✍ Scribed by 齐敏
No coin nor oath required. For personal study only.
封面
前言
目录
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
1.2.1 简例
1.2.2 模式识别系统组成
1.3 模式识别概况
1.3.1 模式识别发展简介
1.3.2 模式识别分类
1.4 模式识别的应用
第2章 聚类分析
2.1 距离聚类的概念
2.2 相似性测度和聚类准则
2.2.1 相似性测度
2.2.2 聚类准则
2.3 基于距离阈值的聚类算法
2.3.1 近邻聚类法
2.3.2 最大最小距离算法
2.4 层次聚类法
2.5 动态聚类法
2.5.1 K-均值算法
2.5.2 迭代自组织的数据分析算法
2.6 聚类结果的评价
习题
第3章 判别函数及几何分类法
3.1 判别函数
3.2 线性判别函数
3.2.1 线性判别函数的一般形式
3.2.2 线性判别函数的性质
3.3 广义线性判别函数
3.4 线性判别函数的几何性质
3.4.1 模式空间与超平面
3.4.2 权空间与权向量解
3.4.3 二分法
3.5 感知器算法
3.6 梯度法
3.6.1 梯度法基本原理
3.6.2 固定增量算法
3.7 最小平方误差算法
3.8 非线性判别函数
3.8.1 分段线性判别函数
3.8.2 分段线性判别函数的学习方法
3.8.3 势函数法
习题
第4章 基于统计决策的概率分类法
4.1 研究对象及相关概率
4.2 贝叶斯决策
4.2.1 最小错误率贝叶斯决策
4.2.2 最小风险贝叶斯决策
4.2.3 正态分布模式的贝叶斯决策
4.3 贝叶斯分类器的错误率
4.3.1 错误率的概念
4.3.2 错误率分析
4.3.3 正态分布贝叶斯决策的错误率计算
4.3.4 错误率的估计
4.4 聂曼·皮尔逊决策
4.5 概率密度函数的参数估计
4.5.1 最大似然估计
4.5.2 贝叶斯估计与贝叶斯学习
4.6 概率密度函数的非参数估计
4.6.1 非参数估计的基本方法
4.6.2 Parzen窗法
4.6.3 k近邻估计法
4.7 后验概率密度函数的势函数估计法
习题
第5章 特征选择与特征提取
5.1 基本概念
5.2 类别可分性测度
5.2.1 基于距离的可分性测度
5.2.2 基于概率分布的可分性测度
5.3 基于类内散布矩阵的单类模式特征提取
5.4 基于K-L变换的多类模式特征提取
5.5 特征选择
5.5.1 特征选择的准则
5.5.2 特征选择的方法
习题
第6章 句法模式识别
6.1 句法模式识别概述
6.2 形式语言的基本概念
6.2.1 基本定义
6.2.2 文法分类
6.3 模式的描述方法
6.3.1 基元的确定
6.3.2 模式的链表示法
6.3.3 模式的树表示法
6.4 文法推断
6.4.1 基本概念
6.4.2 余码文法的推断
6.4.3 扩展树文法的推断
6.5 句法分析
6.5.1 参考链匹配法
6.5.2 填充树图法
6.5.3 CYK分析法
6.5.4 厄利分析法
6.6 句法结构的自动机识别
6.6.1 有限态自动机与正则文法
6.6.2 下推自动机与上下文无关文法
习题
第7章 模糊模式识别法
7.1 模糊数学概述
7.1.1 模糊数学的产生背景
7.1.2 模糊性
7.1.3 模糊数学在模式识别领域的应用
7.2 模糊集合
7.2.1 模糊集合定义
7.2.2 隶属函数的确定
7.2.3 模糊集合的运算
7.2.4 模糊集合与普通集合的相互转化
7.3 模糊关系与模糊矩阵
7.3.1 模糊关系定义
7.3.2 模糊关系的表示
7.3.3 模糊关系的建立
7.3.4 模糊关系和模糊矩阵的运算
7.3.5 模糊关系的三大性质
7.4 模糊模式分类的直接方法和间接方法
7.4.1 直接方法——隶属原则
7.4.2 间接方法——择近原则
7.5 模糊聚类分析法
7.5.1 基于模糊等价关系的聚类分析法
7.5.2 模糊相似关系直接用于分类
7.5.3 模糊K-均值算法
7.5.4 模糊ISODATA算法
习题
第8章 神经网络模式识别法
8.1 人工神经网络发展概况
8.2 神经网络基本概念
8.2.1 生物神经元
8.2.2 人工神经元及神经网络
8.2.3 神经网络的学习
8.2.4 神经网络的结构分类
8.3 前馈神经网络
8.3.1 感知器
8.3.2 BP网络
8.3.3 竞争学习神经网络
8.4 反馈网络模型Hopfield网络
附录A向量和矩阵运算
附录B标准正态分布表及概率计算
附录C计算机作业所用样本数据
参考文献
📜 SIMILAR VOLUMES
<p>本书是模式识别领域的入门教材，系统阐述了模式识别中的基础知识、主要模型及热门应用，并给出了近年来本领域一些新的成果和观点；通过理论学习和动手实践相结合的形式使初学者能有效入门，并培养独立解决任务的能力，为模式识别的项目开发及相关科研活动打好基础.</p> <p>全书共15章，大致分为五部分：第一部分（第1~4章）介绍了本书的概论和基础知识，包括绪论、数学背景知识、模式识别系统概述以及评估；第二部分（第5~6章）介绍了与领域知识无关的特征提取，包括主成分分析和Fisher线性判别；第三部分（第7~10章）介绍了分类器与其他工具，包括支持向量机、概率方法、距离度量与数据变换、信息论和决策树
<p>《模式识别》系统阐述了模式识别的原理与方法，并在此基础上介绍了模式识别的应用。全书分为：基础部分和应用部分：基础部分主要包括统计模式识别、模糊模式识别、神经网络模式识别等内容；应用部分有车牌识别和语音识别。《模式识别》将理论与实践相结合，有利于读者加深对理论方法的理解，可使读者比较系统地掌握模式识别的理论和相关技术。书中给出的两个应用实例，为读者应用模式识别方法来解决实际问题提供了具体思路和方法。附录给出的习题解答，有利于学生学习理解原理与方法。</p> <p>《模式识别》可以作为高等院校自动化、计算机、生物医学工程等学科本科生、研究生的教材或教学参考书，亦可供有关工程技术人员参考。<
<p>《现代模式识别》系统深入地论述了模式识别的理论与方法、较全面地介绍了本学科的新近科技成果。全书共12章，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、人工智能方法、句法模式识别。第一章为引论，第二章至第七章介绍的统计模式识别包括聚类分析、判别代数界面方程法、统计判决、训练学习与错误率估计、特征提取与选择以及最近邻法，第十一章信息融合集中论述识别与决策中的有关融合技术，第十二章人工智能方法侧重论述不确定推理，其他类型识别方法在其余各章分别介绍。</p>
<p>本书将模式识别与人工智能理论和实际应用相结合，以酒瓶颜色分类为例，介绍各种算法理论及相应的 MATLAB实现程序。全书共分为 10 章,内容包括模式识别概述、贝叶斯分类器设计、判别函数分类器设计、聚类分析、模糊聚类分析、神经网络聚类设计、模拟退火算法聚类设计、遗传算法聚类设计、蚁群算法聚类设计、粒子群算法聚类设计,覆盖了各种常用的模式识别技术。</p> <p>本书可作为高等院校自动化、计算机、电子和通信等专业研究生和高年级本科生的教材,也可作为计算机信息处理、自动控制等相关领域工程技术人员的参考用书。</p>
本书是与电子工业出版社出版的《模式识别及 MATLAB 实现》配套的学习指导书，在章节安排上与主 教材一致，各章节内容包括本章知识结构、知识要点和实验指导，实验指导部分给出了实验步骤、MATLAB 代码和实验结果。 实验的内容和训练对模式识别学习者有很大帮助，也为从事模式识别的工程技术人员提供了一定的 指导。