1、模式识别系统的基本构成单元包括：模式采集、特征提取与选择和模式分类。2、统计模式识别中描述模式的方法一般使用特真矢量；句法模式识别中模式描述方法一般有串、树、网。3、聚类分析算法属于（1）；判别域代数界面方程法属于（3）。（1）无监督分类(2)有监督分类（3）统计模式识别方法（4）句法模式识别方法4、若描述模式的特征量为0-1二值特征量，则一般采用（4）进行相似性度量。（1）距离测度（2）模糊测度（3）相似测度（4）匹配测度5、下列函数可以作为聚类分析中的准则函数的有（1）（3）（4）。（1）（2）(3)(4)6、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7、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）。（1）感知器算法（2）H-K算法（3）积累位势函数法8、下列四元组中满足文法定义的有（1）（2）（4）。（1）({A,B},{0,1},{A®01,A®0A1,A®1A0,B®BA,B®0},A)（2）({A},{0,1},{A®0,A®0A},A)（3）({S},{a,b},{S®00S,S®11S,S®00,S®11},S)（4）({A},{0,1},{A®01,A®0A1,A®1A0},A)9、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））。10、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11、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。）。12、感知器算法1。（1）只适用于线性可分的情况；（2）线性可分、不可分都适用。13、积累势函数法较之于H-K算法的优点是（该方法可用于非线性可分情况（也可用于线性可分情况））；位势函数K(x,xk)与积累位势函数K(x)的关系为（）。14、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。15、“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。16、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）。17、已知有限状态自动机Af=(å，Q，d，q0，F)，å={0，1}；Q={q0，q1}；d：d(q0，0)=q1，d(q0，1)=q1，d(q1，0)=q0，dω1:{a,d};ω2:{b,c}）。18、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。19、模式识别中，马式距离较之于欧式距离的优点是（③④）。①平移不变性；②旋转不变性；③尺度不变性；④考虑了模式的分布。20、基于二次准则函数的H-K算法较之于感知器算法的优点是（①③）。①可以判别问题是否线性可分；②其解完全适用于非线性可分的情况；③其解的适应性更好；④计算量小。21、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。22、位势函数法的积累势函数K(x)的作用相当于Bayes判决中的（②④）。①先验概率；②后验概率；③类概率密度；④类概率密度与先验概率的乘积。23、在统计模式分类问题中，当先验概率未知时，可以使用（②④）。①最小损失准则；②最小最大损失准则；③最小误判概率准则；④N-P判决。24、在（①③）情况下，用分支定界法做特征选择计算量相对较少。①Cnd>>n,（n为原特征个数，d为要选出的特征个数）；②样本较多；③选用的可分性判据J对特征数目单调不减；④选用的可分性判据J具有可加性。25、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。26、似然函数的概型已知且为单峰，则可用（①②③④⑤）估计该似然函数。①矩估计；②最大似然估计；③Bayes估计；④Bayes学习；⑤Parzen窗法。27、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。28、从分类的角度讲，用DKLT做特征提取主要利用了DKLT的性质：（①③）