現代模式識別

前言

模式識別是研究分類識別理論和方法的科學技術，是一門綜合性、交叉性學科。在理論上它涉及代數學、矩陣論、函數論、隨機數學、模糊數學、圖論、最優(yōu)化理論、信號處理、計算機科學、神經物理學等眾多學科的知識；在應用上它又與其他許多領域的知識及212程技術密切相關；其內涵可以概括為信息處理、分析與決策，它既是人工智能研究領域的重要分支，又是實現機器智能必不可少的技術手段。該學科的理論任務是運用相關科技研發(fā)分類識別的理論和方法，而其應用目標是創(chuàng)造能進行分類識別決策的智能機器系統(tǒng)以代替人類的分類識別工作。自20世紀70年代以來，該學科受到了學術界和各應用領域的極大重視，與模式識別相關的理論專著、論文、科研成果層出不窮，使得該學科得以豐富和發(fā)展，形成了許多大類的模式識別理論、方法。但是現在多數論著只涉及一至兩類模式識別知識的介紹，多學科、多視角、多層次地介紹該學科知識的著作不多，能兼顧教學使用和科研參考的高校教材也較少，因此有必要將該學科涉及的基本理論、基本方法以及當代發(fā)展成熟的理論技術進行沉淀、提煉、歸納、整合，讓讀者能較系統(tǒng)地學習本學科的理論精髓，較全面地了解和掌握相關技術，是我們撰寫本書的初衷和希望。本書是一本關于模式識別理論和方法的著作，是在原研究生課程講義基礎上結合該課程多年教學實踐經驗及相關的科研成果，參考了大量的專家著作及科技文獻，依據教學、科研需要和學科發(fā)展趨勢撰寫而成，它是已出版的《數字圖象處理》，《圖象處理》、《圖象分析》、《圖象壓縮與投影重建》及《模式識別中的特征提取與計算機視覺不變量》的姊妹篇。在本書的撰寫過程中遵循以下三個原則：（1）在結構安排上盡量使知識表達體系與學科本身的體系相一致；（2）在內容闡述方式上遵循人的認知規(guī)律；（3）在選材上盡量使讀者掌握經典和現代的重要學科知識，使讀者學后提高解決實際問題的能力，融入學科發(fā)展潮流。我們的目標是使本書可讀性好、學術性強、實用價值大。在內容深度與表述形式上，定位于教材與專著之間，兼顧理科與工科使用。

內容概要

本書系統(tǒng)深入地論述了各類經典的模式識別的理論與方法，同時還較全面地反映了本學科的新近科技成果。本書討論的主流模式識別技術有：統(tǒng)計模式識別、模糊模式識別、神經網絡技術、人工智能方法、子空間模式識別及結構模式識別等。    全書共17章。第一章為引論；第二章至第七章介紹統(tǒng)計模式識別，包括：聚類分析、判別域代數界面方程法、統(tǒng)計判決、統(tǒng)計決策中的學習與錯誤率估計、最近鄰法和特征提取與選擇；第八章為模糊模式識別方法；第九章介紹神經網絡技術；第十章信息融合主要論述識別與決策中的有關融合技術；第十一章為結構模式識別；第十二章智能化方法側重討論不確定推理；第十三章闡述決策樹；第十四章論述支持矢量機；第十五章討論隱馬爾可夫模型識別方法；第十六章為子空問模式識別方法；第十七章介紹最小風險設計。    本書可供電子科學與技術、信息與通信工程、控制科學與工程、計算機科學與技術及其他領域的有關專業(yè)和研究方向的研究生、本科高年級學生作為關于信息分析、檢測、識別的教材或教學參考書，也可以供相關專業(yè)的科研人員參考。

書籍目錄

第一章  緒論  1.1  概述  1.2  特征矢量和特征空間  1.3  隨機矢量的描述  1.4  正態(tài)分布  參考文獻第二章  聚類分析  2.1  聚類分析的概念  2.2  模式相似性測度  2.3  類的定義與類間距離  2.4  準則函數  2.5  聚類的算法  文獻簡評  應用簡介  習題  上機練習  參考文獻第三章  判別域代數界面方程法  3.1  用判別域界面方程分類的概念  3.2  線性判別函數  3.3  判別函數值的鑒別意義、權空間及解空間  3.4  Fisher線性判別  3.5  線性可分條件下判別函數的權矢量算法  3.6  一般情況下的判別函數權矢量算法  3.7  線性規(guī)劃方法  3.8  線性二分能力  3.9  廣義線性判別函數  3.10  二次判別函數  3.11  分段線性判別函數  3.12  位勢函數分類法  3.13  支持矢量機簡介  3.14  最小最大概率機  文獻簡評  應用簡介  習題  上機練習  參考文獻第四章  統(tǒng)計判決  4.1  最小誤判概率準則判決  4.2  最小損失準則判決  4.3  最小最大損失準則  4.4  N-P(Neyman—Pearson)判決  4.5  序貫判決(SPRD)  4.6  Fisher準則判決  4.7  特征數據缺損或被噪聲污染下的Bayes判決  4.8  批對象的復合判決  文獻簡評  應用簡介  習題  上機練習  參考文獻第五章  統(tǒng)計決策中的學習與錯誤率估計  5.1  統(tǒng)計推斷概述  5.2  參數估計  5.3  Bayes學習  5.4  概密的窗函數估計法  5.5  有限項正交函數級數逼近法  5.6  用位勢函數法逼近Bayes判決函數  5.7  隨機逼近方法求類的后驗概率  5.8  統(tǒng)計決策準則下線性判決函數的訓練生成  5.9  錯誤率估計  5.10  基于平均損失估計的學習及最小誤判概率的估計  5.11  無監(jiān)督估計(盲估計)  5.12  期望最大化算法  5.13  集成學習  文獻簡評  應用簡介  習題  上機練習  參考文獻第六章  最近鄰法  6.1  基本的最近鄰法  6.2  剪輯最近鄰法  6.3  引入拒絕決策的最近鄰法  6.4  最近鄰法中的最佳距離及其實際計算  文獻簡評  應用簡介  習題  參考文獻第七章  特征提取與選擇  7.1  概述  7.2  類別可分性判據  7.3  基于可分性判據進行變換的特征提取與選擇  7.4  最佳鑒別矢量的提取  7.5  離散K-L變換及其在特征提取與選擇中的應用  7.6  獨立成分分析  7.7  基于決策界的特征提取  7.8  特征選擇中的直接挑選法  7.9  多維尺度分析  文獻簡評  應用簡介  習題  參考文獻第八章  模糊模式識別  8.1  引言  8.2  普通集合與模糊集合  8.3  普通集合上的關系及有關知識  8.4  模糊關系與模糊變換  8.5  模糊度和特征提取與選擇  8.6  模糊識別的基本方法  8.7  基于模糊相似矩陣的分類方法  8.8  模糊C-均值聚類算法  8.9  最大樹法模式識別  8.10  幾何圖形的模糊識別  文獻簡評  應用簡介  習題  參考文獻第九章  神經網絡在模式識別中的應用  9.1  人工神經網絡的基本知識  9.2  前向型人工神經網絡  9.3  BP網的性能和學習改進  9.4  Hopfield網絡  9.5  隨機神經網絡  9.6  自適應共振理論神經網絡  9.7  自組織特征映射神經網絡  9.8  模糊神經網絡  9.9  概率神經網絡  9.10  RCE神經網絡  文獻簡評  應用簡介  習題  上機練習  參考文獻第十章  信息融合  10.1  概述  10.2  融合技術層次性及融合系統(tǒng)功能模塊和結構  10.3  關于信息融合的熵理論  10.4  觀測不相關的分布式最小損失準則下的檢測與決策融合  10.5  觀測相關的決策融合  10.6  N-P準則下的決策融合  10.7  分布式檢測決策融合全局最優(yōu)概述及某些約束條件下最優(yōu)解  10.8  D-S證據理論的融合算法  文獻簡評  應用簡介  習題  參考文獻第十一章  結構模式識別  11.1  結構模式識別概述  11.2  形式語言  11.3  高維文法與隨機文法  11.4  模式的描述  11.5  句法分析  11.6  文法推斷  文獻簡評  應用簡介  習題  參考文獻第十二章  智能化方法  12.1  人工智能  12.2  專家系統(tǒng)  12.3  知識的表示  12.4  智能推理技術  12.5  不確定性推理  文獻簡評  應用簡介  習題  參考文獻第十三章  樹分類器  13.1  樹分類器原理  13.2  樹分類器的設計原則  13.3  樹分類器的關鍵技術  13.4  決策樹生成算法  文獻簡評  應用簡介  習題  上機練習  參考文獻第十四章  支持矢量機  14.1  最優(yōu)化的分析方法原理  14.2  最優(yōu)分類界面  14.3  廣義最優(yōu)分類界面  14.4  最優(yōu)界面與廣義最優(yōu)界面分類性能的統(tǒng)計特性  14.5  支持矢量機(SVM)  14.6  基于Adaboost的SVM組合  文獻簡評  應用簡介  習題  參考文獻第十五章  基于隱馬爾可夫模型識別方法  15.1  一階馬爾可夫模型(MM)  15.2  一階隱馬爾可夫模型(HMM)  15.3  可見序列概率估計  15.4  隱狀態(tài)估計  15.5  模型參數估計  15.6  隱馬爾可夫模型方法模式識別  文獻簡評  應用簡介  習題  參考文獻第十六章  子空間模式識別方法  16.1  概述  16.2  子空間投影  16.3  子空間判別法  16.4  線性回歸模型法  16.5  正交子空間法  16.6  Kohonen學習子空間法  16.7  子空間的平均學習法  文獻簡評  應用簡介  習題  參考文獻第十七章  機器統(tǒng)計學習理論  17.1  機器統(tǒng)計學習理論概述  17.2  經驗風險最小化設計  17.3  經驗風險最小化原則的一致性條件  17.4  最優(yōu)指示函數判決風險的界  17.5  訓練序列的長度和識別率估計精度的關系  17.6  結構風險最小化  文獻簡評  應用簡介  習題  參考文獻

章節(jié)摘錄

插圖：1.12　模式識別系統(tǒng)前面介紹了模式識別的重要性以及兩個首先接觸的基本概念。一個功能較完善的識別系統(tǒng)在進行模式識別之前，首先需要進行學習。一個模式識別系統(tǒng)及識別過程的原理框圖可以用圖1.1.1表示，虛線的上部是分類、識別過程，虛線的下部是學習、訓練過程。需要指出的是，應用的目的不同、采用的分類識別方法不同，具體的分類識別系統(tǒng)和過程也將會有所不同。一般而言，特征提取與選擇、訓練學習、分類識別是任何模式識別方法或系統(tǒng)的三大核心問題。模式識別過程從信息層次、形態(tài)轉換上講，是由分析對象的物理空間通過特征提取轉換為模式的特征空間，然后通過分類識別轉換為輸出的類別空間。下面對識別系統(tǒng)的主要環(huán)節(jié)作簡要的說明。1、特征提取無論是識別過程還是學習過程，都要對分析對象固有的、本質的及重要的特征或屬性進行量測并將結果數值（字）化，或將對象分解并符號化，形成特征矢量或符號串、關系圖，從而產生代表對象的模式，模式類中的個體在有些場合中也稱為樣本。用于學習與訓練的樣本的類別通常是已知的。另外，在進行特征提取之前，一般還需要對目標的有關信息進行預處理。

編輯推薦

《現代模式識別(第2版)》由高等教育出版社出版。

圖書封面

圖書標簽Tags

無

評論、評分、閱讀與下載

---

    現代模式識別 PDF格式下載

---