模式識別及MATLAB實現

成書過程

修訂過程

該教材由楊傑擔任主編，由郭志強擔任副主編。具體編寫分工如下：第1～4章由楊傑編寫，第5～9章由郭志強編寫，陳奕蕾、劉瀅、曾亞麗、李義山、方輝、王賀、吳紫薇、林仲康等參加了部分文字的輸入、程式調試、插圖和校對工作。該教材在編寫過程中參考了相關的模式識別文獻。

出版工作

2017年7月，該教材由電子工業出版社出版。

出版社工作人員

策劃編輯	責任編輯	特約編輯
董亞峰	郝黎明	張燕虹

內容簡介

該教材主要介紹模式識別的基礎知識、基本方法、程式實現和典型實踐套用。全書共9章。第1章介紹模式識別的基本概念、基礎知識；第2章介紹貝葉斯決策理論；第3章介紹機率密度函式的參數估計；第4章介紹非參數判別分類方法；第5章介紹聚類分析；第6章介紹特徵提取與選擇；第7章介紹模糊模式識別；第8章介紹神經網路在模式識別中的套用；第9章介紹模式識別的工程套用。每章的內容安排從問題背景引入，講述基本內容和方法，到實踐套用（通過MATLAB軟體編程）。

教材目錄

第1章緒論 1
1.1 模式識別的基本概念 1
1.1.1 生物的識別能力 1
1.1.2 模式識別的概念 2
1.1.3 模式識別的特點 2
1.1.4 模式的描述方法及特徵空間 4
1.2 模式識別系統的組成和主要方法 5
1.2.1 模式識別系統的組成 5
1.2.2 模式識別的方法 7
1.3 模式識別的套用 9
1.3.1 文字識別 9
1.3.2 語音識別 10
1.3.3 指紋識別 10
1.3.4 遙感圖像識別 11
1.3.5 醫學診斷 11
1.4 全書內容簡介 12
習題及思考題 13
第2章貝葉斯決策理論 14
2.1 幾個重要的概念 14
2.2 幾種常用的決策規則 15
2.2.1 基於最小錯誤率的貝葉斯決策 16
2.2.2 最小風險判別規則 18
2.2.3 最大似然比判別規則 20
2.2.4 Neyman-Pearson判別規則 22
2.3 常態分配中的Bayes分類方法 26
2.4 MATLAB程式實現 33
習題及思考題 37
第3章機率密度函式的參數估計 39
3.1 機率密度函式估計概述 39
3.2 最大似然估計 40
3.3 貝葉斯估計與貝葉斯學習 42
3.4 非參數估計 47
3.4.1 非參數估計的基本方法 48
3.4.2 Parzen窗法 50
3.4.3 -近鄰估計法 54
3.5 MATLAB示例 55
習題及思考題 60
第4章非參數判別分類方法 62
4.1 線性分類器 62
4.1.1 線性判別函式的基本概念 62
4.1.2 多類問題中的線性判別函式 64
4.1.3 廣義線性判別函式 68
4.1.4 線性分類器的主要特性及設計步驟 70
4.1.5 感知器算法 74
4.1.6 Fisher線性判別函式 79
4.2 非線性判別函式 84
4.2.1 非線性判別函式與分段線性判別函式 84
4.2.2 基於距離的分段線性判別函式 85
4.3 支持向量機 87
4.3.1 線性可分情況 87
4.3.2 線性不可分情況 89
4.4 MATLAB示例 91
習題及思考題 94
第5章聚類分析 95
5.1 模式相似性測度 95
5.1.1 距離測度 96
5.1.2 相似測度 99
5.1.3 匹配測度 100
5.2 類間距離測度方法 102
5.2.1 最短距離法 102
5.2.2 最長距離法 102
5.2.3 中間距離法 102
5.2.4 重心法 103
5.2.5 平均距離法（類平均距離法） 103
5.3 聚類準則函式 105
5.3.1 誤差平方和準則 105
5.3.2 加權平均平方距離和準則 106
5.3.3 類間距離和準則 107
5.3.4 離散度矩陣 107
5.4 基於距離閾值的聚類算法 108
5.4.1 最近鄰規則的聚類算法 109
5.4.2 最大最小距離聚類算法 109
5.5 動態聚類算法 111
5.5.1 C-均值聚類算法 111
5.5.2 ISODATA聚類算法 115
5.6 MATLAB示例 121
習題及思考題 126

第6章特徵提取與選擇 1286.1 類別可分性判據 128
6.2 基於距離的可分性判據 129
6.3 按機率距離判據的特徵提取方法 131
6.4 基於熵函式的可分性判據 134
6.5 基於Karhunen-Loeve變換的特徵提取 135
6.5.1 Karhunen-Loeve變換 135
6.5.2 使用K-L變換進行特徵提取 138
6.6 特徵選擇 141
6.6.1 次優搜尋法 142
6.6.2 最優搜尋法 143
6.7 MATLAB舉例 145
習題及思考題 147
第7章模糊模式識別 148
7.1 模糊數學的基礎知識 148
7.1.1 集合及其特徵函式 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 模糊關係及模糊矩陣 155
7.2 模糊模式識別方法 156
7.2.1 最大隸屬度識別法 157
7.2.2 擇近原則識別法 157
7.2.3 基於模糊等價關係的聚類方法 159
7.2.4 模糊C-均值聚類 161
7.3 MATLAB程式設計 163
習題及思考題 165
第8章神經網路在模式識別中的套用 167
8.1 人工神經網路的基礎知識 167
8.1.1 人工神經網路的發展歷史 167
8.1.2 生物神經元 168
8.1.3 人工神經元 168
8.1.4 人工神經網路的特點 169
8.2 前饋神經網路 169
8.2.1 感知器 170
8.2.2 多層感知器 171
8.3 自組織特徵映射網路 173
8.3.1 網路結構 173
8.3.2 網路的識別過程 174
8.3.3 網路的學習過程 174
8.4 徑向基函式（RBF）神經網路 175
8.4.1 網路結構 175
8.4.2 徑向基函式 176
8.4.3 網路的學習過程 176
8.5 深度學習 177
8.5.1 深度學習介紹 178
8.5.2 受限玻爾茲曼機 178
8.5.3 深度置信網路 180
8.5.4 卷積神經網路 181
8.6 MATLAB舉例 183
習題及思考題 188
第9章模式識別的工程套用 190
9.1 基於BP神經網路的手寫數字識別 190
9.1.1 整體方案設計 190
9.1.2 字元圖像的特徵提取 191
9.1.3 BP神經網路的設計 195
9.1.4 BP神經網路的訓練 197
9.1.5 BP神經網路的識別 197
9.2 基於樸素貝葉斯的中文文本分類 198
9.2.1 文本分類原理 199
9.2.2 文本特徵提取 199
9.2.3 樸素貝葉斯分類器設計 201
9.2.4 測試文本分類 202
9.3 基於PCA（主要成分分析）和SVM（支持向量機）的人臉識別 205
9.3.1 人臉圖像獲取 205
9.3.2 人臉圖像預處理 206
9.3.3 人臉圖像特徵提取 207
9.3.4 SVM分類器的設計和分類 209
9.4 基於隱馬爾科夫模型的語音識別 210
9.4.1 語音識別的原理 210
9.4.2 語音採集 211
9.4.3 語音信號的預處理 212
9.4.4 MFCC特徵參數提取 216
9.4.5 HMM模型訓練 217
9.4.6 識別處理 218
參考文獻 219

模式識別及MATLAB實現

基本介紹

成書過程

修訂過程

出版工作

內容簡介

教材目錄

教學資源

教材特色

作者簡介

相關詞條

熱門詞條