信号处理与分类比较
信号分析与处理-程耕国 第1章 信号及信号的时域分析
2 f (n )
N
信号与系统
SIGNALS AND SYSTEMS
15
1.1.4能量信号与功率信号
1.能量信号 能量信号的归一化能量为有限值，归一化功率为零。即满 足 0 W ，P 0 。
2.功率信号 功率信号的归一化功率为有限值，归一化能量为无限大。 即满足 W ， 0 P 。一般，周期信号为功率信号。
t
cos Ω t
Im f t Ae
t
sin Ω t
Re 的波形相似，只是相位相差 f t 信号 Re f t 的波形与 。 两者均为实信号，而且是频率相同，幅值随时间变化的正( 2 余)弦振荡信号。
Re f t 0 Im f t 0
f (t )
A
f (n)
A N
-T
-T/2
0 -A (a)
T/2
T t
-N
0
N
2N
n
(b)
图1-5周期信号
信号与系统
SIGNALS AND SYSTEMS
13
1.1.3周期信号与非周期信号
2.非周期信号: 不满足周期信号定义的信号称为非周期信号。 周期分别为T1 、T 2 的2个信号相加产生的信号 f t ，其周期 最小公倍数 T 0 为：
N
W 0
所以该信号为能量信号。
信号与系统
SIGNALS AND SYSTEMS
19
1.1.5 实信号与复信号
1.实信号 在各时刻 t （或 n ）上的信号幅值为实数的信号为实信号。 例如，单边指数信号，正、余弦信号等。实信号是可以物 理实现的。 2.复信号 函数(或序列)值为复数的信号称为复信号，最常用的是复 指数信号。连续时间的复指数信号通常表示为：
数字信号处理
第一部分：数字滤波器的设计
6
第5章 IIR滤波器的设计 一、滤波器的基本概念
1.什么是滤波器、数字滤波器？ 滤波器，是指能够使输入信号中某些频率分量充分地衰 减，同时保留那些需要的频率分量的一类系统。 数字滤波器——把输入序列通过一定的运算变换成所要 求的输出序列，实质上就是一个离散时间系统。 2.分类 （1）经典滤波器和现代滤波器 （2）IIR和FIR滤波器 （3）低通、高通、带通、带阻滤波器
数字信号处理 Digital Signal Processing
1
绪论：
xa (t) 预滤 A/DC 数字信号处理 D/AC 平滑滤波 ya (t)
图0-2 模拟信号的数字ห้องสมุดไป่ตู้号处理系统框图
前置滤波器：滤除模拟信号的杂散分量，避免采样信号的混叠失真
A/DC： 模数转换（采样、保持、量化、编码） 数字信号处理：核心，对x(n)进行变换，得到想要的y(n)信号； 处理的实质是运算 D/AC：数模转换
4型
Hk=HN-k
频率采样法设计比较简单，所得的系统频率响应在每个 频率采样点上严格与理想特性一致，各采样点之间的频响则 是由各采样点的内插函数延伸叠加而成。
26
3.改善频率响应的措施 为了提高逼近质量，在理想特性不连续点处人为加入过 渡采样点（1～3个），虽然加宽了过渡带，但缓和了边缘上 两采样点之间的突变，将有效的减少起伏振荡，提高阻带衰 减。 H ( ) , H
六、其他要求
如何根据Ha(s)、H(z)判断其为何种类型的滤波器？
17
第6章 FIR数字滤波器的设计 一、基本概念
1.FIR DF具有线性相位的条件
H (e j ) h( n)e jn | H (e j ) | e j ( ) H ( )e j ( )
加速度传感器信号处理算法
加速挑战和问题
信号噪声：如 何有效去除信 号中的噪声干
扰
数据处理：如 何高效地处理 大量加速度传
感器数据
算法优化：如 何改进现有算 法以提高处理 速度和准确性
应用场景：如 何针对不同应 用场景进行定 制化处理和优
化
未来发展方向和趋势
更高精度：提高传感器的精度和灵敏度，降低噪声和干扰 更小体积：减小传感器的体积和重量，提高便携性和可穿戴性 更低功耗：降低传感器的功耗，延长电池寿命和续航能力 更多应用场景：拓展传感器在物联网、智能交通、健康监测等领域的应用
信号分类和识别
信号分类：根据信号的频率、幅值、相位等特征进行分类 信号识别：根据信号的分类结果，识别出信号的类型和特征
信号处理算法：包括滤波、降噪、压缩、增强等方法，用于处理加速度传感器信号
应用领域：广泛应用于航空航天、汽车、医疗、工业等领域
加速度传感器信号处理算法实 现
硬件实现
加速度传感器：选择合适的传感器，如MEMS加速度传感器 信号调理电路：设计适当的信号调理电路，如放大器、滤波器等 模数转换器：选择合适的模数转换器，如ADC 微控制器：选择合适的微控制器，如MCU，用于处理加速度传感器信号
信号放大：增强 信号强度，便于 后续处理
信号数字化：将 模拟信号转换为 数字信号，便于 计算机处理
信号分析和特征提取
信号分析：对加速度传感器输出的信号进行时域、频域或时频域分析，以获取信号的特征信息。 特征提取：根据信号分析的结果，提取出加速度传感器信号的特征参数，如频率、振幅、相位等。 特征选择：根据实际应用场景和需求，选择合适的特征参数进行后续处理。 特征融合：将提取出的特征参数进行融合，以获得更全面的加速度传感器信号特征。
软件实现
信号处理基础
补充材料：第二章信号与系统第一部分：基本概念1.1信号的概念预习思考题：1. 消息、信息和信号的区别与联系?2. 信号有哪些描述方法?本节知识点：1. 信号的概念2. 信号的描述方法1.1.1 信号、消息和信号1.1.2 描述信号的方法1.1.1消息，信息和信号主要是讲述有关信号处理的一些基本原理和方法。
目的是希望大家能在学完后，对如何处理信号，特别是如何用计算机这种数字处理设备（从某种意义上说，计算机是一种数字处理设备）来进行信号处理，有一些基本的认识。
那么，什么是信号呢？人类对自然界的认识和改造过程都离不开对自然界中的信息的获取。
所谓信息，是指存在于客观世界的一种事物形象，是关于事物运动规律的知识。
一般泛指消息、情报、指令、数据、信号等有关周围环境的知识。
凡是物质的形态、特性在时间或空间上的变化，以及人类社会的各种活动都会产生信息。
千万年来啊，人类用自己的感觉器官---眼睛啊、鼻子啊、手啊等等吧---从客观世界获取各种信息，如语言、文字、图象、颜色、声音、自然景物信息等等，可以说，我们是生活在信息的海洋之中，因此获取信息的活动是人类最基本的活动之一。
而且从某种意义上说，信息交换也是人类得以成为人类的重要原因。
那么，什么是消息呢？所谓消息，是指用来表达信息的某种客观对象，如电话中的声音，电视中的图象，雷达的目标距离、高度、方位等参量都是消息。
在我们得到一个消息之后，可能得到一定的信息，而我们所得到的信息与我们在得到消息前以及得到消息后对某一事件的无知程度无关。
因此，我们可把信息与消息在含义上的区别概括为：信息是消息中不确定性的消除（也就是该消息给予受信者的新知识），消息就是知道了的信息。
大家还可以自己举例，说明哪些是消息。
下面，进一步的，什么是信号呢？所谓信号，是带有信息的某种物理量，如电信号，光信号，声音信号等。
因此，信号是指消息的表现形式，而消息则是信号的具体内容。
消息的传送一般都不是直接的，而必须借助于一定形式的信号才能便于传输和进行各种处理。
电路基础原理电路中的比较器与信号处理
电路基础原理电路中的比较器与信号处理在电路设计中，比较器是一种关键元件，它用于将电压或电流信号进行比较，并根据比较结果产生相应的输出信号。
比较器广泛应用于模拟电路和数字电路中，起着不可或缺的作用。
一、比较器的原理及分类比较器一般由运算放大器构成，基于运算放大器的放大性能和非线性特点进行设计。
运算放大器的输入分为正向输入和反向输入，正向输入为比较器的输入信号源，反向输入为参考电平。
当正向输入信号高于参考电平时，输出信号为高电平；当正向输入信号低于参考电平时，输出信号为低电平。
根据比较器的应用场景和性能要求，可分为模拟比较器和数字比较器。
模拟比较器主要用于模拟电路中，对输入电压进行比较和放大处理；数字比较器主要用于数字电路中，对输入信号进行逻辑判断和转换。
二、比较器的应用比较器在电子电路中有着广泛的应用。
在模拟电路中，比较器可以使用运算放大器构成的Schmitt触发器，用于判断信号的高低电平，从而实现信号的幅度调整和阈值判定。
在数字电路中，比较器用于比较两个数字信号的大小关系，并输出相应的逻辑电平。
在信号处理中，比较器也扮演着重要的角色。
在信号采集和检测中，比较器可以将输入信号与参考电平进行比较，产生数字输出，从而实现对信号的检测和处理。
例如在ADC（模数转换器）中，比较器用于将模拟输入信号与内部参考电平进行比较，根据比较结果产生数值信号输出。
三、比较器的性能指标在设计比较器时，需考虑以下几个性能指标：响应时间、输入偏置电流、输入偏置电压、动态范围和功耗。
响应时间是比较器响应输入信号变化的时间，一般来说，响应时间越短越好。
输入偏置电流和输入偏置电压用于描述比较器对输入信号的敏感程度，低偏置电流和输入偏置电压可提高比较器的灵敏度和稳定性。
动态范围是指比较器能够正常工作的输入电压范围，通常越大越好。
功耗是比较器消耗的电能，要尽可能降低功耗以提高电路的效能和工作时间。
综上所述，比较器是电路设计中不可或缺的一环，它能够将电压或电流信号进行比较并产生相应的输出信号。
信号与系统列写四种常用的系统分类方式
一、根据系统的线性特性分类在信号与系统的研究中，线性系统是一个重要的概念。
线性系统具有加性和齐次性质，即当输入信号发生变化时，输出信号也按比例变化。
根据系统的线性特性可以将系统分为以下四种常用的分类方式：1.1、时不变系统：时不变系统是指系统的参数在时间上不随时间变化，即系统的输出只取决于输入的当前值，而与输入的时间点无关。
时不变系统具有很好的稳定性和预测性，能够准确地描述系统的响应特性。
1.2、线性时不变系统：线性时不变系统是指系统同时具有线性和时不变的特性。
线性时不变系统具有简单的数学描述和分析方法，是信号与系统理论中的重要研究对象。
1.3、因果系统：因果系统是指系统的输出只取决于过去和当前的输入值，而与未来的输入值无关。
因果系统具有因果传递性和因果去极限性，能够较好地模拟真实世界的物理过程。
1.4、稳定系统：稳定系统是指系统的输出在有限时间内始终保持在有界范围内，不会发散或趋向无穷大。
稳定系统具有很好的可控性和可观测性，是工程实际中常用的系统类型。
二、根据系统的频率特性分类除了根据系统的线性特性分类外，还可以根据系统的频率特性进行分类，常见的分类方式包括：2.1、时变系统：时变系统是指系统的参数随时间或输入信号的频率变化而变化。
时变系统具有较复杂的动态特性和数学描述，需要使用高级的数学工具进行分析和求解。
2.2、全通系统：全通系统是指系统对所有频率的信号都具有相同的增益和相位延迟，不对信号的频率进行衰减或增强。
全通系统能够保持输入信号的各个频率成分的相对比例，具有较好的频率响应特性。
2.3、低通系统：低通系统是指系统只允许低于一定频率的信号通过，而高于该频率的信号则被衰减或阻塞。
低通系统广泛应用于滤波器和调制解调器中，用于去除高频噪声和保留低频信号。
2.4、高通系统：高通系统是指系统只允许高于一定频率的信号通过，而低于该频率的信号则被衰减或阻塞。
高通系统在通信系统和音频处理中具有重要应用，用于去除低频噪声和保留高频信号。
现代信号处理
R x(y)E {x(t)y*(t)}
互协方差函数
C x(y ) E {x ( [ t)x ]y ( [ t )y ] * } Rxy()x*y
互相关系数
xy()
Cxy()
Cxx(0)Cyy(0)
主要性质
1.对零均值随机信号，相关函数与协方差函数
非平稳即不具有广义平稳。 例1.1.1
随机信号的遍历性
均方遍历：一个平稳信号，其n阶矩及较
低阶的所有矩都与时间无关，对所k 有1, ,n
和所有整数 t1,,tk ，恒有
N l i E m 2 N 1 1t N N x (t t1) x (t tk)(t1, ,tk)2 0
及 ，其k阶矩有界，并满足
( t 1 , ,t k ) ( t 1 , ,t k )
广义平稳（协方差平稳、弱平稳）：均值为常 数，二阶矩有界，协方差函数与时间无关。
严格平稳：概率密度函数与时间无关。
3者关系 广义平稳是n=2的n阶平稳； 严格平稳一定广义平稳，反之则不一定；
等价
2. 0 时，自相关函数退化为二阶矩
Rxx(0)E{x(t)2}
3. 0时，协方差函数退化为方差 Cx(x0)Rx(x0)x2
4. R* xx()Rxx() 5. C* xx()Cxx() 6. C x(x)C x(x 0),
R* xy()Ryx()
白噪声
互功率谱密度
定义
P x(yf) Cx(y )ej2fd
互功率谱的实部称为同相谱，虚部称为正交谱。
相干函数
定义 C(f) Pxy(f)
特点
生物医学信号处理方法概述
生物医学信号处理方法概述作者：何琳郭静玉胡志刚来源：《科技资讯》 2012年第11期何琳郭静玉胡志刚(河南科技大学河南洛阳 471003)摘要:生物医学信号是人体生命信息的集中体现,深入进行生物医学信号检测与处理的理论与方法的研究对于认识生命运动的规律、探索疾病预防与治疗的新方法都具有重要的意义。
关键词:生物医学信号信号检测信号处理中图分类号:TN911 文献标识码:A 文章编号:1672-3791(2012)04(b)-0250-011 概述1.1 生物医学信号及其特点生物医学信号是一种由复杂的生命体发出的不稳定的自然信号,属于强噪声背景下的低频微弱信号,信号本身特征、检测方式和处理技术,都不同于一般的信号。
生物医学信号可以为源于一个生物系统的一类信号,这些信号通常含有与生物系统生理和结构状态相关的信息。
生物医学信号种类繁多,其主要特点是:信号弱、随机性大、噪声背景比较强、频率范围一般较低,还有信号的统计特性随时间而变,而且还是非先验性的。
1.2 生物医学信号分类按性质生物信号可分为生物电信号(Bioelectric Signals),如脑电、心电、肌电、胃电、视网膜电等;生物磁信号(Biomagnetic Signals),如心磁场、脑磁场、神经磁场;生物化学信号(Biochemical Signals),如血液的pH值、血气、呼吸气体等;生物力学信号(Biomechanical Signals),如血压、气血和消化道内压和心肌张力等;生物声学信号(Bioacoustic Signal),如心音、脉搏、心冲击等。
按来源生物医学信号可大致分为两类:(1)由生理过程自发产生的主动信号,例如心电(ECG)、脑电(EEG)、肌电(EMG)、眼电(EOG)、胃电(EGG)等电生理信号和体温、血压、脉博、呼吸等非电生信号;(2)外界施加于人体、把人体作为通道、用以进行探查的被动信号,如超声波、同位素、X射线等。
信号分析与处理的基本概念
应用
雷达信号处理、通信信号处理、机械故障诊断等。
其他时频分析方法简介
S变换
结合短时傅里叶变换和小波变换的优点，通 过可调高斯窗函数实现多分辨率分析。
希尔伯特-黄变换（HHT）
基于经验模态分解（EMD）和希尔伯特变换的时频分 析方法，适用于非线性、非平稳信号分析。
稀疏时频分析
利用信号的稀疏性，通过优化算法求解信号 的时频表示，提高时频分辨率和降噪能力。
01
02
03
信号的幅度和相位
描述信号在不同时刻的振 动幅度和相位信息。
信号的周期和频率
反映信号重复出现的周期 和频率特性。
信号的波形形状
包括正弦波、方波、锯齿 波等，反映信号的形状特 征。
时域特征参数提取
均值
表示信号的平均水平。
方差
描述信号幅度的波动程度。
峰值和峰峰值
反映信号的最大和最小幅度。
有效值和均方根值
滤波与增强在图像处理中的作用
改善图像质量、提高目标识别和检测能力等。
语音识别中特征提取和模式匹配技术
01
特征提取技术
从语音信号中提取出反映语音特征的关键参数，如梅尔频率 倒谱系数（MFCC）、线性预测系数（LPC）等。
02 03
模式匹配技术
将提取的语音特征与预定义的模板或模型进行匹配，实现语 音的识别或分类，包括动态时间规整（DTW）、隐马尔可夫 模型（HMM）等方法。
04 信号时频分析
短时傅里叶变换（STFT）
原理
应用
通过滑动窗口在信号上截取局部片段， 对每个片段进行傅里叶变换，得到信 号的时频表示。
语音信号处理、音乐分析、雷达信号 处理等。
特点
能够同时提供信号的时域和频域信息， 窗口长度和形状可调整以平衡时频分 辨率。
“信号处理”课程中三种信号分析方法的比较
“信号处理”课程中三种信号分析方法的比较张海燕;方勇;彭章友【摘要】How to fully reflect the era information in teaching traditional content is one direction of teaching reform of Signal Processing courses. For a typical non-stationary signal, we use Fourier transform, wavelet transform and Hilbert Huang transform （referred to as HHT） to analyze and compare. The results show that the respective characteristic and using limitation of three methods, better reflecting the mutual integration between the classical theory and the latest technology, and achieving a good teaching effectiveness.%“信号处理”课程教学改革的一个方向是在讲授本科生“信号系统”和“数学信号处理”课程的传统内容的过程中能充分体现时代信息。
本文通过对一个典型非平稳信号应用傅里叶变换、小波变换和希尔伯特黄变换三种方法进行频谱分析的比较，说明了三种方法各自的特点及使用局限性，体现了经典理论与最新技术引入之间的相互融合，达到了良好的教学效果。
【期刊名称】《电气电子教学学报》【年(卷),期】2011(033)005【总页数】3页(P15-17)【关键词】信号处理;傅里叶变换;小波变换;希尔伯特黄变换【作者】张海燕;方勇;彭章友【作者单位】上海大学通信与信息工程学院,上海200072;上海大学通信与信息工程学院,上海200072;上海大学通信与信息工程学院,上海200072【正文语种】中文【中图分类】TN911.7小波分析、希尔伯特黄变换HHT(Hilbert Huang Transform)在数学、信号分析、地震勘探数据处理和机械故障诊断等许多领域已取得了具有科学意义和应用价值的重要成果。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
信号处理与分类比较
一、Wigner-Ville
Wigner-Ville 分布（WVD）是分析非平稳信号的工具，能够反映其在时间-频率上的能量密度分布特征。
Wigner-Ville 分布利用信号的时频二维分布进行非平稳信号（如声音信号）的幅频时间变化关系的描述。
Wigner-Ville 分布属于非线性时频分析方法，与STFT 变换相比，特别是在非平稳信号方面不仅具有较为理想的时频聚集性，并且还可以体现信号在时间-频率面内的能量密度分布特征，然而，仅仅是该平面任意一个位置的值，假如其结果为负，就不能代表该处的能量，因为能量必须为正值。
Cohen 发现可以用统一的形式将众多的时频分布描述出来，并将这类时频分布的统一表达形式描述为如下，因此被称为Cohen 类时频分布。
式中的被称为核函数。
通过与Wigner 变换相比较可知二者之间有如下关系：Cohen 时频分布是把核函数引入到前者，也就是说引入了窗函数，可以减弱交叉项在信号分析时产生的带来不良影响。
时频分布的统一表达式是Cohen 提出的，并且Cohen 类时频分布的种类可以依据核函数的类型进行划分。
从基本形式可以看出，当=1，Cohen 时频变换是一个Wigner 变换。
如果则其对应的时频变换被称为Born-Jordan 时频变换。
Born-Jordan 分布不仅可以很好的抑制交叉项而且对声音信号有着较高的时间分辨率与频率分辨率。
Born-Jordan 分布便是Cohen 类时频分布的其中一种,相应的Born-Jordan分布定义式为：
虽然短时傅立叶变换具有时频域定位功能，但是短时傅立叶变换关键是依据某个特定窗函数进行时频分析，一旦确定窗函数，其窗口大小、形状固定不变，因此短时傅立叶变换分辨率是固定的，同时导致时间和频率分辨率也会保持恒定值，进而无法描述信号时频局域特征，而非平稳信号最重要的特性正是时频局域特征。
WVD 有大量优点，其中包括较佳的时频聚集性，但是WVD 也存在缺点，最主要的不足是它属于双线性时频变换，因此做WVD 变换时，如果是多分量信号的情况下必然会产生交叉项，最终引入干扰信号，某些极端情况下交叉项的幅值大小甚至会远超过原始信号的幅值大小，这就会导致信号的分析结果出现偏差。
二、小波分析
小波分析是一种窗口面积固定但其形状可改变，即时间和频率窗都可改变的时频局部化分析方法，由于它在分解的过程中对低频信号再分解，在高频信号有较低的频率分辨率和较高的时间分辨率，使得它的频率分辨率随频率升高而降低。
小波变换的公式为：
利用小波包分析可以对信号分析更加精细，小波包分析可以将时频平面划分的更为细致，对信号的高频部分的分辨率要好于小波分析，可以根据信号的特征，自适应的选择最佳小波基函数，进行更好的对信号进行分析。
三、希尔伯特黄变换
Wigner-ville分布存在严重的交叉干扰项问题，小波变换存在过分依赖小波基选取和能量泄露等限制。
针对Fourier 分析理论对非线性、非平稳信号的局限性，以及瞬时频率计算对信号“单一性”的需求，黄鄂院士等研究提出了一种适合非线性、非平稳信号的新型分析处理方法—HHT。
EMD 是HHT 的关键步骤，可以视为获取IMF 的筛选过程。
HHT方法由经验模式分解（EMD）和Hilbert变换两部分的组成。
EMD分解将待分析信号分解为若干个固有模式函数（IMF），又称IMF分量。
IMF分量能够克服Hilbert 变换存在负值频率的问题，得到具有物理意义的正数瞬时频率，从而实现准确的时频分析。
由于IMF分量几乎是单频成分，可以根据IMF分量从非线性、非平稳信号中计算所
有瞬时频率，且每个瞬时频率的局部能量可以通过希尔伯特变换计算得到。
HHT方法的不足之处在于HHT方法在EMD分解过程中存在着包络拟合、模态混叠、端点效应和虚假IMF分量等问题，导致HHT方法最终分析结果存在一定的误差。
采用将小波包分解与HHT方法结合，来对HHT进行改进。
对小波包进行分解与重构，会得到不同频段的窄带信号，对每个窄带信号做EMD分解得到若干个IMF分量。
筛选IMF分量，对原始信号与各IMF分量做归一化处理，计算各IMF分量与原始信号间的，根据筛选指标反映信号特征的真实IMF分量，将IMF按照频率由高到低的顺序排列。
对真实的IMF分量做Hillbert变换，得到信号的瞬时属性。
四、模式分类方法
由于计算机和人工智能技术在声信息识别领域突飞猛进的发展，模式分类方法也在不断诞生，主要有以下几种：
统计模式分类法：它在早期就已经被提出，至今其理论体系已较为完善，是以贝叶斯理论为基础，获得每个类别的特征向量分布，来完成分类的方法。
它属于监督分类方法，比较适合解决类别数量有限并且已知类别概率分布的分来问题。
支持向量机（SVM）分类法：是由Vapnik 等人在1995 年提出来的，它属于机器学习中的监督学习模型。
它于分析处理小样本、高维数据和非线性等方面里有着诸多优点，而且还能应用于克服机器学习方面的相关难题。
支持向量机理论基础属于统计学习理论，特别是其中的VC 维理论和结构风险最小化原理，主要是对经验风险和推广的置信界限进行折衷考虑，取得实际期望风险最小化，即根据现有的已知样本来找到降低模型复杂度和降低模型测试误差两方面最合适的平衡点，达到泛化能力最优的目的。
机器学习分类法：是处理模式分类问题理论中的一种，让机器来模拟人的学习过程，特别是对经验的学习而不断的自我纠正的人工智能算法。
分类问题是机器学习研究的主要范畴之一，在模式分类问题中，机器学习的经过其实是一个搜寻最优分类器的运算过程，能够应用已知的分类模型，对未知的类别进行分类。
最具有代表性的就是决策树法，简便较易理解，能够忽略的异常值。
其缺点是计算量较大，并且不能提现数据的包含的信息特征。
神经网络模式分类法：它是受到人类大脑的工作机理的启迪而提出的，是由一些存在关联的节点而构成的网络计算模型。
对一个样本集来说，整个网络的输出结果受到节
点的激励函数和它们间权重的影响。
它虽然具备自学习能力，并能够快速找到最优解，但是其预测、训练能力之间存在过拟合问题，并且它对样本的依赖性太强。