基于KNN算法的电子鼻研究应用+代码(4)
模式识别主要分为两种方法：基于统计的模式识别以及基于结构的模式识别方法[5]。前者是根据统计概率论知识中的贝叶斯决策系统进行的模式识别；后者则是运用分册结构进行的模式识别。统计模式识别方法有很多种，比如KNN(kNN，k-NearestNeighbor)K最近邻算法；BP（Back Propagation）神经网络算法等。
模式识别可以运用在很多地方，比如字符识别，图像识别，声音识别，指纹识别，工业产品的检测等。
电子鼻无法靠单个的传感器对气体进行探测而是需要多个传感器阵列。因此电子鼻的模式识别相当于大脑对于得到的数据进行分析。电子鼻的模式识别主要有聚类分析，主成分分析，判别因子分析，人工神经网络分析方法。其中人工神经网络分析方法被认为是将会更有前途的识别方法。人工神经网络是一种模仿动物神经网络行为特征，进行并行复杂计算的算法。人工神经网络具有快速寻找优化解能力；自学习，自适应功能和联想存储功能。
1.5 模式识别方面的研究进展
模式识别在早期的研究主要在数学方面。在二十世纪，罗森布拉特发明了可以简化并模拟人脑进行识别功能的模型命名为感知器。这种感知器可以简单的将给出的样本类别的样本赋予识别系统训练，之后这种系统便具有了对于其他不知道类别的样本具有识别的能力。1957年，周绍康通过提出的统计决策理论方法求解模式识别问题对五十年代的模式识别科研领域的发展迅速起到了关键的作用。在十九世纪八十年代，荷甫菲尔德用两篇论文深刻的提出了人工神经元，网络所具有的联想存储和计算能力，更深层次上使模式识别的科研进展更进一步。
模式识别是一门多学科交叉的应用。它涵盖了统计学，心理学，语言学，计算机科学等知识。
模式识别的运用范围也非常的广泛，比如文字识别，语音识别，指纹识别，遥感和医学诊断等。
在当今数字信息化的时代里，不得不说模式识别的发展潜力巨大。比如语音识别技术可以为人机接口提供主要技术。还有数字水印技术和生物认证技术也同样需要着对于模式识别的开发。