模式識別原理

前言

在信息控制學科迅速發(fā)展的背景下，特別是計算機技術(shù)、信息處理技術(shù)和智能控制技術(shù)的發(fā)展和廣泛應用，新知識，新技術(shù)正在不斷豐富。同時由于市場經(jīng)濟的發(fā)展，各高等院校要加強對專業(yè)人才的培養(yǎng)，在專業(yè)培養(yǎng)目標上要求拓寬學生的知識面，提高學生的工程實踐能力，同時突出學生能力與素質(zhì)的培養(yǎng)。因此高等院校課程的設置、知識結(jié)構(gòu)、教材內(nèi)容以及實驗方法與教學手段必須跟上社會發(fā)展的步伐，才能適應和滿足高等院校對人才培養(yǎng)的需要。為適應新時代科學技術(shù)的發(fā)展對于扎實的學科基礎(chǔ)知識的要求，發(fā)揮高等院校在經(jīng)濟發(fā)展和人才培養(yǎng)中的作用，促進教育教學改革的深化，在信息控制學科對于專業(yè)人才培養(yǎng)需求的基礎(chǔ)上，編寫了關(guān)于人工智能信息技術(shù)基礎(chǔ)知識的《模式識別原理》一書。自20世紀初以來，模式識別理論與應用技術(shù)研究迅速發(fā)展，許多成熟的模式識別技術(shù)已經(jīng)在各行業(yè)得到了廣泛的應用。分類學與應用機器的分類器作為工業(yè)生產(chǎn)的必要環(huán)節(jié)已經(jīng)成為生產(chǎn)設備的一部分。模式識別方法的理論研究也已經(jīng)從最早的基于統(tǒng)計的貝葉斯分類方法，發(fā)展到可以使用機器學習方法的各種人工智能方法，人工神經(jīng)網(wǎng)絡分類器就是當前應用最為廣泛的智能分類器之一。20世紀末，隨著統(tǒng)計學習理論的提出與支撐向量機的應用，更是將機器學習理論的研究提高到一個新的階段，使得基于小樣本的機器學習方法從本質(zhì)上有了比較完整的理論依據(jù)。當前關(guān)于模式識別技術(shù)研究的重點依然是各種人工智能方法在模式識別領(lǐng)域的應用研究，除了人工神經(jīng)網(wǎng)絡之外，其他如遺傳算法，模糊邏輯，粗糙邏輯等均是當前研究的熱點。因此關(guān)于模式識別技術(shù)的研究仍然在繼續(xù)發(fā)展，許多研究的熱點問題仍然未得到滿意的解答。需要提到的是，模式識別技術(shù)的發(fā)展一是以社會發(fā)展的需求關(guān)系為基礎(chǔ)的，二是以相關(guān)基礎(chǔ)學科的發(fā)展為基礎(chǔ)的，如計算科學，信息科學，計算機科學等。20世紀信息學科基礎(chǔ)理論的飛速發(fā)展，特別是計算機硬件技術(shù)與軟件技術(shù)的發(fā)展與普及，更加促進了模式識別技術(shù)的成熟與應用。本書根據(jù)當前學科對于模式識別基本知識的需要，按照學科基礎(chǔ)知識教育的要求，能夠在基礎(chǔ)知識教材建設上做一些知識普及工作，使得本書能夠成為一本適用于信息控制學科關(guān)于模式識別知識介紹的基礎(chǔ)教材。因此在編者近年來從事研究生課程教學與本科生課程教學的教學基礎(chǔ)上，按照教學大綱的要求，編寫了本教材。在編寫內(nèi)容上做了如下考慮。

內(nèi)容概要

本書是“高等工科院校信息控制類課程系列化教材”之一，全書共分10個章節(jié)，主要對模式識別的基礎(chǔ)知識作了介紹，具體內(nèi)容包括線性判別函數(shù)，結(jié)構(gòu)法模式識別，特征空間分析，非參數(shù)模式識別方法等。該書可供各大專院校作為教材使用，也可供從事相關(guān)工作的人員作為參考用書使用。

書籍目錄

第1章  緒論  1.1  基本概念  1.2  基本問題  1.3  模式識別系統(tǒng)  1.4  模式識別方法第2章  貝葉斯分類器  2.1  引言  2.2  最小錯誤率貝葉斯決策  2.3  最小風險貝葉斯決策  2.4  判別函數(shù)與決策面  2.5  正態(tài)分布貝葉斯決策的應用  2.6  貝葉斯決策的擴展應用  2.7  小結(jié)第3章  線性判別函數(shù)  3.1  引言  3.2  Fisher準則  3.3  感知準則  3.4  最小錯分準則  3.5  最小平方誤差準則  3.6  線性判別函數(shù)的擴展應用  3.7  小結(jié)第4章  結(jié)構(gòu)法模式識別  4.1  模式基元  4.2  結(jié)構(gòu)描述方法  4.3  句法分析  4.4  結(jié)構(gòu)匹配  4.5  小結(jié)第5章  特征空間分析  5.1  基本概念  5.2  特征空間的距離準則  5.3  特征空間的統(tǒng)計準則  5.4  特征提取  5.5  小結(jié)第6章  非參數(shù)模式識別方法  6.1  最近鄰法  6.2  k近鄰法  6.3  基本非參數(shù)估計方法  6.4  ParZen窗估計方法  6.5  kN近鄰估計方法  6.6  小結(jié)第7章  聚類分析  7.1  引言  7.2  距離和相似系數(shù)  7.3  層次聚類法  7.4  有序樣本聚類法  7.5  小結(jié)第8章  K-L變換與應用  8.1  k-L變換  8.2  K-L展開式的性質(zhì)與評價  8.3  K-L變換的應用  8.4  主分量分析法  8.5  小結(jié)第9章  人工神經(jīng)網(wǎng)絡  9.1  引言  9.2  神經(jīng)元  9.3  單層感知器  9.4  線性網(wǎng)絡  9.5  BP網(wǎng)絡  9.6  徑向基函數(shù)網(wǎng)絡  9.7  Hopfield網(wǎng)絡與聯(lián)想記憶  9.8  小結(jié)第10章  統(tǒng)計學習理論與支撐向量機  10.1  引言  10.2  機器學習問題基礎(chǔ)  10.3  統(tǒng)計學習理論  10.4  支撐向量機  10.5  多類分類問題  10.6  支撐向量機的應用  10.7  小結(jié)附錄  模式識別實驗  實驗1  貝葉斯分類器  實驗2  Fisher準則實驗  實驗3  線性分類器設計  實驗4  BP神經(jīng)網(wǎng)絡分類器  實驗5  Hopfield神經(jīng)網(wǎng)絡分類器  實驗6  支撐向量機(SVM)分類器  實驗7  DCT變換及其應用  實驗8  基本PCA法分析  實驗9  k近鄰法分類器設計  實驗10  層次聚類分析  實驗11  Parzen窗法分析參考文獻

章節(jié)摘錄

插圖：

圖書封面

評論、評分、閱讀與下載

---

    模式識別原理 PDF格式下載

---