模式分類(lèi)廣泛存在于工程實(shí)際中，一個(gè)模式分類(lèi)系統(tǒng)的好壞，首先與所選特征能否較好地反映將要研究的問(wèn)題密切相關(guān)。因此，設(shè)計(jì)和獲取特征是設(shè)計(jì)模式分類(lèi)系統(tǒng)的第一步。很多情況下，我們可能已經(jīng)得到了一組特征，這些特征中可能有很多特征與要解決的問(wèn)題并不密切，在后續(xù)的分類(lèi)器設(shè)計(jì)中可能會(huì)影響分類(lèi)器的性能。另一方面，有時(shí)很多特征都與分類(lèi)問(wèn)題密切，但特征過(guò)多會(huì)造成計(jì)算量大、推廣能力差等問(wèn)題，很多方法可能會(huì)無(wú)法計(jì)算，因此需要在保證分類(lèi)效果的前提下，選擇盡可能少的特征來(lái)分類(lèi)。
　　特征提取與選擇的基本任務(wù)是研究如何從眾多的特征中求出那些對(duì)分類(lèi)識(shí)別最有效的特征，從而實(shí)現(xiàn)特征空間維數(shù)的壓縮。特征提取和選擇方法很多，有基于可分性判據(jù)的特征選擇、基于誤判概率的特征選擇、離散K-L變換法、基于決策界的特征選擇、基于矩陣分解的特征提取、基于神經(jīng)網(wǎng)絡(luò)的自動(dòng)特征提取等方法，這些方法各有優(yōu)缺點(diǎn)。一個(gè)大型復(fù)雜系統(tǒng)如果發(fā)生故障，必然表現(xiàn)在其某些指標(biāo)的檢測(cè)數(shù)據(jù)發(fā)生異常，反映數(shù)據(jù)本質(zhì)屬性的特征信息必然發(fā)生變化。如何快速有效地提取系統(tǒng)輸出信號(hào)中所包含的特征信息是大型復(fù)雜系統(tǒng)故障診斷與預(yù)測(cè)等領(lǐng)域需要解決的關(guān)鍵技術(shù)之一。
　　哪些信息是系統(tǒng)的特征信息？如何描述這些特征信息？如何及時(shí)發(fā)現(xiàn)并從大量復(fù)雜的數(shù)據(jù)信息中提取有用的特征信息？如何應(yīng)用這些特征信息？這些問(wèn)題都是現(xiàn)代信息科學(xué)與技術(shù)各學(xué)科，如電子、通信、自動(dòng)控制、計(jì)算機(jī)、系統(tǒng)工程、模式識(shí)別、信號(hào)處理等面臨的帶有共性的問(wèn)題。
　　筆者一直從事隨機(jī)系統(tǒng)信號(hào)處理、自動(dòng)控制、神經(jīng)網(wǎng)絡(luò)和模式識(shí)別的學(xué)術(shù)、科研、教學(xué)和工程應(yīng)用等研究工作。近20年來(lái)，在多個(gè)國(guó)家自然科學(xué)基金課題的支持下，我們?cè)谔卣餍畔⑸窠?jīng)網(wǎng)絡(luò)提取、數(shù)據(jù)驅(qū)動(dòng)特征建模等方面取得了一系列研究成果，并已將它們發(fā)表在IEEE神經(jīng)網(wǎng)絡(luò)與學(xué)習(xí)系統(tǒng)、信號(hào)處理、工業(yè)電子等匯刊上。盡快將這些研究成果介紹給讀者，推動(dòng)我國(guó)信息科學(xué)與技術(shù)領(lǐng)域隨機(jī)系統(tǒng)估計(jì)理論研究的發(fā)展，是作者撰寫(xiě)該書(shū)的目的和動(dòng)力。