模式識別 — 使用 MATLAB 分析與實現

購買商店

模式識別 — 使用 MATLAB 分析與實現

$354.00

馬上購買

內容描述

本書依據作者多年從事模式識別教學和研究的體會,並參考相關文獻編寫而成,概括地介紹了模式識 別理論和技術的基本概念、原理、方法和實現。 全書共分為11章,每章闡述模式識別中的一個知識點,內容包括貝葉斯決策、概率密度函數的估計、 線性判別分析、非線性判別分析、組合分類器、無監督模式識別、特徵選擇、特徵提取、半監督學習以及人工 神經網絡。除了經典算法以外,本書增加了部分較新的理論和算法,讀者可以選擇性地學習。本書還配以 電子課件、MATLAB模擬程序和實驗指導書,便於教和學。 本書可以作為高等學校人工智能、電腦、信息、自動化、遙感、控制等專業本科生或研究生的教材或 參考書,也可以作為從事相關研究與應用人員的參考書。

目錄大綱

目錄
 
 
 
 
第1章緒論
 
1.1模式識別的基本概念
 
1.2模式識別方法
 
1.3模式識別系統
 
1.4模式識別的應用
 
習題
 
第2章貝葉斯決策
 
2.1貝葉斯決策的基本概念
 
2.2最小錯誤率貝葉斯決策
 
2.2.1決策規則
 
2.2.2錯誤率
 
2.2.3模擬實現
 
2.3最小風險貝葉斯決策
 
2.3.1決策規則
 
2.3.2兩種貝葉斯決策的關系
 
2.4樸素貝葉斯分類器
 
2.5NeymanPearson決策規則
 
2.6判別函數和決策面
 
2.7正態分佈模式的貝葉斯決策
 
2.7.1正態概率密度函數
 
2.7.2正態概率模型下的最小錯誤率貝葉斯分類器
 
2.7.3模擬實現
 
2.8貝葉斯決策的實例
 
習題
 
第3章概率密度函數的估計
 
3.1基本概念
 
3.2參數估計
 
3.2.1最大似然估計
 
3.2.2最大後驗估計
 
3.2.3貝葉斯估計
 
3.3非參數估計
 
3.3.1直方圖方法
 
3.3.2Parzen窗法
 
3.3.3kN近鄰密度估計法
 
3.4最小錯誤率貝葉斯決策的實例
 
習題
 
第4章線性判別分析
 
4.1基本概念
 
4.1.1線性判別函數
 
4.1.2廣義線性判別函數
 
4.1.3線性判別函數的設計
 
4.2Fisher線性判別分析
 
4.2.1基本原理
 
4.2.2準則函數及求解
 
4.2.3分類決策
 
4.2.4模擬實現
 
 
 
 
 
 
 
4.3感知器算法
 
4.3.1基本概念
 
4.3.2感知器準則函數及求解
 
4.3.3模擬實現
 
4.4最小二乘法
 
4.4.1平方誤差和準則函數
 
4.4.2均方誤差準則函數
 
4.4.3模擬實現
 
4.5支持向量機
 
4.5.1最優分類超平面與線性支持向量機
 
4.5.2非線性可分與線性支持向量機
 
4.5.3核函數與支持向量機
 
4.5.4模擬實現
 
4.6多類問題
 
4.6.1化多類分類為兩類分類
 
4.6.2多類線性判別函數
 
4.6.3糾錯輸出編碼方法
 
4.7線性判別分析的實例
 
習題
 
第5章非線性判別分析
 
5.1近鄰法
 
5.1.1最小距離分類器
 
5.1.2分段線性距離分類器
 
5.1.3近鄰法及模擬實現
 
5.2二次判別函數
 
5.3決策樹
 
5.3.1基本概念
 
5.3.2決策樹的構建
 
5.3.3過學習與決策樹的剪枝
 
5.3.4模擬實現
 
5.4Logistic回歸
 
5.4.1基本原理
 
5.4.2多分類任務
 
5.4.3模擬實現
 
5.5非線性判別分析的實例
 
習題
 
第6章組合分類器
 
6.1組合分類器的設計
 
6.1.1個體分類器的差異設計
 
6.1.2分類器性能度量
 
6.1.3組合策略
 
6.2Bagging算法
 
6.3隨機森林
 
6.4Boosting算法
 
6.4.1AdaBoost算法
 
6.4.2LogitBoost算法
 
6.4.3Gentle AdaBoost算法
 
6.4.4模擬實現
 
6.5組合分類的實例
 
習題
 
第7章無監督模式識別
 
7.1聚類的基本概念
 
7.2相似性測度
 
7.2.1樣本相似性測度
 
7.2.2點和集合之間的相似性測度
 
7.2.3集合和集合之間的相似性測度
 
7.3動態聚類
 
7.3.1C均值算法
 
7.3.2ISODATA算法
 
7.4層次聚類
 
7.4.1分裂層次聚類
 
7.4.2合並層次聚類
 
7.4.3模擬實現
 
7.5高斯混合聚類
 
7.5.1高斯混合分佈
 
7.5.2高斯混合聚類
 
7.5.3EM算法
 
7.5.4模擬實現
 
7.6模糊聚類
 
7.6.1模糊集的基本知識
 
7.6.2模糊C均值算法
 
7.7密度聚類
 
7.8聚類性能度量
 
7.8.1外部準則
 
7.8.2內部準則
 
7.8.3模擬實現
 
7.9聚類分析的實例
 
習題
 
第8章特徵選擇
 
8.1概述
 
8.2特徵的評價準則
 
8.2.1基於類內類間距離的可分性判據
 
8.2.2基於概率分佈的可分性判據
 
8.2.3基於熵函數的可分性判據
 
8.2.4基於統計檢驗的可分性判據
 
8.2.5特徵的相關性評價
 
8.3特徵選擇的優化算法
 
8.3.1特徵選擇的最優算法
 
8.3.2特徵選擇的次優算法
 
8.3.3特徵選擇的啟發算法
 
8.4過濾式特徵選擇方法
 
8.4.1最小冗餘最大相關算法
 
8.4.2Relief和ReliefF算法
 
8.4.3基於拉普拉斯分數的特徵選擇算法
 
8.5包裹式特徵選擇方法
 
8.6嵌入式特徵選擇方法
 
習題
 
第9章特徵提取
 
9.1概述
 
9.2基於類別可分性判據的特徵提取
 
9.3KL變換
 
9.3.1KL變換的定義
 
9.3.2KL變換的性質
 
9.3.3信息量分析
 
9.3.4奇異值分解
 
9.3.5模擬實現
 
9.4獨立成分分析
 
9.4.1問題描述
 
9.4.2ICA算法
 
9.4.3RICA算法
 
9.5非負矩陣分解
 
9.6稀疏濾波
 
9.7多維尺度法
 
9.7.1經典尺度法
 
9.7.2度量型MDS
 
9.7.3非度量型MDS
 
9.7.4等度量映射
 
9.8tSNE算法
 
9.9其他非線性降維方法
 
9.9.1拉普拉斯特徵映射
 
9.9.2局部線性嵌入
 
習題
 
第10章半監督學習
 
10.1基本概念
 
10.2半監督分類
 
10.2.1生成式模型
 
10.2.2半監督支持向量機
 
10.2.3基於圖的半監督學習
 
10.3半監督聚類
 
10.3.1約束C均值算法
 
10.3.2約束種子C均值算法
 
10.4半監督降維
 
10.4.1半監督局部Fisher判別分析
 
10.4.2基於約束的半監督降維
 
習題
 
第11章人工神經網絡
 
11.1神經元模型
 
11.2多層感知器神經網絡
 
11.2.1單層感知器
 
11.2.2多層感知器
 
11.2.3反向傳播算法
 
11.2.4網絡結構的設計
 
11.2.5用於模式識別
 
11.3其他常見神經網絡
 
11.3.1徑向基函數神經網絡
 
11.3.2自組織映射網絡
 
11.3.3概率神經網絡
 
11.3.4學習向量量化神經網絡
 
11.4基於前饋型神經網絡的分類實例
 
11.5深度神經網絡簡介
 
11.5.1受限玻爾茲曼機與深度置信網絡
 
11.5.2捲積神經網絡
 
11.5.3循環神經網絡
 
11.5.4生成對抗網絡
 
習題
 
參考文獻