模式識別原理及工程套用

基本信息

模式識別原理及工程套用

書號： 41863

ISBN： 978-7-111-41863-4

作者： 周麗芳等

印次： 1-1

開本： 16開

字數： 172千字

定價： 39.0

所屬叢書： 高等院校計算機專業人才能力培養規劃教材

裝訂：

出版日期： 2013-06-05

內容簡介

模式識別是指對表征事物或現象的各種形式的(數值的、文字的和邏輯關係的)信息進行處理和分析，以對事物或現象進行描述、辨認、分類和解釋的過程。隨著模式識別理論和技術自身的發展及計算機數據處理能力的飛速提高，模式識別技術的套用已經開始進入各行各業，正逐漸影響著人們的生活。本書作者在多年模式識別教學實踐的基礎上編寫了此書，旨在給學習模式識別課程的學生和廣大從事模式識別實際套用的科研工作者和技術人員提供參考，幫助他們了解模式識別這個迅速發展的領域

目錄信息

前言

第1章　模式識別概述1

1.1　模式識別的基本概念1

1.2　模式識別的主要方法2

1.2.1　決策理論方法2

1.2.2　句法方法3

1.2.3　模糊模式識別方法3

1.2.4　人工神經網路方法3

1.2.5　人工智慧方法4

1.3　模式識別系統4

1.4　模式識別系統的套用舉例5

1.4.1　指紋識別5

1.4.2　車牌識別6

1.4.3　人臉識別7

1.4.4　語音識別9

1.5　本書的主要內容10

本章小結11

習題11

第2章　基於貝葉斯決策理論的分類器12

2.1　分類器的描述方法12

2.2　貝葉斯決策理論15

2.2.1　貝葉斯決策理論的概念15

2.2.2　基於最小錯誤率的貝葉斯決策與實現16

2.2.3　基於最小風險的貝葉斯決策與實現18

2.3　判別函式和決策面20

2.4　常態分配的貝葉斯分類21

2.5　最小最大損失準則28

本章小結32

習題32

第3章　機率密度函式的估計33

3.1　引言33

3.2　參數估計的基本概念34

3.2.1　最大似然估計34

3.2.2　貝葉斯估計和貝葉斯學習36

3.3　常態分配的有監督參數估計36

3.3.1　最大似然估計示例37

3.3.2　貝葉斯估計和貝葉斯學習示例38

3.4　無監督參數估計39

3.4.1　無監督最大似然估計中的幾個問題39

3.4.2　常態分配情況下的無監督參數估計41

3.5　總體分布的非參數估計41

3.5.1　基本方法41

3.5.2　Parzen窗法43

本章小結44

習題45

第4章　判別函式分類器的設計46

4.1　判別函式的基本概念46

4.2　線性判別函式46

4.2.1　廣義線性判別函式46

4.2.2　Fisher線性判別49

4.2.3　感知準則函式52

4.2.4　最小平方誤差準則函式56

4.3　線性分類器59

4.4　分段線性分類器61

4.5　基於核的Fisher分類64

4.6　非線性判別函式65

4.6.1　分段線性判別函式的基本概念65

4.6.2　用凹函式的並表示分段線性判別函式67

4.7　非線性分類器69

4.8　支持向量機72

本章小結75

習題76

第5章　近鄰法77

5.1　最近鄰法77

5.1.1　最近鄰決策規則77

5.1.2　最近鄰法的錯誤率分析78

5.2　k-近鄰法80

5.3　剪輯近鄰法84

5.4　壓縮近鄰法87

本章小結88

習題88

第6章　特徵選擇90

6.1　引言90

6.2　特徵的評價準則90

6.3　類別可分性判據91

6.3.1　基於類距離的可分性判據92

6.4　特徵子集的選擇93

6.5　最優特徵的生成94

6.6　特徵選擇的最優算法96

6.7　特徵選擇的次優算法99

6.8　特徵選擇的遺傳算法100

本章小結101

習題102

第7章　特徵提取103

7.1　引言103

7.2　基於類別可分性判據的特徵提取103

7.3　主成分分析法105

7.4　K-L變換107

7.5　非線性維數降低108

7.6　Haar變換116

本章小結119

習題119

第8章　聚類121

8.1　基本概念121

8.2　動態聚類算法122

8.2.1　概念122

8.2.2　C均值算法122

8.2.3　C均值算法的聚類數目125

8.3　模糊聚類算法126

8.3.1　概念126

8.3.2　模糊C均值算法127

8.3.3　基於交替最佳化的實現130

8.3.4　基於神經網路的實現131

8.3.5　基於進化計算的實現131

8.4　合併算法131

8.4.1　基於矩陣理論的合併算法133

8.4.2　基於圖論的合併算法133

8.5　層次聚類算法134

8.6　最佳聚類數的選擇137

8.7　順序聚類算法138

8.7.1　聚類數的估計140

8.7.2　順序聚類算法的改進141

本章小結142

習題143

第9章　模糊模式識別方法144

9.1　引言144

9.2　模糊集的基本知識144

9.2.1　模糊集的定義與運算144

9.3　模糊特徵和模糊分類149

9.3.1　模糊化特徵149

9.3.2　結果的模糊化150

9.4　特徵的模糊評價151

9.4.1　模糊度151

9.4.2　模糊特徵提取152

9.5　模糊模式識別的基本類型154

9.5.1　第一類模糊模式識別155

9.5.2　第二類模糊模式識別160

9.6　基於模糊相似矩陣的分類方法165

9.6.1　傳遞閉包法165

9.6.2　直接聚類法165

本章小結167

習題167

第10章　車牌識別的套用舉例169

10.1　概述169

10.2　字元識別算法170

10.2.1　字元識別原理170

10.2.2　基於模板匹配的字元識別算法171

10.2.3　基於神經網路的字元識別算法172

10.2.4　特徵統計匹配法173

10.3　實驗方案174

10.3.1　車牌定位174

10.3.2　車牌字元分割176

10.3.3　車牌字元識別177

本章小結177

習題177

第11章　簽名識別的套用舉例178

11.1　概述178

11.2　基於視頻的簽名識別系統流程179

11.3　實驗方案180

11.3.1　簽名識別的數據獲取與初始筆尖定位180

11.3.2　視頻簽名識別的筆尖追蹤183

11.3.3　基於視頻的簽名識別的特徵提取及分類185

本章小結187

習題188

第12章　人臉識別的套用舉例189

12.1　概述189

12.2　特徵獲取算法190

12.2.1　特徵獲取綜述190

12.2.2　基於幾何的特徵獲取算法190

12.2.3　基於統計的特徵獲取算法192

12.3　實驗方案194

12.3.1　人臉定位檢測194

12.3.2　人臉特徵提取196

12.3.3　人臉分類識別198

本章小結199

習題199

附錄　教學建議200

參考文獻202