络那一章，结果看两页就放弃，问题不在脑子笨，在于前三个概念没落地。这一章只干一件事：把「一张手写数字」翻译成 MATLAB 能处理的数字，再把「像不像」翻译成一个能算出来的数。这两步通了，后面 14 章你都会觉得是同一件事的不同做法。

2.1 样本和特征向量：一张手写数字怎么变成一串数

先统一叫法。被观测的每一个对象叫样本，比如你写在纸上的一百个数字，就是一百个样本；描述样本的每一个 measurable 的指标叫特征，比如这个数字占了多少像素、笔画有多长、上下左右四块的黑点密度分别是多少；一个样本的全部特征排成一列，就是特征向量；所有可能的特征向量张成的空间，叫特征空间。

举个能算的例子。假设你要区分数字 0 和 1，别一上来就用 28×28=784 个像素，先粗化成 8×8 的网格，数每个格子里黑点的比例，得到 64 个特征。那么一个手写的「0」在 MATLAB 里就是：

% 一个样本：8x8 的图像先展平成 1x64 的行向量，再转成列向量 img = double(imresize(imread('digit_0.png'), [8 8])); % 读图并缩到 8x8 x = img(:) / 255; % 展平成 64x1，顺便把 0-255 的灰度压到 0-1 size(x)

img(:)是 MATLAB 里最常用的展平手法，把二维矩阵按列顺序拉成一维；/255是把像素值归一化到 0 到 1 之间，这一步不做，后面算距离时像素值会压过其他特征。跑完你会看到64 1，这就是一个 64 维的特征向量。

一百个样本摞起来，就是一个 100×64 的矩阵，每一行是一个样本，每一列是一个特征。这份资料的原书里用的是另一种写法——n 行 N 列，每一列是一个样本。两种写法数学上完全等价，但 MATLAB 的习惯是「行是样本、列是特征」，因为几乎所有内置函数都这么吃数据。这是新手第一个容易翻车的地方：照着书上的表格敲进 MATLAB，维度反了，报错信息还特别难懂。我第一次学的时候就在这里卡了半天，后来养成的习惯是，读入数据后立刻size(X)打印一次，心里默念「行是样本」。

还有一件事得提前说：特征不是越多越好。784 维的像素直接丢进分类器，样本量不够时效果往往比 64 维还差，这叫维数灾难。资料第 2 章专门讲特征的选择与优化，包括主成分分析降维、特征评估、样本筛选，那一章值得在动手之前先翻一遍，哪怕只看懂结论。

2.2 相似性测度：机器判断「像不像」的那把尺子

机器不会「看」，它只会算。判断一个手写数字是 0 还是 1，本质是算它跟已知的 0 模板、1 模板分别差多少，差得少的那个赢。这个「差多少」就是相似性测度，是整个模式识别的基础。资料第 3 章把常用的几种都列了出来，新手先认识四个就够用。

拿欧氏距离举例，两个 64 维向量 x 和 y 的距离在 MATLAB 里就一行：

% 两个 64 维特征向量之间的欧氏距离 d = sqrt(sum((x - y).^2));

.^2是逐元素平方，sum把 64 个数加起来，sqrt开根号。注意这里是x - y，如果 x、y 维度不一致，MATLAB 的新版本会做隐式扩展而不报错，算出来的结果是错的——这种错最难查，因为程序不崩，只是结果离谱。

为什么值得花时间理解测度？因为后面所有算法都可以看成「换个方式算距离」。贝叶斯分类器算的是概率意义上的接近程度，K 均值聚类算的是到簇中心的欧氏距离，神经网络算的是加权之后的相似度。你把这一层看透了，14 章里至少一半的内容会突然变得眼熟。

2.3 第一个能跑的例子：二十行代码走完一次完整分类

理论先放一放，先把流程跑通。零基础最怕的是「看懂了但不知道从哪下手」，所以这个例子刻意做到零依赖、不需要任何工具箱、复制粘贴就能跑。数据集用 MATLAB 自带的鸢尾花数据，150 个样本、4 个特征、3 个类别，小到能一眼看明白，又真实到能算出有意义的准确率。

% 第一步：载入自带数据。meas 是 150x4 的特征矩阵，species 是 150x1 的类别标签 load fisheriris X = meas; % 每行一个样本，每列一个特征 y = species; % 每个样本属于哪一类 % 第二步：划分训练集和测试集，隔一个取一个，各占一半 idxTrain = 1:2:150; idxTest = 2:2:150; XTrain = X(idxTrain,:); yTrain = y(idxTrain); XTest = X(idxTest,:); yTest = y(idxTest); % 第三步：最近邻分类。测试样本和每个训练样本算欧氏距离，抄最近那个的标签 pred = cell(size(yTest)); % 预分配，用来存预测结果 for i = 1:size(XTest,1) d = sqrt(sum((XTrain - XTest(i,:)).^2, 2)); % 当前样本到所有训练样本的距离 [~, k] = min(d); % 距离最小的那个的下标 pred{i} = yTrain{k}; % 抄它的类别 end % 第四步：算准确率，确认流程真的跑通了 acc = mean(strcmp(pred, yTest)); fprintf('最近邻分类准确率：%.2f%%\n', acc*100);

逐段解释一下。load fisheriris是 MATLAB 自带的数据，不需要联网也不需要额外工具箱；1:2:150是从 1 开始每隔 2 取一个，得到 75 个训练样本，剩下 75 个做测试，这种分法简单但够用。第三步里的sqrt(sum((XTrain - XTest(i,:)).^2, 2))，第二个参数2表示沿着第 2 维（列方向）求和，所以结果是 75×1 的列向量，每个元素是当前测试样本到一个训练样本的距离。[~, k] = min(d)里那个波浪号表示「第一个返回值我不需要」，只要最小值的下标。最后strcmp逐元素比较两个 cell 数组里的字符串，返回逻辑数组，mean一算就是准确率。

跑完你大概会看到 94% 左右。这个数字不用太当真，它的意义是证明流程走通了：数据 → 划分 → 训练 → 预测 → 评估，五步一个不少。

参数想改的话，看这张表：

现在把它换成手写数字，你只需要动两行：X换成你算出来的特征矩阵（比如 N×64），y换成对应的数字标签。流程一模一样，只是特征从 4 维变成 64 维，类别从 3 类变成 10 类。等你把这一步走顺了，就是真正在入门了，而不只是看别人入门。

提示：第一次跑的时候，在XTrain后面加一句size(XTrain)，把维度打在屏幕上。养成这个习惯，能省掉后面一半的报错。

3. 分类器怎么挑：从贝叶斯到神经网络的上手顺序

流程跑通之后，下一个问题自然冒出来：最近邻这么简单，为什么还要学那么多分类器？答案是，不同数据有不同的坑，没有一个方法通吃。这一章按「新手最容易上手」的顺序来排：先概率统计，再神经网络，最后才是可解释性优先的那几个。顺序反了会很痛苦。

3.1 概率统计路线：贝叶斯和判别函数到底在赌什么

贝叶斯分类器的思路特别像人做判断。医生看病，先看这个病在人群里有多常见（先验概率），再看病人的症状在这个病里出现的概率（类条件概率），两者一乘，算出「得了这个病」的可能性（后验概率），谁大判谁。资料第 4 章讲的就是这套东西，分最小错误率和最小风险两个版本：前者只管「判对的概率最大」，后者还会考虑「判错要付多大代价」——比如把有病判成没病，代价远大于反过来，这时就该用最小风险版本。

判别函数则是另一个思路：不绕概率，直接找一条线或者一个曲面，把特征空间切成几块，落在哪块就是哪类。资料第 5 章列了一长串：线性判别函数、感知器算法、增量校正、LMSE、Fisher 分类、基于核的 Fisher、势函数法、支持向量机。名字吓人，其实核心动作只有一个——找一个让类间距离大、类内距离小的方向。Fisher 就是干这个的，特别直观。

为什么把这两个放在最前面学？因为参数少、结果可解释、失败时能看出原因。贝叶斯只有先验和类条件概率要估，Fisher 主要是求一个投影方向，你调完之后画个图就知道为什么对了或者为什么错了。神经网络就不一样，二十个隐层节点调成二十一个，结果可能完全不同，新手很难判断是自己错了还是模型就这样。

真上手的时候，建议你拿鸢尾花数据把贝叶斯跑一遍，再换 Fisher 跑一遍，对比两者的决策边界。资料里对每种方法都给了理论基础、实现步骤、编程代码三段式，按这个顺序读不会乱。看得懂公式就推一遍，看不懂就先跑代码看效果，回头再补——这是我自己觉得最省时间的读法。

3.2 神经网络路线：六种网络分别适合什么场景

资料第 6 章一口气讲了六种神经网络，新手容易在这里迷路。先给一句总结：它们都是在学一个从特征到类别的映射，差别在于网络结构、学习规则和擅长的数据规模。

入门顺序我的建议是：BP 先跑通，因为资料里 BP 的篇幅最长、示例最全，而且它的训练流程（前向计算、算误差、反向调权重）是理解其它网络的地基；然后看 PNN，因为它把上一节学的贝叶斯直接搬进网络结构，学起来有承上启下的感觉；RBF 放在第三，理解「局部响应」这个概念；剩下三个当扩展阅读，先知道它们解决什么问题就够了，不用一开始就死磕。

3.3 跑通第一个神经网络分类器

接着第 2 章的流程往下走，这次把最近邻换成 BP 网络。需要 Deep Learning Toolbox，如果你的 MATLAB 没有装，先用上一章的代码把流程跑熟，不影响理解。

% 前提：安装了 Deep Learning Toolbox load fisheriris X = meas'; % 神经网络工具箱的约定是每列一个样本，所以这里转置 y = zeros(3, 150); % 独热编码，3 个类别各占一行 classes = {'setosa','versicolor','virginica'}; for i = 1:150 y(:,i) = strcmp(classes, species{i})'; % 属于哪一类，哪一行就是 1，其余是 0 end net = patternnet(10); % 建一个隐含层含 10 个神经元的分类网络 net.trainParam.showWindow = false; % 关掉训练弹窗，命令行看结果就够了 net = train(net, X, y); % 开始训练 out = net(X); % 拿训练好的网络把全部数据回头预测一遍 [~, idxPred] = max(out); % 输出值最大的那一行就是预测类别 [~, idxTrue] = max(y); acc = mean(idxPred == idxTrue); fprintf('网络在全部数据上的准确率：%.2f%%\n', acc*100);

几个关键点。meas'这个转置非常关键，神经网络工具箱和统计工具箱的数据约定是反的，一个要列是样本，一个要行是样本，转错方向不会报错但结果会很难看。patternnet(10)里的 10 是隐含层神经元个数，可以改成 5、20、50 试，改完重新跑，看准确率怎么变，这个过程比看十页理论更直观。独热编码那一段，是把'setosa'这种字符串标签转成[1;0;0]的向量，因为网络只会处理数字。max(out)取每列最大值的下标，就是预测类别。

这里必须提醒一句：上面算的是「在全部数据上的准确率」，网络在训练时已经见过这些样本了，所以这个数字虚高，不代表真实水平。资料里强调过训练与学习的区别，你要真评估效果，就得像第 2 章那样留出测试集。这个坑我后面第 5 章还会再讲一次，因为它实在太常见了。

3.4 决策树和粗糙集：需要给结论找理由时先学这两个

有些场景不光要分类结果，还要说清楚「为什么这么判」。比如某类样本被判成故障，你得告诉别人是哪几个指标触发的。这时候神经网络就不太合适了，它像个黑匣子，输出很准但你解释不清。

决策树（资料第 7 章）的好处是天生可解释：它把判断过程变成一串「如果某个特征大于某个值，就往左走」的问句，最后落到叶子上就是类别。你把这个树画出来，任何人都能顺着走一遍，看得明明白白。

粗糙集（第 8 章）解决的是另一类问题：数据里有冗余属性、有不精确的信息，能不能在不损失分类能力的前提下把属性砍掉一些。它的核心是「属性约简」，思路是不引入额外假设，直接从上近似、下近似这些集合概念出发来判断哪些属性是必要的。

这两个方法新手不用一上来就深挖，但值得知道它们存在。等你做课题时被老师问「你这个模型凭什么这么判」，你会庆幸自己翻过这两章。

4. 聚类入门：没有答案的时候，让机器自己分组

前面讲的都是有标签的情况：你知道每个样本是几，让机器学。但现实里更多时候你手里只有一堆数据，没人告诉你该分几类。这时候就该聚类上场了，资料从第 9 章一直讲到第 14 章，占了全书三分之一还多，值得认真对待。

4.1 K 均值：无监督学习最该先跑通的一个

K 均值是整个聚类里最经典、最容易理解的算法，思路四步：随便挑 K 个点当簇中心，把每个样本分给最近的中心，重新算每簇的均值当新中心，重复直到中心不再动。就这么简单。

下面这个版本不依赖任何工具箱，纯基础语法，方便你逐行看懂每一步在干什么：

% 不依赖工具箱的 K 均值：把数据粗分成 K 组 load fisheriris X = meas(:,3:4); % 只取后两个特征，方便在平面上看效果 K = 3; % 想分成几类 rng(1); % 固定随机种子，保证每次跑结果一样，便于对比 centers = X(randperm(size(X,1), K), :); % 随机挑 K 个样本当初始中心 for iter = 1:20 d = zeros(size(X,1), K); % 存每个样本到每个中心的距离 for k = 1:K d(:,k) = sqrt(sum((X - centers(k,:)).^2, 2)); end [~, assign] = min(d, [], 2); % 每行取最小值，得到归属的簇编号 newCenters = centers; for k = 1:K if any(assign == k) % 防止某一簇空了导致 mean 出错 newCenters(k,:) = mean(X(assign==k, :), 1); end end if isequal(newCenters, centers) % 中心不再移动就提前收工 break end centers = newCenters; end fprintf('迭代 %d 次后收敛，各簇样本数：%s\n', iter, mat2str(accumarray(assign,1)'));

参数说明：K是你想分几类，这个数得自己给，K 均值不会告诉你该分几组；rng(1)是固定随机种子，不固定的话每次跑出来的初始中心都不一样，结果也跟着变；iter控制最多迭代多少轮，实际大多十几轮就收敛；assign是每个样本的簇编号，后面画图、算指标都靠它。那个if any(assign == k)判断容易被忽略，但没有它，某一簇变空时mean会返回 NaN，整个结果就废了，这是我自己踩过的坑。

min(d, [], 2)里的[]是占位符，表示「第二个参数跳过」，2表示沿着列方向找最小值，也就是对每个样本找最近的中心。这种写法在 MATLAB 里出现频率极高，记住了能省很多查文档的时间。

4.2 类别数说不清怎么办：层次聚类和 ISODATA 的思路

K 均值最大的软肋是 K 得你自己定。可很多时候你根本不知道数据该分几类，这时候有两个思路可以试。

第一个是层次聚类（资料第 9 章）。它不求一步到位，而是先把每个样本当成独立的一簇，然后不断把最近的两簇合并，一直到只剩一簇，整个过程画出来是一棵树。你在树上横着切一刀，切出几枝就是几类。资料里列了最短距离法、最长距离法、中间距离法、重心法、类平均距离法五种合并规则，差别在于「两簇之间的距离怎么定义」，最短距离看最近的一对点，最长距离看最远的一对点。新手先用类平均距离，它比较稳，不容易被个别离群点带偏。

第二个是 ISODATA（迭代自组织数据分析算法）。它在 K 均值的基础上加了「分裂」和「合并」两个动作：某一簇太散就拆成两簇，两簇中心太近就并成一簇，类别数在迭代过程中自己调整。这个算法参数多一些，但对「我不知道该分几类」这种情况非常友好。

再补一个思路：基于试探的聚类，比如最大最小距离算法，先随便挑一个样本当第一簇中心，找出离它最远的点当第二簇中心，再找离这两个都足够远的点当第三簇中心，一直加到没有点满足条件为止。整个过程不需要预设 K，思路很符合直觉，代码也短，适合作为层次聚类和 K 均值之外的一个补充练习。

4.3 遗传、蚁群、粒子群：为什么聚类还要学这些算法

翻到资料后半部分，你会看到模拟退火、禁忌搜索、遗传算法、蚁群算法、粒子群算法，全是聚类的变体，名字一个比一个玄。新手的第一反应通常是：K 均值几行代码就搞定了，为什么还要搞这么复杂？

原因就一个：K 均值是局部搜索。它从初始中心出发，每次都往「当前看起来更好」的方向走，走到走不动为止。问题是它可能停在一个并不理想的局部最优上——你换个初始中心，结果就完全变了。这个现象我第一次遇到时以为是程序写错了，反复检查才发现是算法本身的特性。

这些「玄学」算法的共同点是引入了跳出局部的机制：模拟退火允许以一定概率接受更差的解，相当于给算法一个后悔药；禁忌搜索记住最近走过的路，短期内不回头；遗传算法把解编码成染色体，通过选择、交叉、变异一代代进化；蚁群靠信息素正反馈逐步找到好的分组；粒子群让一群「粒子」在解空间里飞，互相参考彼此的历史最优位置。

真上手的话，建议按这个顺序：先跑遗传算法聚类，因为它的框架最清晰（编码、适应度、选择、交叉、变异五个部件），资料里也给了完整的构成要素讲解；再跑粒子群，代码短、参数少，比较容易看到效果；蚁群放在后面，它的参数最多，调起来最像玄学，第一遍跑不出好结果很正常，别灰心。模拟退火和禁忌搜索更多是作为一种「改进策略」出现在资料里，比如用模拟退火改进 K 均值，理解它们的思路比会默写代码更重要。

5. 避坑指南：新手最容易翻车的五个地方

这一章可能是全篇最值钱的部分。下面五条，全部来自实际跑代码时会遇到的情况，按「现象 → 原因 → 解决」写，遇到问题时对着排一遍，能省下大量时间。

5.1 五个高频坑，一条一条对着排

坑一：准确率高得离谱，换一批数据就崩。

现象：训练完一测，准确率 99%，兴冲冲拿去跑新样本，结果惨不忍睹。原因八成是评估方式错了——你把训练用过的数据又拿来测试，模型当然全对。这种情况在神经网络上尤其常见，因为它的拟合能力太强。解决办法很简单：一定要留出模型没见过的数据做测试，第 2 章那种隔一个取一个的做法虽然粗糙但有效，讲究一点就做三份：训练、验证、测试。

坑二：训练半天，损失不降，或者所有样本都判成同一类。

现象：网络跑了几百轮，误差曲线一条水平线，或者预测结果清一色是某一类。原因最常见的是特征没归一化——比如某个特征是 0 到 1000 的像素值，另一个是 0 到 1 的比例，前者会把距离和权重完全主导。解决：训练前用zscore做标准化，注意标准化用的均值和标准差必须来自训练集，再原样应用到测试集，反过来做就是数据泄漏。

坑三：K 均值每次跑出来的结果都不一样。

现象：同一份数据，连着跑三次，分出来的簇完全不同。原因有两个：初始中心是随机挑的，而且算法本身容易停在局部最优。解决：先用rng(1)固定种子，保证结果可复现；再试试多次随机重启，取簇内距离之和最小的那次；如果数据维度高，先做主成分分析降到二维或三维再聚，效果往往好很多。

坑四：把所有像素直接丢进去，跑得又慢又不准。

现象：用 784 维的原始像素做特征，训练时间长得离谱，准确率还不高。原因是维数灾难——特征维度上去了，样本就显得稀疏，距离度量失去区分度，同时计算量暴涨。解决：先做特征提取再分类。资料第 2 章讲的主成分分析就是干这个的，把 784 维压到几十维，往往不掉点甚至还涨点。

坑五：整体准确率 90%，但某一类几乎全错。

现象：看总体准确率挺好看，细看发现有个类别基本没识别对。原因是类别不平衡——多数类样本多，模型只要全判成多数类就能拿到不错的分数。解决：别只看总体准确率，去看混淆矩阵；再补上每一类的召回率，哪个类别拖后腿一眼就清楚。

5.2 每次跑完实验，先看这四样东西

比「不犯错」更实际的，是养成一套固定的检查习惯。我自己每次跑完分类实验，会强制看四样：整体准确率、混淆矩阵、每类召回率、以及换一组随机种子后结果稳不稳。前三个用一小段代码就能算出来：

% 在第 2 章最近邻例子的基础上，自己算一个混淆矩阵，不依赖工具箱 labels = unique([yTest; pred]); % 所有出现过的类别 C = zeros(numel(labels)); % 行是真实类别，列是预测类别 for i = 1:numel(yTest) r = find(strcmp(labels, yTest{i})); % 真实类别对应的行号 c = find(strcmp(labels, pred{i})); % 预测类别对应的列号 C(r,c) = C(r,c) + 1; % 对应格子加一 end disp(array2table(C, 'RowNames', labels, 'VariableNames', labels')) recall = diag(C) ./ sum(C, 2); % 每一类的召回率：对角线除以该行总数 disp(array2table(recall, 'RowNames', labels, 'VariableNames', {'recall'}))

混淆矩阵的对角线是判对的，非对角线是判错的。哪一类总是被误判成哪一类，看非对角线哪一列数大就知道了。sum(C, 2)是沿行求和，得到每一类的真实样本总数；diag(C)取对角线；两者相除就是召回率。array2table只是为了让输出好读，不加也照样能跑。

注意：换随机种子重跑这件事看着多余，但它是判断「模型真有效」还是「这次运气好」最便宜的办法。同一个模型跑三次，结果差十几个点，那说明它不稳定，别急着写报告。

6. 下一步学什么：从跑通示例到做出自己的小项目

跑通第一个例子之后，最容易出现的状态是「会跑了，但不知道下一步干什么」，然后就在原地打转。给一条我验证过、对新手比较友好的路线，按周来排，四周下来你能有一个能拿得出手的小东西。

具体到每天怎么分配，我的建议是把「读」和「跑」的比例控制在三比七。资料里每种方法都给了理论基础、实现步骤、编程代码三段，理论基础那部分第一遍别死磕，看懂「它在解决什么问题」就够了，剩下的时间全部用来改代码、换参数、看结果怎么变。等你对结果有直觉了，再回头补理论，效率会高得多。

如果四周之后你还想继续深入，有三个方向可以挑：一是往特征工程走，把第 2 章的主成分分析、特征评估吃透，这是提升效果最实在的地方；二是往集成走，把多个分类器的结果合起来投票，比死磕单个模型调参划算；三是往可解释性走，决策树和粗糙集那两章值得细读，做课题时特别有用。

最后说一句我自己的教训。刚学那会儿，我总想一口气把所有算法都跑一遍，结果每个都只跑了个皮毛，遇到问题完全不知道从哪查。后来我改了个习惯：每跑一个新数据集，先强制走一遍「看维度、看分布、留测试集、看混淆矩阵」这四步，哪怕数据再小也不跳过。这个习惯帮我挡掉了后面大量的返工。希望帮到你。

本文还有配套的精品资源，点击获取