现代模式识别(第二版)

本书系统深入地论述了各类经典的模式识别的理论与方法,同时还较全面地反映了本学科的新近科技成果｡本书讨论的主流模式识别技术有:统计模式识别､模糊模式识别､神经网络技术､人工智能方法､子空间模式识别及结构模式识别等｡

全书共17章｡第一章为引论;第二章至第七章介绍统计模式识别,包括:聚类分析､判别域代数界面方程法､统计判决､统计决策中的学习与错误率估计､最近邻法和特征提取与选择;第八章为模糊模式识别方法;第九章介绍神经网络技术;第十章信息融合主要论述识别与决策中的有关融合技术;第十一章为结构模式识别;第十二章智能化方法侧重讨论不确定推理;第十三章阐述决策树;第十四章论述支持矢量机;第十五章讨论隐马尔可夫模型识别方法;第十六章为子空间模式识别方法;第十七章介绍最小风险设计｡

本书可供电子科学与技术､信息与通信工程､控制科学与工程､计算机科学与技术及其他领域的有关专业和研究方向的研究生､本科高年级学生作为关于信息分析､检测､识别的教材或教学参考书,也可以供相关专业的科研人员参考｡

目录
- 前辅文
- 第一章绪论
  - 1.1 概述
  - 1.2 特征矢量和特征空间
  - 1.3 随机矢量的描述
  - 1.4 正态分布
  - 参考文献
- 第二章聚类分析
  - 2.1 聚类分析的概念
  - 2.2 模式相似性测度
  - 2.3 类的定义与类间距离
  - 2.4 准则函数
  - 2.5 聚类的算法
  - 文献简评应用简介
  - 习题
  - 上机练习
  - 参考文献
- 第三章判别域代数界面方程法
  - 3.1 用判别域界面方程分类的概念
  - 3.2 线性判别函数
  - 3.3 判别函数值的鉴别意义､权空间及解空间
  - 3.4 Fisher线性判别
  - 3.5 线性可分条件下判别函数的权矢量算法
  - 3.6 一般情况下的判别函数权矢量算法
  - 3.7 线性规划方法
  - 3.8 线性二分能力
  - 3.9 广义线性判别函数
  - 3.10 二次判别函数
  - 3.11 分段线性判别函数
  - 3.12 位势函数分类法
  - 3.13 支持矢量机简介
  - 3.14 最小最大概率机
  - 文献简评应用简介
  - 习题
  - 上机练习
  - 参考文献
- 第四章统计判决
  - 4.1 最小误判概率准则判决
  - 4.2 最小损失准则判决
  - 4.3 最小最大损失准则
  - 4.4 N-P(Neyman-Pearson)判决
  - 4.5 序贯判决(SPRD)
  - 4.6 Fisher准则判决
  - 4.7 特征数据缺损或被噪声污染下的Bayes判决
  - 4.8 批对象的复合判决
  - 文献简评应用简介
  - 习题
  - 上机练习
  - 参考文献
- 第五章统计决策中的学习与错误率估计
  - 5.1 统计推断概述
  - 5.2 参数估计
  - 5.3 Bayes学习
  - 5.4 概密的窗函数估计法
  - 5.5 有限项正交函数级数逼近法
  - 5.6 用位势函数法逼近Bayes判决函数
  - 5.7 随机逼近方法求类的后验概率
  - 5.8 统计决策准则下线性判决函数的训练生成
  - 5.9 错误率估计
  - 5.10 基于平均损失估计的学习及最小误判概率的估计
  - 5.11 无监督估计(盲估计)
  - 5.12 期望最大化算法
  - 5.13 集成学习
  - 文献简评应用简介
  - 习题
  - 上机练习
  - 参考文献
- 第六章最近邻法
  - 6.1 基本的最近邻法
  - 6.2 剪辑最近邻法
  - 6.3 引入拒绝决策的最近邻法
  - 6.4 最近邻法中的最佳距离及其实际计算
  - 文献简评应用简介
  - 习题
  - 参考文献
- 第七章特征提取与选择
  - 7.1 概述
  - 7.2 类别可分性判据
  - 7.3 基于可分性判据进行变换的特征提取与选择
  - 7.4 最佳鉴别矢量的提取
  - 7.5 离散K-L变换及其在特征提取与选择中的应用
  - 7.6 独立成分分析
  - 7.7 基于决策界的特征提取
  - 7.8 特征选择中的直接挑选法
  - 7.9 多维尺度分析
  - 文献简评应用简介
  - 习题
  - 参考文献
- 第八章模糊模式识别
  - 8.1 引言
  - 8.2 普通集合与模糊集合
  - 8.3 普通集合上的关系及有关知识
  - 8.4 模糊关系与模糊变换
  - 8.5 模糊度和特征提取与选择
  - 8.6 模糊识别的基本方法
  - 8.7 基于模糊相似矩阵的分类方法
  - 8.8 模糊C-均值聚类算法
  - 8.9 最大树法模式识别
  - 8.10 几何图形的模糊识别
  - 文献简评应用简介
  - 习题
  - 参考文献
- 第九章基于神经网络的模式识别方法
  - 9.1 人工神经网络的基本知识
  - 9.2 前向型人工神经网络
  - 9.3 BP网的性能和学习改进
  - 9.4 Hopfield网络
  - 9.5 随机神经网络
  - 9.6 自适应共振理论神经网络
  - 9.7 自组织特征映射神经网络
  - 9.8 模糊神经网络
  - 9.9 概率神经网络
  - 9.10 RCE神经网络
  - 文献简评应用简介
  - 习题
  - 上机练习
  - 参考文献
- 第十章信息融合
  - 10.1 概述
  - 10.2 融合技术层次性及融合系统功能模块和结构
  - 10.3 关于信息融合的熵理论
  - 10.4 观测不相关的分布式最小损失准则下的检测与决策融合
  - 10.5 观测相关的决策融合
  - 10.6 N-P准则下的决策融合
  - 10.7 分布式检测决策融合全局最优概述及某些约束条件下最优解
  - 10.8 D-S证据理论的融合算法
  - 文献简评应用简介
  - 习题
  - 参考文献
- 第十一章结构模式识别
  - 11.1 结构模式识别概述
  - 11.2 形式语言
  - 11.3 高维文法与随机文法
  - 11.4 模式的描述
  - 11.5 句法分析
  - 11.6 文法推断
  - 文献简评应用简介
  - 习题
  - 参考文献
- 第十二章智能化方法
  - 12.1 人工智能
  - 12.2 专家系统
  - 12.3 知识的表示
  - 12.4 智能推理技术
  - 12.5 不确定性推理
  - 文献简评应用简介
  - 习题
  - 参考文献
- 第十三章树分类器
  - 13.1 树分类器原理
  - 13.2 树分类器的设计原则
  - 13.3 树分类器的关键技术
  - 13.4 决策树生成算法
  - 文献简评应用简介
  - 习题
  - 上机练习
  - 参考文献
- 第十四章支持矢量机
  - 14.1 最优化的分析方法原理
  - 14.2 最优分类界面
  - 14.3 广义最优分类界面
  - 14.4 最优界面与广义最优界面分类性能的统计特性
  - 14.5 支持矢量机(SVM)
  - 14.6 基于Adaboost的SVM组合
  - 文献简评应用简介
  - 习题
  - 参考文献
- 第十五章基于隐马尔可夫模型识别方法
  - 15.1 一阶马尔可夫模型(MM)
  - 15.2 一阶隐马尔可夫模型(HMM)
  - 15.3 可见序列概率估计
  - 15.4 隐状态估计
  - 15.5 模型参数估计
  - 15.6 隐马尔可夫模型方法模式识别
  - 文献简评应用简介
  - 习题
  - 参考文献
- 第十六章子空间模式识别方法
  - 16.1 概述
  - 16.2 子空间投影
  - 16.3 子空间判别法
  - 16.4 线性回归模型法
  - 16.5 正交子空间法
  - 16.6 Kohonen学习子空间法
  - 16.7 子空间的平均学习法
  - 文献简评应用简介
  - 习题
  - 参考文献
- 第十七章机器统计学习理论
  - 17.1 机器统计学习理论概述
  - 17.2 经验风险最小化设计
  - 17.3 经验风险最小化原则的一致性条件
  - 17.4 最优指示函数判决风险的界
  - 17.5 训练序列的长度和识别率估计精度的关系
  - 17.6 结构风险最小化
  - 文献简评应用简介
  - 习题
  - 参考文献

所在地区	请选择 
详细地址
收货人
联系电话
设为默认	设为默认收货地址