所有分类 > 其他
现代模式识别(研究生教学用书)
作 者：孙即祥
出 版 社：高等教育出版社
出版时间：2008年10月 版 次：2
印刷时间：2008年10月 开 本：4
I S B N ：9787040205879 包 装：1
分 类：
购买
编辑导读 内容简介
本书系统深入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有：统计模式识别、模糊模式识别、神
经网络技术、人工智能方法、子空间模式
识别及结构模式识别等。
全书共17章。第一章为引论；第二章至第七章介绍统计模式识别，包
括：聚类分析、判别域代数界面方程
法、统计判决、统计决策中的学习与错误率估计、最近邻法和特征提取与
选择；第八章为模糊模式识别方法；第九
章介绍神经网络技术；第十章信息融合主要论述识别与决策中的有关融合
技术；第十一章为结构模式识别；第十
二章智能化方法侧重讨论不确定推理；第十三章阐述决策树；第十四章论
述支持矢量机；第十五章讨论隐马尔可
夫模型识别方法；第十六章为子空问模式识别方法；第十七章介绍最小风
险设计。
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。
作者简介 本书目录第一章 绪论
1.1 概述
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
第二章 聚类分析
2.1 聚类分析的概念
2.2 模式相似性测度
2.3 类的定义与类间距离
2.4 准则函数
2.5 聚类的算法
上机练习
第三章 判别域代数界面方程法
3.1 用判别域界面方程分类的概念
3.2 线性判别函数
3.3 判别函数值的鉴别意义、权空间及解空间
3.4 Fisher线性判别
3.5 线性可分条件下判别函数的权矢量算法
3.6 一般情况下的判别函数权矢量算法
3.7 线性规划方法
3.8 线性二分能力
3.9 广义线性判别函数
3.10 二次判别函数
3.11 分段线性判别函数
3.12 位势函数分类法
3.13 支持矢量机简介
3.14 最小最大概率机
上机练习
第四章 统计判决
4.1 最小误判概率准则判决
4.2 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)
4.6 Fisher准则判决
4.7 特征数据缺损或被噪声污染下的Bayes判决
4.8 批对象的复合判决
上机练习
第五章 统计决策中的学习与错误率估计
5.1 统计推断概述
5.2 参数估计
5.3 Bayes学习
5.4 概密的窗函数估计法
5.5 有限项正交函数级数逼近法
5.6 用位势函数法逼近Bayes判决函数
5.7 随机逼近方法求类的后验概率
5.8 统计决策准则下线性判决函数的训练生成
5.9 错误率估计
5.10 基于平均损失估计的学习及最小误判概率的估计
5.11 无监督估计(盲估计)
5.12 期望最大化算法
5.13 集成学习
上机练习
第六章 最近邻法
6.1 基本的最近邻法
6.2 剪辑最近邻法
6.3 引入拒绝决策的最近邻法
6.4 最近邻法中的最佳距离及其实际计算
第七章 特征提取与选择
7.1 概述
7.2 类别可分性判据
7.3 基于可分性判据进行变换的特征提取与选择
7.4 最佳鉴别矢量的提取
7.5 离散K-L变换及其在特征提取与选择中的应用
7.6 独立成分分析
7.7 基于决策界的特征提取
7.8 特征选择中的直接挑选法
7.9 多维尺度分析
第八章 模糊模式识别
8.1 引言
8.2 普通集合与模糊集合
8.3 普通集合上的关系及有关知识
8.4 模糊关系与模糊变换
8.5 模糊度和特征提取与选择
8.6 模糊识别的基本方法
8.7 基于模糊相似矩阵的分类方法
8.8 模糊C-均值聚类算法
8.9 最大树法模式识别
8.10 几何图形的模糊识别
第九章 神经网络在模式识别中的应用
9.1 人工神经网络的基本知识
9.2 前向型人工神经网络
9.3 BP网的性能和学习改进
9.4 Hopfield网络
9.5 随机神经网络
9.6 自适应共振理论神经网络
9.7 自组织特征映射神经网络
9.8 模糊神经网络
9.9 概率神经网络
9.10 RCE神经网络
上机练习
第十章 信息融合
10.1 概述
10.2 融合技术层次性及融合系统功能模块和结构
10.3 关于信息融合的熵理论
10.4 观测不相关的分布式最小损失准则下的检测与决策融合
10.5 观测相关的决策融合
10.6 N-P准则下的决策融合
10.7 分布式检测决策融合全局最优概述及某些约束条件下最优解
10.8 D-S证据理论的融合算法
第十一章 结构模式识别
11.1 结构模式识别概述
11.2 形式语言
11.3 高维文法与随机文法
11.4 模式的描述
11.5 句法分析
11.6 文法推断
第十二章 智能化方法
12.1 人工智能
12.2 专家系统
12.3 知识的表示
12.4 智能推理技术
12.5 不确定性推理
第十三章 树分类器
13.1 树分类器原理
13.2 树分类器的设计原则
13.3 树分类器的关键技术
13.4 决策树生成算法
上机练习
第十四章 支持矢量机
14.1 最优化的分析方法原理
14.2 最优分类界面
14.3 广义最优分类界面
14.4 最优界面与广义最优界面分类性能的统计特性
14.5 支持矢量机(SVM)
14.6 基于Adaboost的SVM组合
第十五章 基于隐马尔可夫模型识别方法
15.1 一阶马尔可夫模型(MM)
15.2 一阶隐马尔可夫模型(HMM)
15.3 可见序列概率估计
15.4 隐状态估计
15.5 模型参数估计
15.6 隐马尔可夫模型方法模式识别
第十六章 子空间模式识别方法
16.1 概述
16.2 子空间投影
16.3 子空间判别法
16.4 线性回归模型法
16.5 正交子空间法
16.6 Kohonen学习子空间法
16.7 子空间的平均学习法
第十七章 机器统计学习理论
17.1 机器统计学习理论概述
17.2 经验风险最小化设计
17.3 经验风险最小化原则的一致性条件
17.4 最优指示函数判决风险的界
精彩书摘
