模式識別導論

前言

模式識別是一門既具有較系統(tǒng)的理論體系，又仍處在迅速發(fā)展之中的邊緣學科，其應用幾乎遍及各個領域。這一學科涉及許多較為深奧的數(shù)學理論，對剛涉足這一領域的許多初學者來說，理解起來有一定的困難。本書既可以作為基礎教材，又反映學科發(fā)展方向，以此為基調(diào)，在選材上立足于“精”，在講解上立足于“透”。筆者結合多年教學經(jīng)驗，在模式識別理論的成熟部分，注重對基本概念的透徹講解，選擇經(jīng)典和實用的模式識別方法和算法進行討論。在內(nèi)容的安排上，注意由淺入深，討論問題時盡量減少數(shù)學推導和證明，通過實際運用加深學生對算法的理解，目的是使初學者能夠比較容易地盡快掌握模式識別的基本理論和方法。在材料組織上，兼顧計算機模式識別的基礎和發(fā)展兩個方面，按照統(tǒng)計模式識別、句法模式識別、模糊模式識別法和神經(jīng)網(wǎng)絡模式識別法四大理論體系組織全書內(nèi)容。其中統(tǒng)計模式識別方法是核心，模糊模式識別和神經(jīng)網(wǎng)絡模式識別是學科的新發(fā)展。在具體章節(jié)安排上，統(tǒng)計模式識別部分包括屬于非監(jiān)督分類的聚類分析方法（第2章）、監(jiān)督分類中的判別函數(shù)概念和幾何分類法（第3章）以及基于統(tǒng)計決策的概率分類法（第4章），為簡化分類器還討論了特征選擇和提取的方法（第5章）。第6章為句法模式識別，對概念和方法進行了簡要討論。第7章為模糊模式識別部分，鑒于本方向蓬勃的發(fā)展趨勢，對其內(nèi)容進行了充實和細化，充分地闡述了基本概念，詳細討論了其中的典型算法。第8章為神經(jīng)網(wǎng)絡模式識別法，介紹了幾種典型的用于模式識別的神經(jīng)網(wǎng)絡模型和算法。為方便學習，在附錄部分增加了必要的相關知識介紹，以備查閱。同時書中還配有豐富的圖表，有助于閱讀。

內(nèi)容概要

本書按照統(tǒng)計模式識別、句法模式識別、模糊模式識別法和神經(jīng)網(wǎng)絡模式識別法四大理論體系組織全書，其中統(tǒng)計模式識別是模式識別的經(jīng)典內(nèi)容和基礎知識，模糊模式識別法和神經(jīng)網(wǎng)絡模式識別法兩部分反映了模式識別學科發(fā)展的新進展，附錄部分歸納了書中需要用到的概率知識、向量和矩陣運算的常用公式，以及供上機練習用的模式樣本數(shù)據(jù)。    本書內(nèi)容由淺入深，便于教師根據(jù)不同情況選擇教學內(nèi)容。同時講解詳細，配有豐富的圖表和例題，有助于讀者閱讀與理解。提供了習題和計算機作業(yè)，供學習時使用。    本書可作為高等院校電子信息類專業(yè)高年級本科生和研究生的教材，也可供從事模式識別工作的廣大科技人員參考。

書籍目錄

第1章　緒論　1.1　模式和模式識別的概念　1.2　模式識別系統(tǒng)　　1.2.1  簡例　　1.2.2　模式識別系統(tǒng)組成　1.3　模式識別概況　　1.3.1　模式識別發(fā)展簡介　　1.3.2　模式識別分類　1.4　模式識別的應用第2章　聚類分析　2.1　距離聚類的概念　2.2　相似性測度和聚類準則　　2.2.1　相似性測度　　2.2.2　聚類準則　2.3　基于距離閾值的聚類算法　　2.3.1　近鄰聚類法　　2.3.2　最大最小距離算法　2.4　層次聚類法　2.5　動態(tài)聚類法　　2.5.1　K-均值算法　　2.5.2　迭代自組織的數(shù)據(jù)分析算法　2.6　聚類結果的評價　習題第3章　判別函數(shù)及幾何分類法　3.1　判別函數(shù)　3.2　線性判別函數(shù)　　3.2.1　線性判別函數(shù)的一般形式　　3.2.2　線性判別函數(shù)的性質(zhì)　3.3　廣義線性判別函數(shù)　3.4　線性判別函數(shù)的幾何性質(zhì)　　3.4.1　模式空間與超平面　　3.4.2　權空間與權向量解　　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　最小平方誤差算法　3.8　非線性判別函數(shù)　　3.8.1　分段線性判別函數(shù)　　3.8.2　分段線性判別函數(shù)的學習方法　　3.8.3　勢函數(shù)法　習題第4章　基于統(tǒng)計決策的概率分類法　4.1　研究對象及相關概率　4.2　貝葉斯決策　　4.2.1　最小錯誤率貝葉斯決策　　4.2.2　最小風險貝葉斯決策　　4.2.3　正態(tài)分布模式的貝葉斯決策　4.3　貝葉斯分類器的錯誤率　　4.3.1　錯誤率的概念　　4.3.2　錯誤率分析　　4.3.3　正態(tài)分布貝葉斯決策的錯誤率計算　　4.3.4　錯誤率的估計　4.4　聶曼·皮爾遜決策　4.5　概率密度函數(shù)的參數(shù)估計　　4.5.1　最大似然估計　　4.5.2　貝葉斯估計與貝葉斯學習　4.6　概率密度函數(shù)的非參數(shù)估計　　4.6.1　非參數(shù)估計的基本方法　　4.6.2　Parzen窗法……第5章　特征選擇與特征提取第6章　句法模式識別第7章　模糊模式識別法第8章　神經(jīng)網(wǎng)絡模式識別法附錄A 向量和矩陣運算附錄B　標準正態(tài)分布表及概率計算附錄C　計算機作業(yè)所用樣本數(shù)據(jù)　參考文獻

章節(jié)摘錄

插圖：第1章 緒論1.1 模式和模式識別的概念從廣義方面講，模式（pattern）是一個客觀事物的描述，即一個可用來仿效的完善的例子。模式識別（pattern recognition）按照哲學的定義，是指一個“外部信息到達感覺器官并被轉(zhuǎn)換成有意義的感覺經(jīng)驗”的過程。例如，桌上的玻璃杯里裝著某種物質(zhì)，人們對它進行仔細觀察，在這個過程中，眼睛、鼻子、皮膚等不同的感覺器官接收到一些來自這個物體的所謂的外部信息：無色、透明、液體、冒氣、無臭、溫度較高，這些感覺信息被送到大腦后，經(jīng)過處理，轉(zhuǎn)換成了感覺經(jīng)驗——熱水，這實際上就是一個模式識別的過程。人是一個深不可測的信息處理系統(tǒng)，具有超級模式識別能力。事實上，每個人每天都在進行模式識別。例如，一個人到一個新的城市里去找公共汽車站，就是在做模式識別。再例如，在一群嘈雜的人群中，我們能夠區(qū)別出熟悉的朋友的聲音；我們還能夠認識不同的人書寫的“不是很潦草”的字符；等等。這些其實都是模式識別過程。不同的人或同一個人在不同的時間寫出的字是不完全相同的，有時還會有很大差別，但我們能夠識別，這是因為在人的頭腦中有這樣一個仿制的模型，這就是模式。模式是由大量的取樣、學習、歸納而成的，人們將所看到的信息與此模式比較，從而判斷此信息是否屬于該類模式。因此，模式識別問題通常表現(xiàn)為對一組過程或事件的判別或分類（patternclassification）。人類具有的模式識別功能可否由機器來實現(xiàn)呢?這正是本書所要研究的內(nèi)容。

編輯推薦

《模式識別導論》內(nèi)容由淺入深，便于教師根據(jù)不同情況選擇教學內(nèi)容。同時講解詳細，配有豐富的圖表和例題，有助于讀者閱讀與理解。提供了習題和計算機作業(yè)，供學習時使用。

圖書封面

圖書標簽Tags

無

評論、評分、閱讀與下載

---

    模式識別導論 PDF格式下載

---