現(xiàn)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(xué)技術(shù)，是一門綜合性、交叉性學(xué)科。在理論上它涉及代數(shù)學(xué)、矩陣論、函數(shù)論、隨機數(shù)學(xué)、模糊數(shù)學(xué)、圖論、最優(yōu)化理論、信號處理、計算機科學(xué)、神經(jīng)物理學(xué)等眾多學(xué)科的知識；在應(yīng)用上它又與其他許多領(lǐng)域的知識及212程技術(shù)密切相關(guān)；其內(nèi)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(lǐng)域的重要分支，又是實現(xiàn)機器智能必不可少的技術(shù)手段。該學(xué)科的理論任務(wù)是運用相關(guān)科技研發(fā)分類識別的理論和方法，而其應(yīng)用目標(biāo)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(jì)70年代以來，該學(xué)科受到了學(xué)術(shù)界和各應(yīng)用領(lǐng)域的極大重視，與模式識別相關(guān)的理論專著、論文、科研成果層出不窮，使得該學(xué)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(xiàn)在多數(shù)論著只涉及一至兩類模式識別知識的介紹，多學(xué)科、多視角、多層次地介紹該學(xué)科知識的著作不多，能兼顧教學(xué)使用和科研參考的高校教材也較少，因此有必要將該學(xué)科涉及的基本理論、基本方法以及當(dāng)代發(fā)展成熟的理論技術(shù)進行沉淀、提煉、歸納、整合，讓讀者能較系統(tǒng)地學(xué)習(xí)本學(xué)科的理論精髓，較全面地了解和掌握相關(guān)技術(shù)，是我們撰寫本書的初衷和希望。本書是一本關(guān)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(chǔ)上結(jié)合該課程多年教學(xué)實踐經(jīng)驗及相關(guān)的科研成果，參考了大量的專家著作及科技文獻，依據(jù)教學(xué)、科研需要和學(xué)科發(fā)展趨勢撰寫而成，它是已出版的《數(shù)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(jié)構(gòu)安排上盡量使知識表達體系與學(xué)科本身的體系相一致；（2）在內(nèi)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(jīng)典和現(xiàn)代的重要學(xué)科知識，使讀者學(xué)后提高解決實際問題的能力，融入學(xué)科發(fā)展潮流。我們的目標(biāo)是使本書可讀性好、學(xué)術(shù)性強、實用價值大。在內(nèi)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(nèi)容概要

本書系統(tǒng)深入地論述了各類經(jīng)典的模式識別的理論與方法，同時還較全面地反映了本學(xué)科的新近科技成果。本書討論的主流模式識別技術(shù)有：統(tǒng)計模式識別、模糊模式識別、神經(jīng)網(wǎng)絡(luò)技術(shù)、人工智能方法、子空間模式識別及結(jié)構(gòu)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(shù)界面方程法、統(tǒng)計判決、統(tǒng)計決策中的學(xué)習(xí)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(jīng)網(wǎng)絡(luò)技術(shù)；第十章信息融合主要論述識別與決策中的有關(guān)融合技術(shù)；第十一章為結(jié)構(gòu)模式識別；第十二章智能化方法側(cè)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(fēng)險設(shè)計。    本書可供電子科學(xué)與技術(shù)、信息與通信工程、控制科學(xué)與工程、計算機科學(xué)與技術(shù)及其他領(lǐng)域的有關(guān)專業(yè)和研究方向的研究生、本科高年級學(xué)生作為關(guān)于信息分析、檢測、識別的教材或教學(xué)參考書，也可以供相關(guān)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(zhǔn)則函數(shù)  2.5  聚類的算法  文獻簡評  應(yīng)用簡介  習(xí)題  上機練習(xí)  參考文獻第三章  判別域代數(shù)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(shù)  3.3  判別函數(shù)值的鑒別意義、權(quán)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(shù)的權(quán)矢量算法  3.6  一般情況下的判別函數(shù)權(quán)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(shù)  3.10  二次判別函數(shù)  3.11  分段線性判別函數(shù)  3.12  位勢函數(shù)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(yīng)用簡介  習(xí)題  上機練習(xí)  參考文獻第四章  統(tǒng)計判決  4.1  最小誤判概率準(zhǔn)則判決  4.2  最小損失準(zhǔn)則判決  4.3  最小最大損失準(zhǔn)則  4.4  N-P(Neyman—Pearson)判決  4.5  序貫判決(SPRD)  4.6  Fisher準(zhǔn)則判決  4.7  特征數(shù)據(jù)缺損或被噪聲污染下的Bayes判決  4.8  批對象的復(fù)合判決  文獻簡評  應(yīng)用簡介  習(xí)題  上機練習(xí)  參考文獻第五章  統(tǒng)計決策中的學(xué)習(xí)與錯誤率估計  5.1  統(tǒng)計推斷概述  5.2  參數(shù)估計  5.3  Bayes學(xué)習(xí)  5.4  概密的窗函數(shù)估計法  5.5  有限項正交函數(shù)級數(shù)逼近法  5.6  用位勢函數(shù)法逼近Bayes判決函數(shù)  5.7  隨機逼近方法求類的后驗概率  5.8  統(tǒng)計決策準(zhǔn)則下線性判決函數(shù)的訓(xùn)練生成  5.9  錯誤率估計  5.10  基于平均損失估計的學(xué)習(xí)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(xué)習(xí)  文獻簡評  應(yīng)用簡介  習(xí)題  上機練習(xí)  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(yīng)用簡介  習(xí)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(jù)  7.3  基于可分性判據(jù)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(yīng)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(yīng)用簡介  習(xí)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(guān)系及有關(guān)知識  8.4  模糊關(guān)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(yīng)用簡介  習(xí)題  參考文獻第九章  神經(jīng)網(wǎng)絡(luò)在模式識別中的應(yīng)用  9.1  人工神經(jīng)網(wǎng)絡(luò)的基本知識  9.2  前向型人工神經(jīng)網(wǎng)絡(luò)  9.3  BP網(wǎng)的性能和學(xué)習(xí)改進  9.4  Hopfield網(wǎng)絡(luò)  9.5  隨機神經(jīng)網(wǎng)絡(luò)  9.6  自適應(yīng)共振理論神經(jīng)網(wǎng)絡(luò)  9.7  自組織特征映射神經(jīng)網(wǎng)絡(luò)  9.8  模糊神經(jīng)網(wǎng)絡(luò)  9.9  概率神經(jīng)網(wǎng)絡(luò)  9.10  RCE神經(jīng)網(wǎng)絡(luò)  文獻簡評  應(yīng)用簡介  習(xí)題  上機練習(xí)  參考文獻第十章  信息融合  10.1  概述  10.2  融合技術(shù)層次性及融合系統(tǒng)功能模塊和結(jié)構(gòu)  10.3  關(guān)于信息融合的熵理論  10.4  觀測不相關(guān)的分布式最小損失準(zhǔn)則下的檢測與決策融合  10.5  觀測相關(guān)的決策融合  10.6  N-P準(zhǔn)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(jù)理論的融合算法  文獻簡評  應(yīng)用簡介  習(xí)題  參考文獻第十一章  結(jié)構(gòu)模式識別  11.1  結(jié)構(gòu)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(yīng)用簡介  習(xí)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(shù)  12.5  不確定性推理  文獻簡評  應(yīng)用簡介  習(xí)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(shè)計原則  13.3  樹分類器的關(guān)鍵技術(shù)  13.4  決策樹生成算法  文獻簡評  應(yīng)用簡介  習(xí)題  上機練習(xí)  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(yīng)用簡介  習(xí)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(shù)估計  15.6  隱馬爾可夫模型方法模式識別  文獻簡評  應(yīng)用簡介  習(xí)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(xué)習(xí)子空間法  16.7  子空間的平均學(xué)習(xí)法  文獻簡評  應(yīng)用簡介  習(xí)題  參考文獻第十七章  機器統(tǒng)計學(xué)習(xí)理論  17.1  機器統(tǒng)計學(xué)習(xí)理論概述  17.2  經(jīng)驗風(fēng)險最小化設(shè)計  17.3  經(jīng)驗風(fēng)險最小化原則的一致性條件  17.4  最優(yōu)指示函數(shù)判決風(fēng)險的界  17.5  訓(xùn)練序列的長度和識別率估計精度的關(guān)系  17.6  結(jié)構(gòu)風(fēng)險最小化  文獻簡評  應(yīng)用簡介  習(xí)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(xué)習(xí)。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(xué)習(xí)、訓(xùn)練過程。需要指出的是，應(yīng)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(xùn)練學(xué)習(xí)、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(zhuǎn)換上講，是由分析對象的物理空間通過特征提取轉(zhuǎn)換為模式的特征空間，然后通過分類識別轉(zhuǎn)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(xué)習(xí)過程，都要對分析對象固有的、本質(zhì)的及重要的特征或?qū)傩赃M行量測并將結(jié)果數(shù)值（字）化，或?qū)ο蠓纸獠⒎柣?，形成特征矢量或符號串、關(guān)系圖，從而產(chǎn)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(xué)習(xí)與訓(xùn)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(biāo)的有關(guān)信息進行預(yù)處理。

編輯推薦

《現(xiàn)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(biāo)簽Tags

無

評論、評分、閱讀與下載

---

    現(xiàn)代模式識別 PDF格式下載

---