掃一掃
關注中圖網
官方微博
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——使用MATLAB分析與實現 版權信息
- ISBN：9787302591856
- 條形碼：9787302591856 ; 978-7-302-59185-6
- 裝幀：70g膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
模式識別——使用MATLAB分析與實現 本書特色
教學資源： 教學課件 程序代碼 實驗指導 教學建議 本書特色： 本書是在總結“模式識別”課程教學經驗的基礎上，結合本科生教學特點編寫而成的。全書理論聯系實際，層次分明，語言描述清晰，力求讓讀者清晰掌握模式識別的基本概念、基本原理和應用方法，能夠初步運用所學知識解決實際問題，為模式識別及相關領域的研究奠定基礎。 易學易教：各種算法敘述思路清晰，編寫示例，設計實例，有助于初學者對算法的理解。配以教學建議、教學課件、程序代碼、實驗指導等資源，便于開展教學。 注重實踐：在系統闡述理論算法的同時，對每種算法設計基于MATLAB的仿真程序，在各章習題中安排編程題目，加強實踐，加深讀者對各種算法的理解和掌握。 內容豐富：涵蓋模式識別的十個知識模塊，均包含理論和實踐部分；除經典算法外，增加了較新的理論和算法，可以選擇性地學習；闡述由淺入深，符合大學生的學習規律。
模式識別——使用MATLAB分析與實現 內容簡介
本書依據作者多年從事模式識別教學和研究的體會,并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、特征選擇、特征提取、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仿真程序和實驗指導書,便于教和學。 本書可以作為高等學校人工智能、計算機、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。
模式識別——使用MATLAB分析與實現 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*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仿真實現
2.3*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
2.5NeymanPearson決策規則
2.6判別函數和決策面
2.7正態分布模式的貝葉斯決策
2.7.1正態概率密度函數
2.7.2正態概率模型下的*小錯誤率貝葉斯分類器
2.7.3仿真實現
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*大似然估計
3.2.2*大后驗估計
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*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仿真實現
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仿真實現
4.4*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仿真實現
4.5支持向量機
4.5.1*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仿真實現
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*小距離分類器
5.1.2分段線性距離分類器
5.1.3近鄰法及仿真實現
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仿真實現
5.4Logistic回歸
5.4.1基本原理
5.4.2多分類任務
5.4.3仿真實現
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仿真實現
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合并層次聚類
7.4.3仿真實現
7.5高斯混合聚類
7.5.1高斯混合分布
7.5.2高斯混合聚類
7.5.3EM算法
7.5.4仿真實現
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仿真實現
7.9聚類分析的實例
習題
第8章特征選擇
8.1概述
8.2特征的評價準則
8.2.1基于類內類間距離的可分性判據
8.2.2基于概率分布的可分性判據
8.2.3基于熵函數的可分性判據
8.2.4基于統計檢驗的可分性判據
8.2.5特征的相關性評價
8.3特征選擇的優化算法
8.3.1特征選擇的*優算法
8.3.2特征選擇的次優算法
8.3.3特征選擇的啟發算法
8.4過濾式特征選擇方法
8.4.1*小冗余*大相關算法
8.4.2Relief和ReliefF算法
8.4.3基于拉普拉斯分數的特征選擇算法
8.5包裹式特征選擇方法
8.6嵌入式特征選擇方法
習題
第9章特征提取
9.1概述
9.2基于類別可分性判據的特征提取
9.3KL變換
9.3.1KL變換的定義
9.3.2KL變換的性質
9.3.3信息量分析
9.3.4奇異值分解
9.3.5仿真實現
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
9.8tSNE算法
9.9其他非線性降維方法
9.9.1拉普拉斯特征映射
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基于圖的半監督學習
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基于約束的半監督降維
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用于模式識別
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基于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卷積神經網絡
11.5.3循環神經網絡
11.5.4生成對抗網絡
習題
參考文獻
展開全部
模式識別——使用MATLAB分析與實現 作者簡介
蔡利梅：中國礦業大學信息與控制工程學院副教授，長期從事圖像處理與模式識別領域的教學和研究工作。先后開設“圖像處理”“模式識別”“計算機圖形學”“數字視頻技術”“圖像分析及識別” 等多門本科生及研究生課程。獲教育部高等學校科學技術進步獎二等獎、河南省科技進步獎二等獎、江蘇省科學技術獎三等獎、中國煤炭工業協會科學技術獎一等獎等省部級以上科技獎勵8項；獲國家發明專利授權2項；出版普通高校教材2部、科技專業圖書1部；獲校級優秀教學成果一等獎1項，全國煤炭行業教育教學成果獎三等獎1項，獲校級“教書育人先進個人”“百佳教師”等榮譽。
書友推薦
- >
苦雨齋序跋文-周作人自編集
- >
龍榆生：詞曲概論/大家小書
- >
羅曼·羅蘭讀書隨筆-精裝
- >
回憶愛瑪儂
- >
莉莉和章魚
- >
李白與唐代文化
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
史學評論
本類暢銷
