中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
模式識別(第4版 版權信息
- ISBN：9787121102783
- 條形碼：9787121102783 ; 978-7-121-10278-3
- 裝幀：暫無
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
模式識別(第4版 本書特色
本書綜合考慮了有監督、無監督和半監督模式識別的經典的以及當前的理論和實踐，為專業技術人員和高校學生建立起了完整的基本知識體系。本書由模式識別領域的兩位頂級專家合著，全面闡述了模式識別的基礎理論、*新方法、以及各種應用。在第四版中增加了一些*新方法，具體有：半監督學習、非線性降維技術和譜聚類。
模式識別(第4版 內容簡介
本書全面闡述了模式識別的基礎理論、*新方法以及各種應用。模式識別是信息科學和人工智能的重要組成部分，主要應用領域有圖像分析、光學字符識別、信道均衡、語言識別和音頻分類等。本書在完美地結合當前的理論與實踐的基礎上，討論了貝葉斯分類、貝葉斯網絡、線性和非線性分類器設計、上下文相關分類、特征生成、特征選取技術、學習理論的基本概念以及聚類概念與算法。與前一版相比，增加了大數據集和高維數據相關的*新算法，這些算法適用于web挖掘和生物信息等應用；提供了*新的分類器和魯棒回歸的核方法；分類器組合技術，包括boosting方法。新增一些熱點問題，如非線性降維、非負矩陣因數分解、關聯性反饋、魯棒回歸、半監督學習、譜聚類和聚類組合技術。每章均提供有習題與練習，用matlab求解問題，給出一些例題的多種求解方法；且支持網站上提供有習題解答，以便于讀者增加實際經驗。
本書可作為高等院校自動化、計算機、電子和通信等專業研究生和高年級本科生的教材，也可作為計算機信息處理、自動控制等相關領域的工程技術人員的參考用書。
模式識別(第4版 目錄
第1章 導論
1.1 模式識別的重要性
1.2 特征、特征向量和分類器
1.3 有監督、無監督和半監督學習
1.4 matlab程序
1.5 本書的內容安排
第2章 基于貝葉斯決策理論的分類器
2.1 引言
2.2 貝葉斯決策理論
2.3 判別函數和決策面
2.4 正態分布的貝葉斯分類
2.5 未知概率密度函數的估計
2.6 *近鄰規則
2.7 貝葉斯網絡
習題
matlab編程和練習
參考文獻
第3章 線性分類器
3.1 引言
3.2 線性判別函數和決策超平面
3.3 感知器算法
3.4 *小二乘法
3.5 均方估計的回顧
3.6 邏輯識別
3.7 支持向量機
習題
matlab編程和練習
參考文獻
第4章 非線性分類器
4.1 引言
4.2 異或問題
4.3 兩層感知器
4.4 三層感知器
4.5 基于訓練集準確分類的算法
4.6 反向傳播算法
4.7 反向傳播算法的改進
4.8 代價函數選擇
4.9 神經網絡大小的選擇
4.10 仿真實例
4.11 具有權值共享的網絡
4.12 線性分類器的推廣
4.13 線性二分法中1維空間的容量
4.14 多項式分類器
4.15 徑向基函數網絡
4.16 通用逼近
4.17 概率神經元網絡
4.18 支持向量機：非線性情況
4.19 超越svm的范例
4.20 決策樹
4.21 合并分類器
4.22 合并分類器的增強法
4.23 類的不平衡問題
4.24 討論
習題
matlab編程和練習
參考文獻
第5章 特征選擇
5.1 引言
5.2 預處理
5.3 峰值現象
5.4 基于統計假設檢驗的特征選擇
5.5 接收機操作特性（roc）曲線
5.6 類可分性測量
5.7 特征子集的選擇
5.8 *優特征生成
5.9 神經網絡和特征生成/選擇
5.10 推廣理論的提示
5.11 貝葉斯信息準則
習題
matlab編程和練習
參考文獻
第6章 特征生成i：線性變換
6.1 引言
6.2 基本向量和圖像
6.3 karhunen-loève變換
6.4 奇異值分解
6.5 獨立成分分析
6.6 非負矩陣因子分解
6.7 非線性維數降低
6.8 離散傅里葉變換（dft）
6.9 離散正弦和余弦變換
6.10 hadamard變換
6.11 haar變換
6.12 回顧haar展開式
6.13 離散時間小波變換（dtwt）
6.14 多分辨解釋
6.15 小波包
6.16 二維推廣簡介
6.17 應用
習題
matlab編程和練習
參考文獻
第7章 特征生成ii
7.1 引言
7.2 區域特征
7.3 字符形狀和大小的特征
7.4 分形概述
7.5 語音和聲音分類的典型特征
習題
matlab編程和練習
參考文獻
第8章 模板匹配
8.1 引言
8.2 基于*優路徑搜索技術的測度
8.3 基于相關的測度
8.4 可變形的模板模型
8.5 基于內容的信息檢索：相關反饋
習題
matlab編程和練習
參考文獻
第9章 上下文相關分類
9.1 引言
9.2 貝葉斯分類器
9.3 馬爾可夫鏈模型
9.4 viterbi算法
9.5 信道均衡
9.6 隱馬爾可夫模型
9.7 狀態駐留的hmm
9.8 用神經網絡訓練馬爾可夫模型
9.9 馬爾可夫隨機場的討論
習題
matlab編程和練習
參考文獻
第10章 監督學習：尾聲
10.1 引言
10.2 誤差計算方法
10.3 探討有限數據集的大小
10.4 醫學圖像實例研究
10.5 半監督學習
習題
參考文獻
第11章 聚類：基本概念
11.1 引言
11.2 近鄰測度
習題
參考文獻
第12章 聚類算法i：順序算法
12.1 引言
12.2 聚類算法的種類
12.3 順序聚類算法
12.4 bsas的改進
12.5 兩個閾值的順序方法
12.6 改進階段
12.7 神經網絡的實現
習題
matlab編程和練習
參考文獻
第13章 聚類算法ii：層次算法
13.1 引言
13.2 合并算法
13.3 cophenetic矩陣
13.4 分裂算法
13.5 用于大數據集的層次算法
13.6 *佳聚類數的選擇
習題
matlab編程和練習
參考文獻
第14章 聚類算法iii：基于函數*優方法
14.1 引言
14.2 混合分解方法
14.3 模糊聚類算法
14.4 可能性聚類
14.5 硬聚類算法
14.6 向量量化
附錄
習題
matlab編程和練習
參考文獻
第15章 聚類算法iv
15.1 引言
15.2 基于圖論的聚類算法
15.3 競爭學習算法
15.4 二值形態聚類算法
15.5 邊界檢測算法
15.6 谷點搜索聚類算法
15.7 通過代價*優聚類（回顧）
15.8 核聚類方法
15.9 對大數據集的基于密度算法
15.10 高維數據集的聚類算法
15.11 其他聚類算法
15.12 聚類組合
習題
matlab編程和練習
參考文獻
第16章 聚類有效性
16.1 引言
16.2 假設檢驗回顧
16.3 聚類有效性中的假設檢驗
16.4 相關準則
16.5 單獨聚類有效性
16.6 聚類趨勢
習題
參考文獻
附錄a 概率論和統計學的相關知識
附錄b 線性代數基礎
附錄c 代價函數的優化
附錄d 線性系統理論的基本定義
索引
1.1 模式識別的重要性
1.2 特征、特征向量和分類器
1.3 有監督、無監督和半監督學習
1.4 matlab程序
1.5 本書的內容安排
第2章 基于貝葉斯決策理論的分類器
2.1 引言
2.2 貝葉斯決策理論
2.3 判別函數和決策面
2.4 正態分布的貝葉斯分類
2.5 未知概率密度函數的估計
2.6 *近鄰規則
2.7 貝葉斯網絡
習題
matlab編程和練習
參考文獻
第3章 線性分類器
3.1 引言
3.2 線性判別函數和決策超平面
3.3 感知器算法
3.4 *小二乘法
3.5 均方估計的回顧
3.6 邏輯識別
3.7 支持向量機
習題
matlab編程和練習
參考文獻
第4章 非線性分類器
4.1 引言
4.2 異或問題
4.3 兩層感知器
4.4 三層感知器
4.5 基于訓練集準確分類的算法
4.6 反向傳播算法
4.7 反向傳播算法的改進
4.8 代價函數選擇
4.9 神經網絡大小的選擇
4.10 仿真實例
4.11 具有權值共享的網絡
4.12 線性分類器的推廣
4.13 線性二分法中1維空間的容量
4.14 多項式分類器
4.15 徑向基函數網絡
4.16 通用逼近
4.17 概率神經元網絡
4.18 支持向量機：非線性情況
4.19 超越svm的范例
4.20 決策樹
4.21 合并分類器
4.22 合并分類器的增強法
4.23 類的不平衡問題
4.24 討論
習題
matlab編程和練習
參考文獻
第5章 特征選擇
5.1 引言
5.2 預處理
5.3 峰值現象
5.4 基于統計假設檢驗的特征選擇
5.5 接收機操作特性（roc）曲線
5.6 類可分性測量
5.7 特征子集的選擇
5.8 *優特征生成
5.9 神經網絡和特征生成/選擇
5.10 推廣理論的提示
5.11 貝葉斯信息準則
習題
matlab編程和練習
參考文獻
第6章 特征生成i：線性變換
6.1 引言
6.2 基本向量和圖像
6.3 karhunen-loève變換
6.4 奇異值分解
6.5 獨立成分分析
6.6 非負矩陣因子分解
6.7 非線性維數降低
6.8 離散傅里葉變換（dft）
6.9 離散正弦和余弦變換
6.10 hadamard變換
6.11 haar變換
6.12 回顧haar展開式
6.13 離散時間小波變換（dtwt）
6.14 多分辨解釋
6.15 小波包
6.16 二維推廣簡介
6.17 應用
習題
matlab編程和練習
參考文獻
第7章 特征生成ii
7.1 引言
7.2 區域特征
7.3 字符形狀和大小的特征
7.4 分形概述
7.5 語音和聲音分類的典型特征
習題
matlab編程和練習
參考文獻
第8章 模板匹配
8.1 引言
8.2 基于*優路徑搜索技術的測度
8.3 基于相關的測度
8.4 可變形的模板模型
8.5 基于內容的信息檢索：相關反饋
習題
matlab編程和練習
參考文獻
第9章 上下文相關分類
9.1 引言
9.2 貝葉斯分類器
9.3 馬爾可夫鏈模型
9.4 viterbi算法
9.5 信道均衡
9.6 隱馬爾可夫模型
9.7 狀態駐留的hmm
9.8 用神經網絡訓練馬爾可夫模型
9.9 馬爾可夫隨機場的討論
習題
matlab編程和練習
參考文獻
第10章 監督學習：尾聲
10.1 引言
10.2 誤差計算方法
10.3 探討有限數據集的大小
10.4 醫學圖像實例研究
10.5 半監督學習
習題
參考文獻
第11章 聚類：基本概念
11.1 引言
11.2 近鄰測度
習題
參考文獻
第12章 聚類算法i：順序算法
12.1 引言
12.2 聚類算法的種類
12.3 順序聚類算法
12.4 bsas的改進
12.5 兩個閾值的順序方法
12.6 改進階段
12.7 神經網絡的實現
習題
matlab編程和練習
參考文獻
第13章 聚類算法ii：層次算法
13.1 引言
13.2 合并算法
13.3 cophenetic矩陣
13.4 分裂算法
13.5 用于大數據集的層次算法
13.6 *佳聚類數的選擇
習題
matlab編程和練習
參考文獻
第14章 聚類算法iii：基于函數*優方法
14.1 引言
14.2 混合分解方法
14.3 模糊聚類算法
14.4 可能性聚類
14.5 硬聚類算法
14.6 向量量化
附錄
習題
matlab編程和練習
參考文獻
第15章 聚類算法iv
15.1 引言
15.2 基于圖論的聚類算法
15.3 競爭學習算法
15.4 二值形態聚類算法
15.5 邊界檢測算法
15.6 谷點搜索聚類算法
15.7 通過代價*優聚類（回顧）
15.8 核聚類方法
15.9 對大數據集的基于密度算法
15.10 高維數據集的聚類算法
15.11 其他聚類算法
15.12 聚類組合
習題
matlab編程和練習
參考文獻
第16章 聚類有效性
16.1 引言
16.2 假設檢驗回顧
16.3 聚類有效性中的假設檢驗
16.4 相關準則
16.5 單獨聚類有效性
16.6 聚類趨勢
習題
參考文獻
附錄a 概率論和統計學的相關知識
附錄b 線性代數基礎
附錄c 代價函數的優化
附錄d 線性系統理論的基本定義
索引
展開全部
模式識別(第4版 節選
《模式識別(第4版)》全面闡述了模式識別的基礎理論、*新方法以及各種應用。模式識別是信息科學和人工智能的重要組成部分，主要應用領域有圖像分析、光學字符識別、信道均衡、語言識別和音頻分類等。《模式識別(第4版)》在完美地結合當前的理論與實踐的基礎上，討論了貝葉斯分類、貝葉斯網絡、線性和非線性分類器設計、上下文相關分類、特征生成、特征選取技術、學習理論的基本概念以及聚類概念與算法。與前一版相比，增加了大數據集和高維數據相關的*新算法，這些算法適用于Web挖掘和生物信息等應用；提供了*新的分類器和魯棒回歸的核方法；分類器組合技術，包括Boosting方法。新增一些熱點問題，如非線性降維、非負矩陣因數分解、關聯性反饋、魯棒回歸、半監督學習、譜聚類和聚類組合技術。每章均提供有習題與練習，用MATLAB求解問題，給出一些例題的多種求解方法：且支持網站上提供有習題解答，以便于讀者增加實際經驗。《模式識別(第4版)》可作為高等院校自動化、計算機、電子和通信等專業研究生和高年級本科生的教材，也可作為計算機信息處理、自動控制等相關領域的工程技術人員的參考用書。
模式識別(第4版 相關資料
插圖：模式識別是一門以應用為基礎的學科，目的是將對象進行分類。這些對象與應用領域有關，它們可以是圖像、信號波形或者任何可測量且需要分類的對象。可以用專用術語“模式”（Pattern）來稱呼這些對象。模式識別（Pa~em Recognition）具有悠久的歷史。在20世紀60年代以前，模式識別主要是統計學領域中的理論研究。同其他事物一樣，計算機的出現提高了對模式識別實際應用的需求，而這反過來又對理論發展提出了更高的要求。就像我們的社會從工業化到后工業化階段一樣，在工業生產中，對自動化以及信息處理和檢索的需求變得越來越重要，這種趨勢把模式識別推向今天的工程應用和研究的高級階段。在大多數機器智能系統中，模式識別是用于決策的主要部分。 在機器視覺中，模式識別是非常重要的。機器視覺系統通過照相機捕捉圖像，然后通過分析，生成圖像的描述信息。典型的機器視覺系統主要應用在制造業中，用于自動視覺檢驗或自動裝配線。例如，在自動視覺檢驗應用中，生產的產品通過傳送帶移動到檢驗站，檢驗站的照相機確定產品是否合格。因此，必須在線分析圖像，模式識別系統將產品分為“合格”和“不合格”兩種。然后，根據分類結果采取相應的動作，比如丟棄不合格的產品。在裝配線上，必須對不同的對象進行定位和識別，也就是說，將對象分類到已知類別的某一類中，如螺絲刀類、德國鑰匙類以及任何工具制造單元，然后機器手把這些對象放置在正確的位置。字符（字母或數字）識別是模式識別應用的另一個重要領域，主要用于自動化和信息處理。光學字符識別（Optic Character Recognition，OCR）系統已經開始在商業中應用，我們或多或少都對其有所了解。OCR系統有一個前端設備，它由光源、掃描鏡頭、文檔傳送機和檢測器組成。在光敏檢測器的輸出端，光的強度變化轉換成數字信號，并形成圖像陣列。然后，用一系列的圖像處理技術完成線和字符的分段，模式識別軟件完成字符識別的任務，也就是將每一個符號分到相應的“字符、數字、標點符號”類中。與存儲掃描圖像相比，存儲經識別處理的文檔的好處是：更容易進行文字處理；存儲ASCII字符比存儲文檔的圖像效率更高。除了印刷體字符識別系統外，現在更多的研究集中于手寫體識別。這種系統的典型商業應用是銀行支票的機器識別，機器必須能夠識別數字的個數和阿拉伯數字，.并進行匹配，而且能夠檢查收款人相應的支出信用是否相
模式識別(第4版 作者簡介
作者：(希臘)西奧多里蒂斯(Sergios Theodoridis) (希臘)Konstantions Koutroumbas 譯者：李晶皎 王愛俠 王驕 等
Sergios Theodoridis于1973年在雅典大學獲得物理學學士學位，又分別于1975和1978年在英國伯明翰大學獲得信號處理與通信碩士和博士學位。自1995年，他是希臘雅典大學信息與通信系教授。他有4篇論文獲得IEEE的神經網絡會刊的卓越論文獎，他是IET和IEEE高級會員。
Konstantinos Koutroumbas 1989年畢業于希臘佩特雷大學的計算機工程與信息學院，1990年在英國倫敦大學獲得計算機科學碩士學位，1995年在希臘雅典大學獲得博士學位。自2001年任職于希臘雅典國家天文臺空間應用與遙感研究院，是國際知名的專家。
譯者：
李晶皎：東北大學信息學院教授、博士生導師。2006-2010年教育部電子電氣基礎課教學指導分委員會委員。自1988年以來一直從事教學和科研工作。主要研究方向是模式識別、語音信號處理、計算機系統結構、以及嵌入式系統等。
書友推薦
- >
中國歷史的瞬間
- >
煙與鏡
- >
小考拉的故事-套裝共3冊
- >
姑媽的寶刀
- >
羅庸西南聯大授課錄
- >
山海經
- >
二體千字文
- >
有舍有得是人生
本類暢銷
