顶部
收藏

模式识别


作者:
周杰、郭振华、张林
定价:
39.00元
ISBN:
978-7-04-058874-3
版面字数:
350.000千字
开本:
16开
全书页数:
暂无
装帧形式:
平装
重点项目:
暂无
出版时间:
2022-11-11
读者对象:
高等教育
一级分类:
计算机/教育技术类
二级分类:
计算机类专业核心课程
三级分类:
人工智能

模式识别是人工智能的重要分支,其理论建立在矩阵论、概率论与数理统计等基础知识之上,其技术在人机交互、自动驾驶、工业制造、医学工程,以及基因技术等方面都发挥着重要作用,具有典型的理论性与实践性紧密结合的特点。本书涵盖统计决策论、线性分类器、概率密度函数估计等基础知识点,注重公式推导,同时将经典算法与前沿技术应用结合起来进行介绍。全书内容共分为13章:绪论、模板匹配、基于统计决策的概率分类方法、线性判别函数、非线性鉴别函数、特征选择与特征提取、统计学习理论及SVM、聚类分析、模糊模式识别法、句法模式识别、人工神经网络、深度学习,以及深度学习在生物特征识别领域的应用。

本书内容系统、案例丰富、阐述翔实,适合作为高等院校自动化类、计算机类、人工智能类等专业本科生、研究生的教材和教学参考书,也可作为高等院校各专业通识教育的教学用书。同时,本书还可供相关领域的科研人员、工程技术人员和管理人员参考阅读。

  • 前辅文
  • 第1章 绪论
    • 1.1 模式和模式识别的概念
    • 1.2 模式识别系统
    • 1.3 模式识别的基本方法
      • 1.3.1 有监督与无监督学习
      • 1.3.2 有监督模式识别方法分类
    • 1.4 关于模式识别的一些基本问题
    • 1.5 关于本书的内容安排
  • 第2章 模板匹配
    • 2.1 模板匹配介绍
      • 2.1.1 模板匹配基本概念
      • 2.1.2 应用举例
      • 2.1.3 相似度度量
      • 2.1.4 分类准则
      • 2.1.5 困难和问题
    • 2.2 变形模板匹配
      • 2.2.1 变形模板基本概念
      • 2.2.2 弹性匹配
      • 2.2.3 变形模板应用
  • 第3章 基于统计决策的概率分类方法
    • 3.1 相关概率基础
    • 3.2 贝叶斯决策
      • 3.2.1 最小错误率贝叶斯决策
      • 3.2.2 最小风险贝叶斯决策
    • 3.3 错误率
      • 3.3.1 错误率的概念
      • 3.3.2 错误率分析
      • 3.3.3 错误率的估计
    • 3.4 聂曼– 皮尔逊决策
    • 3.5 概率密度函数的参数估计
      • 3.5.1 最大似然估计
      • 3.5.2 贝叶斯估计与贝叶斯学习
      • 3.5.3 正态分布密度函数的贝叶斯估计
      • 3.5.4 高斯混合模型与期望最大化算法
    • 3.6 概率密度函数的非参数估计
      • 3.6.1 非参数估计的基本原理和直方图方法
      • 3.6.2 kN 近邻估计方法
      • 3.6.3 Parzen 窗法
  • 第4章 线性判别函数
    • 4.1 判别函数
      • 4.1.1 判别函数的定义
      • 4.1.2 判别函数的确定
    • 4.2 线性判别函数
      • 4.2.1 二分类问题的线性判别函数
      • 4.2.2 多分类问题的线性判别函数
    • 4.3 广义线性判别函数
      • 4.3.1 二次判别函数
      • 4.3.2 广义线性判别函数
      • 4.3.3 广义线性判别函数的维数灾难问题
    • 4.4 线性判别函数的几何性质
      • 4.4.1 二分类问题的线性判别函数的几何性质
      • 4.4.2 多分类问题的线性判别函数的几何性质
    • 4.5 感知器算法
      • 4.5.1 神经元与感知器
      • 4.5.2 感知器算法描述
    • 4.6 梯度法
      • 4.6.1 梯度下降法
      • 4.6.2 随机梯度下降法最小化感知器损失函数
    • 4.7 最小平方误差算法
  • 第5章 非线性鉴别函数
    • 5.1 多类情况
      • 5.1.1 处理多类情况的常见方法
      • 5.1.2 线性机实例
    • 5.2 决策树
      • 5.2.1 树和决策树定义
      • 5.2.2 二叉树分类树
      • 5.2.3 一般分类树
      • 5.2.4 决策树的特点
      • 5.2.5 随机森林
    • 5.3 分段线性鉴别函数
      • 5.3.1 基于距离的分段线性鉴别函数
      • 5.3.2 一般的分段线性鉴别函数
    • 5.4 最近邻规则
      • 5.4.1 样本距离的衡量
      • 5.4.2 k 近邻规则
      • 5.4.3 近邻规则的快速算法
    • 5.5 子空间模式识别
      • 5.5.1 基本思想
      • 5.5.2 线性变换方法——主成分分析
      • 5.5.3 非线性变换方法——核主成分分析
      • 5.5.4 基本分类规则
  • 第6章 特征选择与特征提取
    • 6.1 基本概念
    • 6.2 类别可分性测度
    • 6.3 特征选择
      • 6.3.1 遗传算法
      • 6.3.2 模拟退火算法
    • 6.4 特征归一化
    • 6.5 基于K-L 变换的特征提取
      • 6.5.1 基于类内散度矩阵的单类模式特征提取
      • 6.5.2 基于K-L 变换的多类模式特征提取
    • 6.6 其他子空间特征提取方法
      • 6.6.1 独立成分分析
      • 6.6.2 线性判别分析
      • 6.6.3 核方法
    • 6.7 特征提取的相关应用
  • 第7章 统计学习理论及SVM
    • 7.1 统计学习理论
      • 7.1.1 经验风险最小化原则
      • 7.1.2 学习一致性及条件
      • 7.1.3 函数的学习性能与VC维
      • 7.1.4 推广性的界
      • 7.1.5 结构风险最小化原则
    • 7.2 支持向量机(SVM)
      • 7.2.1 SVM 基础
      • 7.2.2 线性可分下的SVM
      • 7.2.3 核函数
      • 7.2.4 SVM 讨论
    • 7.3 支持向量回归(SVR)
      • 7.3.1 线性回归
      • 7.3.2 SVR 原理
    • 7.4 讨论
  • 第8章 聚类分析
    • 8.1 无监督学习的基本概念
      • 8.1.1 基本思想
      • 8.1.2 聚类分析定义
      • 8.1.3 聚类分析流程与应用
    • 8.2 相似性/距离概念
      • 8.2.1 常见距离度量
      • 8.2.2 距离度量的不变性分析
      • 8.2.3 常见相似性度量
    • 8.3 聚类准则
      • 8.3.1 最小误差平方和准则
      • 8.3.2 相关最小方差准则
      • 8.3.3 散度准则
    • 8.4 简单聚类算法
      • 8.4.1 最小距离聚类算法
      • 8.4.2 最远距离聚类算法
      • 8.4.3 最大最小距离聚类算法
    • 8.5 层次聚类法
      • 8.5.1 层次聚类的定义
      • 8.5.2 基于合并的层次聚类
      • 8.5.3 逐步优化的层次聚类
      • 8.5.4 层次聚类的评估
    • 8.6 动态聚类法
      • 8.6.1 K 均值聚类
      • 8.6.2 ISODATA 算法
      • 8.6.3 核聚类
    • 8.7 基于密度峰值聚类算法
    • 8.8 聚类结果的评价
    • 8.9 聚类算法的应用
  • 第9章 模糊模式识别法
    • 9.1 隶属度函数
      • 9.1.1 背景介绍
      • 9.1.2 隶属度函数
      • 9.1.3 模糊子集
      • 9.1.4 模糊集基本操作
    • 9.2 模糊特征和模糊分类
      • 9.2.1 模糊化的特征
      • 9.2.2 分类结果的模糊化
    • 9.3 特征的模糊评估
      • 9.3.1 模糊距离
      • 9.3.2 模糊集的模糊度
      • 9.3.3 模糊集的熵模糊度
      • 9.3.4 模糊集的π 度
    • 9.4 模糊K 均值聚类
      • 9.4.1 模糊K 均值聚类算法
      • 9.4.2 改进算法
    • 9.5 模糊k 近邻分类器
    • 9.6 本章 小结
  • 第10章 句法模式识别
    • 10.1 句法模式识别概述
    • 10.2 形式语言的基本概念
      • 10.2.1 基本定义
      • 10.2.2 文法分类
    • 10.3 模式的描述方法
      • 10.3.1 基元的选择
      • 10.3.2 链描述法
      • 10.3.3 树描述法
      • 10.3.4 扩展树文法
    • 10.4 文法推断
      • 10.4.1 余码文法的推断
      • 10.4.2 扩展树文法推断
    • 10.5 句法分析
      • 10.5.1 参考匹配法
      • 10.5.2 填充树图法
      • 10.5.3 CYK 分析法
      • 10.5.4 厄利分析法
    • 10.6 句法结构的自动机识别
      • 10.6.1 有限态自动机和正则文法
      • 10.6.2 下推自动机与上下文无关文法
    • 10.7 串匹配
      • 10.7.1 暴力匹配法
      • 10.7.2 模式记忆法
      • 10.7.3 BM 算法
    • 10.8 图匹配
      • 10.8.1 最大流法
      • 10.8.2 匈牙利算法
    • 10.9 隐马尔可夫模型
    • 10.10 条件随机场
      • 10.10.1 马尔可夫随机场
      • 10.10.2 条件随机场
      • 10.10.3 条件随机场的学习算法
    • 10.11 句法模式识别的应用
  • 第11章 人工神经网络
    • 11.1 神经网络介绍
    • 11.2 前馈操作和分类
      • 11.2.1 三层神经网络
      • 11.2.2 通用前馈操作
      • 11.2.3 多层神经网络的表达能力
    • 11.3 后向传播算法
      • 11.3.1 神经网络学习
      • 11.3.2 训练方法
      • 11.3.3 学习曲线
    • 11.4 错误平面
    • 11.5 特征映射
    • 11.6 Bayes 理论和概率
    • 11.7 后向传播的实用技巧
      • 11.7.1 激活函数
      • 11.7.2 sigmoid 参数
      • 11.7.3 输入数据的尺度变换
      • 11.7.4 目标值
      • 11.7.5 带噪声的训练
      • 11.7.6 制造数据
      • 11.7.7 隐层单元数目
      • 11.7.8 初始化权值
      • 11.7.9 学习率
      • 11.7.10 动量
      • 11.7.11 权值衰减
      • 11.7.12 带暗示的学习
      • 11.7.13 训练策略
      • 11.7.14 训练停止
      • 11.7.15 隐层数目
      • 11.7.16 评价函数
    • 11.8 RBF 网络
    • 11.9 递归网络
    • 11.10 级联网络
    • 11.11 神经网络的应用
      • 11.11.1 环境科学与工程
      • 11.11.2 地下水文预测
  • 第12章 深度学习
    • 12.1 引言
    • 12.2 深度堆栈自编码网络
    • 12.3 深度卷积网络
      • 12.3.1 卷积与神经网络
      • 12.3.2 卷积神经网络中的卷积
      • 12.3.3 池化
      • 12.3.4 常见的卷积神经网络结构
    • 12.4 深度生成网络
      • 12.4.1 生成对抗网络
      • 12.4.2 GAN 的应用
    • 12.5 深度学习平台
      • 12.5.1 Caffe 平台
      • 12.5.2 TensorFlow 平台
      • 12.5.3 Keras 平台
      • 12.5.4 PyTorch 平台
      • 12.5.5 PAI 平台
    • 12.6 深度学习与非深度学习方法结合
  • 第13章 模式识别在生物特征识别中的应用
    • 13.1 人脸识别
      • 13.1.1 人脸识别发展历史
      • 13.1.2 人脸识别主要方法
      • 13.1.3 人脸识别应用
    • 13.2 指纹识别
      • 13.2.1 指纹识别发展历史
      • 13.2.2 指纹识别主要方法
      • 13.2.3 指纹识别应用
    • 13.3 虹膜识别
      • 13.3.1 虹膜识别发展历史
      • 13.3.2 虹膜识别主要方法
      • 13.3.3 虹膜识别应用
    • 13.4 其他生物特征识别
      • 13.4.1 声音识别
      • 13.4.2 步态识别
      • 13.4.3 静脉识别
      • 13.4.4 掌纹识别
    • 13.5 生物特征识别训练平台
  • 参考文献

“模式识别”数字课程与纸质教材一体化设计,紧密配合。数字课程包含电子教案及相关素材,拓展了教材内容。在提升课程教学效果的同时,为学生学习提供思维与探索的空间。

相关图书