简介
本书系统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是：统计模式识别、模糊模式识别、神经网络技术、句法模式识别、信息融合及树分类器方法。全书共7章。第1章为引论，第2章至第6章介绍的统计模式识别，包括：聚类分析、最近邻法、判别域代数界面方程法、统计判决、学习与错误率估计、特征提取与选择，第7章对模糊模式识别方法、神经网络技术、句法模式识别、信息融合及树分类器的基础知识进行了介绍。
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本科高年级学生及硕士生作为信息分析、检测、识别的教材或教学参考书，也可供相关专业的科研人员参考。
目录
第1章 引论
1.1 概述
1.1.1 模式识别的概念
1.1.2 模式识别系统
1.1.3 模式识别的基本方法
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
1.4.1 正态分布的定义
1.4.2 多元正态分布的性质
第2章 聚类分析及最近邻方法
2.1 聚类分析的概念
2.1.1 聚类分析的基本思想
2.1.2 特征量
2.1.3 方法的有效性
2.2 模式相似性测度
2.2.1 距离测度(差值测度)
2.2.2 相似测度
2.2.3 匹配测度
2.3 类间距离
2.3.1 类间距离测度方法
2.4 准则函数
2.4.1 点与集合间的距离
2.4.2 聚类的准则函数
2.5 聚类的算法
2.5.1 聚类的技术方案
2.5.2 基于相似性阈值的简单聚类方法
2.5.3 谱系聚类法
2.5.4 动态聚类法(Dynamic clustering algorithm)
2.5.5 近邻函数法
2.6 最近邻方法
2.6.1 最近邻法
2.6.2 剪辑最近邻法
2.6.3 引入拒绝类别决策的最近邻法
习题
算法编程
第3章 判别域代数界面方程法
3.1 判别域界面方程分类的概念
3.2 线性判别函数
3.2.1 两类问题
3.2.2 多类问题
3.3 判别函数值的鉴别意义、权空间及解空间
3.3.1 判别函数值的大小、正负的数学意义
3.3.2 权空间、解矢量与解空间
3.4 Fisher线性判别
3.5 线性可分条件下判别函数权矢量算法
3.5.1 感知器算法
3.5.2 一次准则函数及梯度下降法
3.5.3 感知器训练算法在多类问题中的应用
3.6 一般情况下的判别函数权矢量算法
3.6.1 分段二次准则函数及共轭梯度法
3.6.2 最小平方误差准则及W－H算法
3.6.3 H－K(Ho－Kashyap)算法
3.7 广义线性判别函数
3.8 二次判别函数
3.9 位势函数分类法
3.9.1 位势函数的概念
3.9.2 由位势函数产生判别函数的训练算法及分类规则
3.10 支持矢量机简介
习题
算法编程
第4章 统计判决
4.1 最小误判概率准则判决
4.1.1 最小误判概率准则判决的一般形式
4.1.2 正态模式最小误判概率判决规则的具体形式
4.1.3 正态模式分类的误判概率
4.2 最小损失准则判决
4.2.1 损失概念、损失函数与平均损失
4.2.2 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)
4.5.1 控制误判概率的序贯判决
4.5.2 计人提取特征代价的最小损失准则下的序贯
判决
习题
算法编程
第5章 统计决策中的经典学习方法
5.1 统计推断概述
5.2 参数估计
5.2.1 均值矢量和协方差阵的矩法估计
5.2.2 最大似然估计(MLE)
5.2.3 贝叶斯估计(BE)
5.2.4 最大似然估计和贝叶斯估计的性能比较
5.3 贝叶斯学习
5.4 概密的窗函数估计法
5.4.1 概密的基本估计式
5.4.2 Parzen窗法
5.4.3 KN－近邻估计法
5.4.4 后验概率的估计
5.5 有限项正交函数级数逼近法
5.5.1 最小积分平方差逼近方法
5.5.2 最小均方差逼近方法
5.6 用位势函数法逼近贝叶斯判决函数
5.7 错误率估计
5.7.1 分类器错误率的实验估算基本原理
5.7.2 样本抽取方式对误判概率估计的影响
5.7.3 训练与测试样本集的大小对错误率的影响
5.7.4 训练样本使用技术及错误率的测试方法
习题
算法编程
第6章 特征提取与选择
6.1 概述
6.2 类别可分性判据
6.2.1 基于几何距离的可分性判据
6.2.2 基于类的概率密度函数的可分性判据
6.2.3 基于后验概率的可分性判据
6.3 基于可分性判据进行变换的特征提取
6.3.1 基于离差阵的……
1.1 概述
1.1.1 模式识别的概念
1.1.2 模式识别系统
1.1.3 模式识别的基本方法
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
1.4.1 正态分布的定义
1.4.2 多元正态分布的性质
第2章 聚类分析及最近邻方法
2.1 聚类分析的概念
2.1.1 聚类分析的基本思想
2.1.2 特征量
2.1.3 方法的有效性
2.2 模式相似性测度
2.2.1 距离测度(差值测度)
2.2.2 相似测度
2.2.3 匹配测度
2.3 类间距离
2.3.1 类间距离测度方法
2.4 准则函数
2.4.1 点与集合间的距离
2.4.2 聚类的准则函数
2.5 聚类的算法
2.5.1 聚类的技术方案
2.5.2 基于相似性阈值的简单聚类方法
2.5.3 谱系聚类法
2.5.4 动态聚类法(Dynamic clustering algorithm)
2.5.5 近邻函数法
2.6 最近邻方法
2.6.1 最近邻法
2.6.2 剪辑最近邻法
2.6.3 引入拒绝类别决策的最近邻法
习题
算法编程
第3章 判别域代数界面方程法
3.1 判别域界面方程分类的概念
3.2 线性判别函数
3.2.1 两类问题
3.2.2 多类问题
3.3 判别函数值的鉴别意义、权空间及解空间
3.3.1 判别函数值的大小、正负的数学意义
3.3.2 权空间、解矢量与解空间
3.4 Fisher线性判别
3.5 线性可分条件下判别函数权矢量算法
3.5.1 感知器算法
3.5.2 一次准则函数及梯度下降法
3.5.3 感知器训练算法在多类问题中的应用
3.6 一般情况下的判别函数权矢量算法
3.6.1 分段二次准则函数及共轭梯度法
3.6.2 最小平方误差准则及W－H算法
3.6.3 H－K(Ho－Kashyap)算法
3.7 广义线性判别函数
3.8 二次判别函数
3.9 位势函数分类法
3.9.1 位势函数的概念
3.9.2 由位势函数产生判别函数的训练算法及分类规则
3.10 支持矢量机简介
习题
算法编程
第4章 统计判决
4.1 最小误判概率准则判决
4.1.1 最小误判概率准则判决的一般形式
4.1.2 正态模式最小误判概率判决规则的具体形式
4.1.3 正态模式分类的误判概率
4.2 最小损失准则判决
4.2.1 损失概念、损失函数与平均损失
4.2.2 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)
4.5.1 控制误判概率的序贯判决
4.5.2 计人提取特征代价的最小损失准则下的序贯
判决
习题
算法编程
第5章 统计决策中的经典学习方法
5.1 统计推断概述
5.2 参数估计
5.2.1 均值矢量和协方差阵的矩法估计
5.2.2 最大似然估计(MLE)
5.2.3 贝叶斯估计(BE)
5.2.4 最大似然估计和贝叶斯估计的性能比较
5.3 贝叶斯学习
5.4 概密的窗函数估计法
5.4.1 概密的基本估计式
5.4.2 Parzen窗法
5.4.3 KN－近邻估计法
5.4.4 后验概率的估计
5.5 有限项正交函数级数逼近法
5.5.1 最小积分平方差逼近方法
5.5.2 最小均方差逼近方法
5.6 用位势函数法逼近贝叶斯判决函数
5.7 错误率估计
5.7.1 分类器错误率的实验估算基本原理
5.7.2 样本抽取方式对误判概率估计的影响
5.7.3 训练与测试样本集的大小对错误率的影响
5.7.4 训练样本使用技术及错误率的测试方法
习题
算法编程
第6章 特征提取与选择
6.1 概述
6.2 类别可分性判据
6.2.1 基于几何距离的可分性判据
6.2.2 基于类的概率密度函数的可分性判据
6.2.3 基于后验概率的可分性判据
6.3 基于可分性判据进行变换的特征提取
6.3.1 基于离差阵的……
Pattern recognition
- 名称
- 类型
- 大小
光盘服务联系方式: 020-38250260 客服QQ：4006604884
云图客服：
用户发送的提问，这种方式就需要有位在线客服来回答用户的问题，这种 就属于对话式的,问题是这种提问是否需要用户登录才能提问
Video Player
×
Audio Player
×
pdf Player
×
