《模式識別研究及套用》是清華大學出版社2014年出版的圖書，作者是董愛美。
基本介紹
- 書名：模式識別研究及套用
- 作者：董愛美
- ISBN：9787302391333
- 出版時間：2014.12.01
作者：董愛美
定價：39元
印次：1-1
ISBN：9787302391333
出版日期：2014.12.01
印刷日期：2015.01.30
定價：39元
印次：1-1
ISBN：9787302391333
出版日期：2014.12.01
印刷日期：2015.01.30
本書全面介紹模式識別技術的基本概念和代表性方法，重點介紹各模式識別方法的研究前沿及發展方向。全書共8章，主要內容包括概論、特徵處理技術、支持向量機及核技術、線性/非線性分類器、人工神經網路、分類方法、聚類方法及模糊模式識別。
目錄
第1章概論 1
1.1模式與模式識別 1
1.1.1模式識別技術的發展概況 2
1.1.2相關概念 3
1.1.3描述模式的基本方法 3
1.1.4模式識別系統的組成部分 4
1.1.5統計模式識別的主要研究內容 5
1.2最佳化設計特徵空間問題 6
1.2.1特徵選擇 7
1.2.2特徵提取 8
1.3分類器設計問題 9
1.3.1分類器設計的基本方法 11
1.3.2分類器判別函式的設計 12
1.3.3分類器選擇的幾個原則 14
1.3.4分類器的使用方法 15
1.4聚類器設計問題 16
1.4.1聚類的基本概念 16
1.4.2聚類的基本準則 17
1.5模式識別的套用 18
1.5.1車牌識別 18
1.5.2生物醫學工程中的套用 19
1.5.3語音識別 20
1.5.4說話人識別 21
1.6本書的主要內容 24
第2章特徵處理技術 27
2.1特徵空間最佳化設計問題 27
2.1.1引言 27
2.1.2樣本特徵庫初步分析 30
2.1.3樣品篩選處理 31
2.1.4特徵篩選處理 32
2.1.5特徵選擇技術 33
2.1.6特徵提取技術 34
2.2特徵空間和特徵空間分布的表示 35
2.2.1特徵空間的表示方法 35
2.2.2特徵空間的分布表示方法 39
2.3特徵評估準則 40
2.3.1基於間隔的特徵評估準則 40
2.3.2基於互信息的特徵評估準則 41
2.3.3基於距離的特徵評估準則 41
2.3.4基於分類誤差的特徵評估準則 42
2.3.5基於機率的特徵評估準則 43
2.3.6基於熵度量的特徵評估準則 43
2.4特徵選擇 44
2.4.1特徵選擇的典型定義 44
2.4.2特性選擇的基本步驟 45
2.4.3分支定界算法 47
2.4.4次優搜尋法 50
2.4.5特徵選擇的幾種新算法 51
2.5特徵提取 53
2.5.1譜方法 54
2.5.2線性譜方法 55
2.5.3非線性譜方法 57
2.5.4核方法 62
2.6特徵處理技術的套用 63
第3章統計學習理論和支持向量機 67
3.1引言 67
3.1.1機器學習的發展歷史和現狀 68
3.1.2有限小樣本的預測學習方法 68
3.1.3支持向量機算法的研究現狀 69
3.2機器學習的基本問題和方法 71
3.2.1機器學習問題的表示方法 71
3.2.2經驗風險最小化 72
3.2.3複雜性與泛化性能 73
3.3統計學習理論的核心內容 74
3.3.1學習過程一致性的條件 75
3.3.2函式集的學習性能及VC維理論 76
3.3.3泛化性能的界 76
3.3.4結構風險最小化 77
3.4支持向量機技術 78
3.4.1引言 78
3.4.2線性劃分問題的支持向量機 79
3.4.3推廣的線性劃分問題的支持向量機 81
3.4.4線性不可分問題的支持向量機 82
3.5支持向量機變形及其性質 84
3.5.1無b齊次SVM算法 84
3.5.2軟間隔SVM算法系列 85
3.5.3最小二乘SVM算法 86
3.5.4單分類SVM算法系列 87
3.6核方法 89
3.6.1核方法的研究現狀 89
3.6.2核方法的原理及分類 90
3.6.3核函式及常用形式 91
3.6.4核支持向量機的MATLAB實現算法 91
3.7支持向量機中核函式的選擇 92
3.7.1核函式選擇的主要研究方向 92
3.7.2核函式的選擇 94
3.7.3核函式中參數的選擇 94
3.8支持向量機及核技術的MATLAB實現 95
3.8.1支持向量機訓練方法代碼 95
3.8.2支持向量機分類方法代碼 96
第4章線性/非線性分類器 99
4.1判別函式的基本概念 99
4.2線性判別函式 100
4.2.1線性判別函式的一般形式及決策面 100
4.2.2設計線性判別函式的主要步驟 102
4.3感知器算法 102
4.3.1感知器算法概述 102
4.3.2感知器算法的一個變形 105
4.3.3感知器 106
4.3.4口袋算法 106
4.4增量校正算法 107
4.4.1理論基礎 107
4.4.2算法概述 109
4.4.3算法實現步驟 110
4.5Fisher線性判別分析 110
4.6最小二乘法 112
4.6.1均方誤差估計 112
4.6.2隨機逼近和LMS算法 114
4.6.3誤差平方和估計 116
4.7分段線性判別函式 117
4.7.1分段線性判別函式的基本思想 117
4.7.2基於距離的分段線性判別函式 118
4.7.3一般的分段線性判別函式 120
4.8二次判別函式 122
4.9非線性判別函式 123
4.9.1線性分類器實現分類的局限性 123
4.9.2非線性判別函式概述 123
4.10多層感知器神經網路 124
4.10.1引言 124
4.10.2兩層感知器神經網路 124
4.10.3多層感知器神經網路 125
第5章人工神經網路 131
5.1前向反饋網路函式 131
5.2網路訓練 135
5.2.1參數最佳化 136
5.2.2局部二次逼近 137
5.2.3梯度信息利用 140
5.2.4梯度下降最佳化方法 140
5.3誤差反向傳播 141
5.3.1誤差函式偏導數的估計 142
5.3.2簡單示例 145
5.3.3反向傳播算法的效率 146
5.3.4雅可比矩陣 147
5.4Hessian矩陣 149
5.4.1對角逼近 150
5.4.2外積逼近 151
5.4.3逆Hessian矩陣 151
5.4.4有限差分 152
5.4.5Hessian矩陣的精確逼近 153
5.4.6Hessian的快速乘法 154
5.5神經網路的正則化 156
5.5.1一致的高斯先驗 157
5.5.2提前終止 159
5.5.3不變性 160
5.5.4正切(直線)傳播 161
5.5.5用轉換後的數據訓練 162
5.5.6卷積網路 164
第6章模式分類方法 167
6.1模式分類方法概述 167
6.2大樣本分類方法研究及套用 168
6.2.1核心向量機算法 169
6.2.2核心向量計算法能解決的核問題 173
6.2.3基於點邊界的大樣本分類方法 177
6.2.4基於點邊界的大樣本模糊分類方法 179
6.2.5更為一般化的基於核心向量機算法的大樣本快速分類方法 181
6.3遷移分類方法研究及套用 185
6.3.1引言 185
6.3.2遷移分類學習概述 186
6.3.3基於實例的遷移分類學習方法研究 190
6.3.4基於特徵的遷移分類學習方法研究 193
6.3.5基於參數的遷移分類學習方法研究 194
6.4協作式分類方法研究及套用 195
6.4.1引言 195
6.4.2協作式整體和局部的分類學習算法 197
6.4.3廣義的局部保留分類機算法 199
第7章模式聚類方法 205
7.1聚類方法概述 205
7.1.1聚類分析的基本概念和步驟 205
7.1.2常見的聚類分析方法介紹 207
7.1.3其他聚類分析方法介紹 213
7.1.4聚類分析面臨的主要研究問題 214
7.2動態聚類算法研究及套用 215
7.2.1引言 215
7.2.2基於距離的動態聚類分析算法研究 216
7.2.3基於最近鄰思想的動態聚類分析算法研究 217
7.3模糊聚類算法研究及套用 220
7.3.1引言 220
7.3.2混合距離線性組合和模糊理論相結合的聚類算法 221
7.3.3模糊理論、軟子空間和特徵加權思想相結合的聚類算法 225
7.4大樣本聚類方法研究及套用 228
7.4.1引言 228
7.4.2最小包含球理論和圖論相結合的大樣本數據聚類分析算法研究 229
7.4.3快速壓縮集密度估計器和相似度聚類算法相結合的大樣本數據聚類分析算法 234
7.4.4核密度估計理論和圖論相結合的大樣本數據聚類分析算法 238
第8章模糊模式識別 243
8.1模糊集的基本概念 243
8.1.1隸屬函式 243
8.1.2模糊集合的表示 244
8.2模糊集的簡單運算及模糊關係 245
8.2.1模糊子集的運算 245
8.2.2模糊集運算的性質 246
8.2.3截集的定義和性質 247
8.2.4模糊關係 247
8.3模糊模式分類方法 250
8.3.1隸屬原則的模糊模式分類方法 250
8.3.2近鄰原則的模糊模式分類方法 250
8.4模糊模式聚類方法 252
8.4.1從傳統聚類分析方法到模糊聚類分析方法 252
8.4.2模糊聚類分析方法 253
致謝 255
參考文獻 257
