描述
开 本: 16开纸 张: 胶版纸包 装: 平装-胶订是否套装: 否国际标准书号ISBN: 9787121321276
第1章 绪论 1
1.1 模式识别的基本概念 1
1.1.1 生物的识别能力 1
1.1.2 模式识别的概念 2
1.1.3 模式识别的特点 2
1.1.4 模式的描述方法及特征空间 4
1.2 模式识别系统的组成和主要方法 5
1.2.1 模式识别系统的组成 5
1.2.2 模式识别的方法 7
1.3 模式识别的应用 9
1.3.1 文字识别 9
1.3.2 语音识别 10
1.3.3 指纹识别 10
1.3.4 遥感图像识别 11
1.3.5 医学诊断 11
1.4 全书内容简介 12
习题及思考题 13
第2章 贝叶斯决策理论 14
2.1 几个重要的概念 14
2.2 几种常用的决策规则 15
2.2.1 基于小错误率的贝叶斯决策 16
2.2.2 小风险判别规则 18
2.2.3 似然比判别规则 20
2.2.4 Neyman-Pearson判别规则 22
2.3 正态分布中的Bayes分类方法 26
2.4 MATLAB程序实现 33
习题及思考题 37
第3章 概率密度函数的参数估计 39
3.1 概率密度函数估计概述 39
3.2 似然估计 40
3.3 贝叶斯估计与贝叶斯学习 42
3.4 非参数估计 47
3.4.1 非参数估计的基本方法 48
3.4.2 Parzen窗法 50
3.4.3 -近邻估计法 54
3.5 MATLAB示例 55
习题及思考题 60
第4章 非参数判别分类方法 62
4.1 线性分类器 62
4.1.1 线性判别函数的基本概念 62
4.1.2 多类问题中的线性判别函数 64
4.1.3 广义线性判别函数 68
4.1.4 线性分类器的主要特性及设计步骤 70
4.1.5 感知器算法 74
4.1.6 Fisher线性判别函数 79
4.2 非线性判别函数 84
4.2.1 非线性判别函数与分段线性判别函数 84
4.2.2 基于距离的分段线性判别函数 85
4.3 支持向量机 87
4.3.1 线性可分情况 87
4.3.2 线性不可分情况 89
4.4 MATLAB示例 91
习题及思考题 94
第5章 聚类分析 95
5.1 模式相似性测度 95
5.1.1 距离测度 96
5.1.2 相似测度 99
5.1.3 匹配测度 100
5.2 类间距离测度方法 102
5.2.1 短距离法 102
5.2.2 长距离法 102
5.2.3 中间距离法 102
5.2.4 重心法 103
5.2.5 平均距离法（类平均距离法） 103
5.3 聚类准则函数 105
5.3.1 误差平方和准则 105
5.3.2 加权平均平方距离和准则 106
5.3.3 类间距离和准则 107
5.3.4 离散度矩阵 107
5.4 基于距离阈值的聚类算法 108
5.4.1 近邻规则的聚类算法 109
5.4.2 小距离聚类算法 109
5.5 动态聚类算法 111
5.5.1 C-均值聚类算法 111
5.5.2 ISODATA聚类算法 115
5.6 MATLAB示例 121
习题及思考题 126
第6章 特征提取与选择 128
6.1 类别可分性判据 128
6.2 基于距离的可分性判据 129
6.3 按概率距离判据的特征提取方法 131
6.4 基于熵函数的可分性判据 134
6.5 基于Karhunen-Loeve变换的特征提取 135
6.5.1 Karhunen-Loeve变换 135
6.5.2 使用K-L变换进行特征提取 138
6.6 特征选择 141
6.6.1 次优搜索法 142
6.6.2 搜索法 143
6.7 MATLAB举例 145
习题及思考题 147
第7章 模糊模式识别 148
7.1 模糊数学的基础知识 148
7.1.1 集合及其特征函数 148
7.1.2 模糊集合 149
7.1.3 模糊集合的 水平截集 154
7.1.4 模糊关系及模糊矩阵 155
7.2 模糊模式识别方法 156
7.2.1 隶属度识别法 157
7.2.2 择近原则识别法 157
7.2.3 基于模糊等价关系的聚类方法 159
7.2.4 模糊C-均值聚类 161
7.3 MATLAB程序设计 163
习题及思考题 165
第8章 神经网络在模式识别中的应用 167
8.1 人工神经网络的基础知识 167
8.1.1 人工神经网络的发展历史 167
8.1.2 生物神经元 168
8.1.3 人工神经元 168
8.1.4 人工神经网络的特点 169
8.2 前馈神经网络 169
8.2.1 感知器 170
8.2.2 多层感知器 171
8.3 自组织特征映射网络 173
8.3.1 网络结构 173
8.3.2 网络的识别过程 174
8.3.3 网络的学习过程 174
8.4 径向基函数（RBF）神经网络 175
8.4.1 网络结构 175
8.4.2 径向基函数 176
8.4.3 网络的学习过程 176
8.5 深度学习 177
8.5.1 深度学习介绍 178
8.5.2 受限玻尔兹曼机 178
8.5.3 深度置信网络 180
8.5.4 卷积神经网络 181
8.6 MATLAB举例 183
习题及思考题 188
第9章 模式识别的工程应用 190
9.1 基于BP神经网络的手写数字识别 190
9.1.1 整体方案设计 190
9.1.2 字符图像的特征提取 191
9.1.3 BP神经网络的设计 195
9.1.4 BP神经网络的训练 197
9.1.5 BP神经网络的识别 197
9.2 基于朴素贝叶斯的中文文本分类 198
9.2.1 文本分类原理 199
9.2.2 文本特征提取 199
9.2.3 朴素贝叶斯分类器设计 201
9.2.4 测试文本分类 202
9.3 基于PCA（主要成分分析）和SVM（支持向量机）的人脸识别 205
9.3.1 人脸图像获取 205
9.3.2 人脸图像预处理 206
9.3.3 人脸图像特征提取 207
9.3.4 SVM分类器的设计和分类 209
9.4 基于隐马尔科夫模型的语音识别 210
9.4.1 语音识别的原理 210
9.4.2 语音采集 211
9.4.3 语音信号的预处理 212
9.4.4 MFCC特征参数提取 216
9.4.5 HMM模型训练 217
9.4.6 识别处理 218
参考文献 219
前 言
模式识别的概念早诞生于20世纪二三十年代，在60年代初发展成为一门学科，并很快成为智能信息处理的核心内容之一。模式识别技术迅速扩展，几乎遍及各个学科，广泛应用于人工智能、机器人、系统控制、遥感数据分析、生物医学工程、军事目标识别等领域，在国民经济、国防建设和社会发展等方面得到广泛应用，产生了深远的影响。随着学科的发展，模式识别课程已逐渐成为信息与通信工程、自动控制工程、电子科学与技术、计算机工程等专业的重要专业课程。
本书主要介绍模式识别的基础知识、基本方法、程序实现和典型应用。全书共9章。第1章介绍模式识别的基本概念、基础知识；第2章介绍贝叶斯决策理论；第3章介绍概率密度函数的参数估计；第4章介绍非参数判别分类方法；第5章介绍聚类分析；第6章介绍特征提取与选择；第7章介绍模糊模式识别；第8章介绍神经网络在模式识别中的应用；第9章介绍模式识别的工程应用。
本书内容基本涵盖了目前模式识别重要的理论和方法，但并没有简单地将各种理论方法堆砌起来，而是在介绍理论方法的同时，将各种算法应用于实际实例中讲解。书中含有需要应用模式识别技术解决的实际问题，有模式识别理论的讲解和推理，有将理论转化为编程的步骤，有计算机能够运行的源代码，有计算机运行模式识别算法程序后的效果，使读者能有所学就会有所用。
本书特点
本书以实践为导向，采用具体实例介绍理论和技术，使理论和实践相结合，避免了空洞的理论说教。书中的很多算法实例在实际应用中具有广泛的代表性，读者对程序稍加改进，就可以应用到不同的场合，例如文字识别、图形识别等。本书在介绍许多重要的经典内容基础上，还详细介绍了近十几年来发展的并被实践证明有用的新技术、新理论，如神经网络、模糊集理论等，并将这些新技术应用于模式识别中，提供这些新技术的源代码。
为配合教师教学，帮助学生学习，作者还编写与本书配套的《模式识别及MATLAB实现——学习与实验指导》，概括教材各章知识要点和相关理论的编程实验。
本书可作为高等院校计算机工程、信息工程、生物医学工程、智能机器人学、工业自动化、模式识别等学科本科生、研究生的教材或教学参考书，也可供有关工程技术人员参考。
本书特色
（1）系统性强，从问题背景的引入开始，讲述基本内容和方法，通过MATLAB编程实践进行结果分析。
（2）重点突出，理论、应用与实际编程紧密结合，理论与实例并重。
本书由杨杰担任主编，由郭志强担任副主编。
本书第1～4章由杨杰编写，第5～9章由郭志强编写，陈奕蕾、刘滢、曾亚丽、李义山、方辉、王贺、吴紫薇、林仲康等参加了部分文字的输入、程序调试、插图和校对工作。在编写本书过程中参考了大量的模式识别文献，在此对这些文献的作者表示真诚的感谢。
由于作者水平有限，书中难免存在缺点和疏漏之处，恳请读者批评指正。
作 者
评论
还没有评论。