模式识别-(第四版)

本书特色

[

本书全面阐述了模式识别的基础理论、*新方法以及各种应用。讨论了贝叶斯分类、贝叶斯网络、线性和非线性分类器设计、特征生成、特征选取技术、学习理论的基本概念以及聚类概念与算法。与前一版相比，增加了大数据集和高维数据相关的*新算法，提供了*新的分类器和鲁棒回归的核方法。新增一些热点问题，如非线性降维、非负矩阵因数分解、关联性反馈、鲁棒回归、半监督学习、谱聚类和聚类组合技术。每章均提供有习题与练习，用MATLAB求解问题，给出一些例题的多种求解方法；且支持网站上提供有习题解答，以便于读者增加实际经验。

]

内容简介

[

本书在完美地合当前的理论与实践的基础上，讨论了贝叶斯分类、贝叶斯网络、线性和非线性分类器设计、上下文相关分类、特征生成、特征选取技术、学习理论的基本概念以及聚类概念与算法。

]

作者简介

[

李晶皎：东北大学信息学院教授，博士生导师。一直从事教学和科研工作，主要研究方向为模式识别、语音信号处理、计算机系统结构、嵌入式系统等。
Sergios Theodoridis：希腊雅典大学物理学学士、英国伯明翰大学信号处理与通信硕士和博士。希腊雅典大学信息与通信系教授，其4篇论文获IEEE神经网络会刊卓越论文奖，IET和IEEE高级会士。
Konstantinos Koutroumbas：希腊佩特雷大学计算机学士、英国伦敦大学计算机硕士、希腊雅典大学计算机博士。希腊雅典国家天文台空间应用与遥感研究院研究员，国际知名专家。

]

目录

目 录第1章 导论 11.1 模式识别的重要性 11.2 特征、特征向量和分类器 31.3 有监督、无监督和半监督学习 41.4 MATLAB程序 61.5 本书的内容安排 6第2章 基于贝叶斯决策理论的分类器 82.1 引言 82.2 贝叶斯决策理论 82.3 判别函数和决策面 122.4 正态分布的贝叶斯分类 132.5 未知概率密度函数的估计 232.6 *近邻规则 42目 录第1章 导论 11.1 模式识别的重要性 11.2 特征、特征向量和分类器 31.3 有监督、无监督和半监督学习 41.4 MATLAB程序 61.5 本书的内容安排 6第2章 基于贝叶斯决策理论的分类器 82.1 引言 82.2 贝叶斯决策理论 82.3 判别函数和决策面 122.4 正态分布的贝叶斯分类 132.5 未知概率密度函数的估计 232.6 *近邻规则 422.7 贝叶斯网络 44习题 49MATLAB编程和练习 55参考文献 60第3章 线性分类器 633.1 引言 633.2 线性判别函数和决策超平面 633.3 感知器算法 643.4 *小二乘法 703.5 均方估计的回顾 753.6 逻辑识别 803.7 支持向量机 81习题 97MATLAB编程和练习 99参考文献 100第4章 非线性分类器 1044.1 引言 1044.2 异或问题 1044.3 两层感知器 1054.4 三层感知器 1084.5 基于训练集准确分类的算法 1094.6 反向传播算法 1104.7 反向传播算法的改进 1154.8 代价函数选择 1174.9 神经网络大小的选择 1194.10 仿真实例 1234.11 具有权值共享的网络 1244.12 线性分类器的推广 1254.13 线性二分法中l维空间的容量 1264.14 多项式分类器 1274.15 径向基函数网络 1294.16 通用逼近 1314.17 概率神经元网络 1324.18 支持向量机：非线性情况 1344.19 超越SVM的范例 1374.20 决策树 1464.21 合并分类器 1504.22 合并分类器的增强法 1554.23 类的不平衡问题 1604.24 讨论 161习题 161MATLAB编程和练习 164参考文献 168第5章 特征选择 1785.1 引言 1785.2 预处理 1785.3 峰值现象 1805.4 基于统计假设检验的特征选择 1825.5 接收机操作特性（ROC）曲线 1875.6 类可分性测量 1885.7 特征子集的选择 1935.8 *优特征生成 1965.9 神经网络和特征生成/选择 2035.10 推广理论的提示 2045.11 贝叶斯信息准则 210习题 211MATLAB编程和练习 213参考文献 216第6章 特征生成I：线性变换 2216.1 引言 2216.2 基本向量和图像 2216.3 Karhunen-Loève变换 2236.4 奇异值分解 2296.5 独立成分分析 2346.6 非负矩阵因子分解 2396.7 非线性维数降低 2406.8 离散傅里叶变换（DFT） 2486.9 离散正弦和余弦变换 2516.10 Hadamard变换 2526.11 Haar变换 2536.12 回顾Haar展开式 2546.13 离散时间小波变换（DTWT） 2576.14 多分辨解释 2646.15 小波包 2656.16 二维推广简介 2666.17 应用 268习题 271MATLAB编程和练习 273参考文献 275第7章 特征生成II 2827.1 引言 2827.2 区域特征 2827.3 字符形状和大小的特征 2987.4 分形概述 3047.5 语音和声音分类的典型特征 309习题 320MATLAB编程和练习 322参考文献 325第8章 模板匹配 3318.1 引言 3318.2 基于*优路径搜索技术的测度 3318.3 基于相关的测度 3428.4 可变形的模板模型 3468.5 基于内容的信息检索：相关反馈 349习题 352MATLAB编程和练习 353参考文献 355第9章 上下文相关分类 3589.1 引言 3589.2 贝叶斯分类器 3589.3 马尔可夫链模型 3589.4 Viterbi算法 3599.5 信道均衡 3629.6 隐马尔可夫模型 3659.7 状态驻留的HMM 3739.8 用神经网络训练马尔可夫模型 3789.9 马尔可夫随机场的讨论 379习题 381MATLAB编程和练习 382参考文献 384第10章 监督学习：尾声 38910.1 引言 38910.2 误差计算方法 38910.3 探讨有限数据集的大小 39010.4 医学图像实例研究 39310.5 半监督学习 395习题 404参考文献 404第11章 聚类：基本概念 40811.1 引言 40811.2 近邻测度 412习题 427参考文献 428第12章 聚类算法I：顺序算法 43012.1 引言 43012.2 聚类算法的种类 43112.3 顺序聚类算法 43312.4 BSAS的改进 43612.5 两个阈值的顺序方法 43712.6 改进阶段 43912.7 神经网络的实现 440习题 443MATLAB编程和练习 444参考文献 445第13章 聚类算法II：层次算法 44813.1 引言 44813.2 合并算法 44813.3 cophenetic矩阵 46513.4 分裂算法 46613.5 用于大数据集的层次算法 46713.6 *佳聚类数的选择 472习题 474MATLAB编程和练习 475参考文献 477第14章 聚类算法III：基于函数*优方法 48014.1 引言 48014.2 混合分解方法 48114.3 模糊聚类算法 48714.4 可能性聚类 50214.5 硬聚类算法 50614.6 向量量化 513附录 514习题 515MATLAB编程和练习 516参考文献 519第15章 聚类算法IV 52315.1 引言 52315.2 基于图论的聚类算法 52315.3 竞争学习算法 53315.4 二值形态聚类算法 54015.5 边界检测算法 54615.6 谷点搜索聚类算法 54815.7 通过代价*优聚类（回顾） 55015.8 核聚类方法 55515.9 对大数据集的基于密度算法 55815.10 高维数据集的聚类算法 56215.11 其他聚类算法 57215.12 聚类组合 573习题 578MATLAB编程和练习 580参考文献 582第16章 聚类有效性 59116.1 引言 59116.2 假设检验回顾 59116.3 聚类有效性中的假设检验 59316.4 相关准则 60016.5 单独聚类有效性 61216.6 聚类趋势 613习题 620参考文献 622附录A 概率论和统计学的相关知识 626附录B 线性代数基础 635附录C 代价函数的优化 637附录D 线性系统理论的基本定义 649索引 652信息

封面

书名:模式识别-(第四版)

作者:康斯坦担诺斯.库特龙巴斯

页数:672

定价:¥89.0

出版社:电子工业出版社

出版日期:2016-11-01

ISBN:9787121301100

PDF电子书大小:134MB 高清扫描完整版