模式识别

内容简介

[

《模式识别》系统地论述了各类经典模式识别的基本概念、基本原理、典型方法、实用技术以及有关研究的新成果。本书讨论的模式识别技术涵盖统计模式识别、支撑向量机理论、人工神经网络技术以及基于隐马尔科夫模型的识别方法等多个方面。全书共分10章。**章为绪论;第2章至第7章系统地介绍统计模式识别的基本理论和基本方法,包括用似然函数做模式识别、用距离函数做模式识别,以及特征选择,具体为:判别函数方法、Bayes决策理论、错误率和密度函数估计、*近邻法、聚类分析以及特征选择;第8章论述支撑向量机理论;第9章介绍人工神经网络技术;**0章讨论基于隐马尔科夫模型的识别方法。
《模式识别》可供模式识别与智能系统、计算机科学与技术、控制科学与工程、生命科学与技术及其他领域的和有关专业的研究生、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。本书由赵宇明等编著。

]

目录

第1章  绪论1.1  模式识别概论1.1.1  模式识别基本概念1.1.2  模式识别系统的组成1.1.3  模式识别方法1.2  模式识别数学基础1.2.1  随机向量1.2.2  正态分布第2章  判别函数方法2.1  引言2.2  线性判别函数2.2.1  两类的线性判别2.2.2  多类的线性判别2.3  Fisher判别分析法2.3.1  Fisher判别分析2.3.2  多重判别分析2.4  广义线性判别函数2.4.1  一维的例子2.4.2  多维的例子2.5  感知准则函数和梯度下降法2.5.1  基本概念2.5.2  梯度下降法2.5.3  感知器准?函数2.6  *小平方误差准则函数2.6.1  MSE准?函数及其伪逆解2.6.2  伪逆法2.6.3  梯度下降法2.6.4  Widrow-Hoff算法2.7  适合于多类直接分类的决策树方法2.7.1  评价准则2.7.2  基于信息熵的信息增益2.7.3  ID3决策树算法的递归描述2.7.4  ID3算法举例习题第3章  Bayes决策理论3.1  *小错误率贝叶斯决策3.2  *小风险的贝叶斯决策3.3  正态分布的贝叶斯分类器3.3.1  各类协方差都相等,且各分量相互独立情况3.3.2  各类协方差都相等,但各分量不相互独立情况3.3.3  一般情况3.3.4  数字实例3.4  纽曼一皮尔逊(Neyman-Pearson,NP)决策规则3.5  *小*大决策习题第4章  错误率以及密度函数的估计4.1  错误率4.1.1  正态、等协方差情况下贝叶斯分类器错误率公式4.1.2  错误率的上界4.1.3  错误率的实验估计4.2  密度函数估计――参数法4.2.1  *大似然估计4.2.2  逐次的贝叶斯估计和贝叶斯学习习题第5章  近邻分类法5.1  单中心点情况5.2  多中心点情况5.3  *近邻法5.4  K近邻法5.5  *近邻法的缺点及改进方法5.5.1  剪辑近邻法5.5.2  凝聚法习题第6章  聚类分析6.1  距离及相似性度量6.2  聚类准则6.2.1  离差平方和准则6.2.2  离散度准?6.3  系统聚类法6.3.1  *短距离法6.3.2  *长距离法和中间距离法6.3.3  重心法、类平均和可变类平均法6.3.4  离差平方和法6.3.5  系统聚类法的性质6.4  动态聚类法6.4.1  K-meanS算法6.4.2  ISODATA算法习题第7章  特征选择7.1  维数问题和类内距离7.1.1  维数问题7.1.2  类?距离7.2  集群变换7.2.1  集群变换的基本思想7.2.2  用集群变换进行特征选择7.2.3  集群变换的例子7.3  K-L变换7.3.1  从表达模式看K-L变换7.3.2  K-L变换举例7.3.3  混合白化后抽取特征7.3.4  混合白化后抽取特征的例子7.4  分散度7.4.1  分散度的概念7.4.2  分散度用于特征选择习题第8章  支持向量机理论8.1  引言8.2  支持向量机理论的数学基础8.2.1  无约束极值8.2.2  等式约束下的条件极值与Lagrange函数法8.2.3  不等式约束下的优化问题8.3  *大间隔分类器8.3.1  *大间隔线性分类器8.3.2  广义*大间隔线性分类器8.4  支持向量机8.4.1  核函数与核技巧(Kernel Trick)8.4.2  支持向量机8.4.3  多类问题的支持向量机分类8.4.4  支持向量机的实现方法和软件包第9章  人工神经网络9.1  人工神经网络概述9.1.1  引言9.1.2  人工神经网络基础9.2  前馈神经网络及其主要算法9.2.1  MP模型9.2.2  感知器模型9.2.3  前馈神经网络9.2.4  反向传播算法(BP法)9.2.5  径向基函数网络9.3  反馈网络――Hopfield网络9.3.1  Hopfield网络概述9.3.2  离散Hopfield网络(DHNN)9.3.3  联想存储器9.3.4  优化计算9.3.5  连续Hopfield网络(CHNN)9.4  自适应共振理论神经网络9.4.1  概述9.4.2  ART网络的结构及原理9.4.3  ART工网络算法步骤9.5  自组织特征映射神经网络9.5.1  概述9.5.2  SOFM网络模型及功能9.5.3  SOFM网络原理第10章  基于隐马尔科夫模型的识别方法10.1  一阶马尔科夫模型(MM)10.2  一阶隐马尔科夫模型(HMM)10.2.1  离散马尔科夫过程10.2.2  隐马尔科夫模型的概念10.2.3  隐马尔科夫模型的参数10.2.4  隐马尔科夫模型的三个基本问题参考文献

封面

模式识别

书名:模式识别

作者:赵宇明[等]编著

页数:171

定价:¥36.0

出版社:上海交通大学出版社

出版日期:2013-10-01

ISBN:9787313102461

PDF电子书大小:118MB

百度云下载:http://www.chendianrong.com/pdf

发表评论

邮箱地址不会被公开。 必填项已用*标注