模式識(shí)別導(dǎo)論

內(nèi)容概要

　　《模式識(shí)別導(dǎo)論》主要討論統(tǒng)計(jì)模式識(shí)別、句法結(jié)構(gòu)模式識(shí)別、模糊模式識(shí)別、智能模式識(shí)別及特征選擇和降維映射的基本理論和實(shí)用算法，并附有大量例題和計(jì)算機(jī)上機(jī)練習(xí)，加深了對(duì)理論和算法的深刻理解和實(shí)際應(yīng)用。尤其智能模式識(shí)別一章，它介紹了模式識(shí)別的最新理論成果——人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)，同時(shí)還介紹了這些新理論的應(yīng)用成果。書后還備有題庫和計(jì)算機(jī)上機(jī)用的數(shù)據(jù)集，適于教學(xué)和自學(xué)?！　　赌Ｊ阶R(shí)別導(dǎo)論》可作為高等院校信息工程、計(jì)算機(jī)及自動(dòng)化等專業(yè)的研究生和高年級(jí)本科生的模式識(shí)別教材。同時(shí)也可供計(jì)算機(jī)信息處理、計(jì)算機(jī)視覺、自動(dòng)控制、地球物理、生物信息等領(lǐng)域中從事模式識(shí)別研究的廣大科技人員和高校師生參考。

作者簡(jiǎn)介

　　盛立東，1939年出生于山東省煙臺(tái)市，1960年考入北京郵電學(xué)院無線電通訊與廣播專業(yè)，1965年留校任教至今。現(xiàn)為北京郵電大學(xué)信息與通信工程學(xué)院教授。歷任儀表車間主任，自動(dòng)化教研室主任，模式識(shí)別研究室主任，人工智能與自動(dòng)化教研室主任，自動(dòng)化教研中心主任，北京郵電學(xué)院信息系統(tǒng)管理組組長(zhǎng)，北京高校信息管理系統(tǒng)協(xié)作組副組長(zhǎng)。先后承擔(dān)多項(xiàng)國(guó)家級(jí)、部級(jí)科研項(xiàng)目，取得多項(xiàng)科研成果，其中部分成果已用于郵政編碼、稅收?qǐng)?bào)表等應(yīng)用領(lǐng)域。

書籍目錄

第1章　概論1.1　模式識(shí)別的基本概念1.2　模式和模式類1.3　模式識(shí)別的方法1.3.1　統(tǒng)計(jì)模式識(shí)別1.3.2　句法模式識(shí)別1.3.3　模糊模式識(shí)別方法和神經(jīng)網(wǎng)絡(luò)方法1.4　學(xué)習(xí)（訓(xùn)練）的概念1.5　模式識(shí)別系統(tǒng)1.5.1　數(shù)據(jù)獲取1.5.2　預(yù)處理1.5.3　特征選擇和降維1.5.4　分類決策1.6　模型識(shí)別技術(shù)的重要應(yīng)用1.6.1　科學(xué)應(yīng)用1.6.2　生命與行為科學(xué)1.6.3　工業(yè)應(yīng)用1.6.4　醫(yī)學(xué)應(yīng)用1.6.5　農(nóng)業(yè)應(yīng)用1.6.6　行政應(yīng)用1.6.7　某些軍事用途1.7　模式識(shí)別應(yīng)用舉例--郵政編碼識(shí)別1.7.1　二值化處理1.7.2　平滑處理1.7.3　細(xì)化處理1.7.4　跟蹤和抽取特征1.7.5　分類判決第2章　判別函數(shù)2.1　判別函數(shù)（判決函數(shù)）2.2　線性判別函數(shù)2.3　線性判別函數(shù)的性質(zhì)2.3.1　模式空間與加權(quán)空間2.3.2　解向量和解區(qū)2.3.3　超平面的幾何性質(zhì)2.3.4　二分法能力2.4　廣義線性判別函數(shù)2.5　非線性判別函數(shù)2.5.1　分段線性判別函數(shù)2.5.2　基于距離的分段線性判別函數(shù)2.5.3　基于函數(shù)的分段線性判別函數(shù)2.5.4　用凹函數(shù)的并表示分段線性判別函數(shù)2.5.5　二次判別函數(shù)第3章　分類器的設(shè)計(jì)3.1　線性分類器的設(shè)計(jì)3.1.1　梯度下降法--迭代法3.1.2　感知器法3.1.3　最小平方誤差準(zhǔn)則（MSE法）--非迭代法3.1.4　韋-霍氏法（LMS法）3.1.5　何-卡氏法（LMSE算法）3.1.6　Fisher分類準(zhǔn)則3.2　分段線形分類器的設(shè)計(jì)3.2.1　已知子類劃分時(shí)的設(shè)計(jì)方法3.2.2　已知子類數(shù)目的設(shè)計(jì)方法3.2.3　未知子類數(shù)目時(shí)的設(shè)計(jì)方法3.3　線性不可分問題的分類器的設(shè)計(jì)3.4　討論第4章　貝葉斯決策理論4.1　Bayes（貝葉斯）分類器4.1.1　兩類問題4.1.2　多類情況4.2　正態(tài)分布決策理論4.2.1　正態(tài)分布判別函數(shù)4.2.2　最小錯(cuò)誤率（貝葉斯）分類器4.3　關(guān)于分類器的錯(cuò)誤率分析4.3.1　一般錯(cuò)誤率分析4.3.2　正態(tài)分布最小錯(cuò)誤率4.4　最小風(fēng)險(xiǎn)貝葉斯分類器4.5　貝葉斯分類器算法4.6　聶曼-皮爾遜判決準(zhǔn)則（Neyman-Pearson）4.7　最大最小判別準(zhǔn)則4.8　決策樹4.8.1　基本概念4.8.2　決策樹的構(gòu)造4.8.3　決策樹設(shè)計(jì)的基本考慮4.9　序貫分類4.10　討論第5章　參數(shù)估計(jì)與非參數(shù)估計(jì)5.1　參數(shù)估計(jì)與監(jiān)督學(xué)習(xí)5.1.1　參數(shù)估計(jì)與非參數(shù)估計(jì)5.1.2　監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)5.2　參數(shù)估計(jì)理論5.2.1　最大似然估計(jì)5.2.2　貝葉斯估計(jì)5.2.3　貝葉斯學(xué)習(xí)5.3　非參數(shù)估計(jì)5.3.1　密度估計(jì)5.3.2　Parzen窗口估計(jì)5.3.3　kn近鄰估計(jì)5.3.4　后驗(yàn)概率的估計(jì)5.3.5　修正的k近鄰分類方法5.3.6　最近鄰法則5.3.7　簡(jiǎn)化最近鄰法則第6章　聚類分析6.1　系統(tǒng)聚類6.1.1　兩類距離6.1.2　聚類算法和遞推公式6.1.3　利用非對(duì)稱相似性矩陣的系統(tǒng)聚類方法6.2　分解聚類6.2.1　對(duì)分法6.2.2　一種方式的分解算法6.3　動(dòng)態(tài)聚類--兼顧系統(tǒng)聚類和分解聚類6.3.1　動(dòng)態(tài)聚類的方法概要6.3.2　代表點(diǎn)的選取方法6.3.3　初始分類和調(diào)整6.3.4　k次平均算法6.3.5　ISODATA算法（迭代自組織數(shù)據(jù)分析算法）6.4　利用圖論的聚類方法6.4.1　基本概念6.4.2　孔茨的樹聚類算法6.5　滿足鄰接條件的聚類方法6.5.1　最優(yōu)分割法6.5.2　二維鄰接條件6.5.3　滿足二維鄰接條件的聚類算法6.5.4　滿足鄰接條件的其他聚類方法第7章　句法結(jié)構(gòu)模式識(shí)別7.1　引言7.2　形式語言基礎(chǔ)7.2.1　基本概念7.2.2　短語結(jié)構(gòu)文法7.3　模式的描述方法7.3.1　模式基元的選擇和鏈描述法7.3.2　染色體文法7.3.3　圖像描述語言（PDL）7.3.4　標(biāo)準(zhǔn)形式文法7.3.5　高維文法7.3.6　狀態(tài)轉(zhuǎn)移圖描述法7.4　文法推斷7.4.1　基本定義7.4.2　有限狀態(tài)文法推斷（正則文法的推斷）7.4.3　非有限狀態(tài)文法的推斷7.5　句法分析7.5.1　用句法分析作模式識(shí)別7.5.2　句法分析的主要方法7.5.3　楊格（Younger）法7.5.4　CYK（Cocke-Younger-Kasami）剖析（列表法）7.5.5　厄利（Earley）法7.5.6　轉(zhuǎn)移圖文法7.5.7　算子優(yōu)先文法7.6　自動(dòng)機(jī)理論7.6.1　有限狀態(tài)自動(dòng)機(jī)7.6.2　下推自動(dòng)機(jī)（PDA）7.6.3　1型文法和線性有界自動(dòng)機(jī)7.6.4　O型文法和圖靈機(jī)7.6.5　句法引導(dǎo)的簡(jiǎn)單翻譯自動(dòng)機(jī)7.7　誤差校正句法分析7.7.1　隨機(jī)文法7.7.2　句法模式相似性度量7.7.3　句法模式的聚類分析7.7.4　最小距離法第8章　模糊模式識(shí)別8.1　模糊集的基本概念8.2　模糊集的簡(jiǎn)單運(yùn)算與模糊關(guān)系8.3　隸屬函數(shù)8.4　模糊識(shí)別方法第9章　特征選擇與降維9.1　單個(gè)特征的評(píng)價(jià)9.1.1　K-W檢驗(yàn)9.1.2　直方圖方法9.1.3　利用不確定性選擇特征9.1.4　用于有序樣本的特征選擇方法9.2　主成分分析和對(duì)應(yīng)分析9.2.1　主成分分析9.2.2　對(duì)應(yīng)分析9.3　考慮多類情形的線性降維映射法9.3.1　幾種常用線性映射及其性質(zhì)9.3.2　多類問題線性降維映射算法9.4　非線性的降維映射方法9.4.1　降維映射方法中的幾個(gè)問題9.4.2　迭代方法9.4.3　非迭代方法9.5　特征選擇9.5.1　最優(yōu)搜索算法9.5.2　次優(yōu)搜索法9.6　特征選擇的幾種新方法9.6.1　模擬退火算法9.6.2　Tabu搜索算法9.6.3　遺傳算法第10章　智能模式識(shí)別10.1　邏輯推理法10.1.1　引言10.1.2　知識(shí)表示方法10.1.3　基于知識(shí)的推理10.1.4　知識(shí)的獲取10.1.5　應(yīng)用實(shí)例10.2　人工神經(jīng)網(wǎng)絡(luò)10.2.1　大腦神經(jīng)元的構(gòu)成及其機(jī)理10.2.2　人工神經(jīng)網(wǎng)絡(luò)概述10.2.3　BP神經(jīng)網(wǎng)絡(luò)模型10.2.4　Hopfield神經(jīng)網(wǎng)絡(luò)模型10.3　支持向量機(jī)10.3.1　概述10.3.2　統(tǒng)計(jì)學(xué)習(xí)理論10.3.3　支持向量機(jī)10.3.4　順序最小優(yōu)化算法10.3.5　對(duì)SMO算法的改進(jìn)10.3.6　應(yīng)用改進(jìn)的SMO算法的手寫體數(shù)字識(shí)別系統(tǒng)10.3.7　討論10.4　智能模式識(shí)別應(yīng)用舉例10.4.1　神經(jīng)網(wǎng)絡(luò)集成的手寫體數(shù)字識(shí)別10.4.2　基于BP神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)的二級(jí)手寫體數(shù)字識(shí)別系統(tǒng)模式識(shí)別導(dǎo)論題庫附錄　計(jì)算機(jī)上機(jī)作業(yè)用數(shù)據(jù)集參考文獻(xiàn)

圖書封面

評(píng)論、評(píng)分、閱讀與下載

---

    模式識(shí)別導(dǎo)論 PDF格式下載

---