人工智慧·模式識別

《人工智慧·模式識別》是2020年電子工業出版社出版的圖書，作者是楊健。

基本介紹

• 中文名： 人工智慧·模式識別  
• 作者：楊健
• 出版時間：2020年
• 出版社：電子工業出版社
• 頁數：312 頁
• ISBN： 9787121392153
• 定價：88 元
• 開本：16 開 

內容簡介

本書是“人工智慧出版工程”系列圖書之一。模式識別是人工智慧的重要組成部分，本書簡要介紹了模式識別的基本概念，以模式表示為切入點，針對近20年來模式識別領域研究的熱點問題，系統闡述了線性子空間表示、非線性子空間表示、流形學習、稀疏表示、低秩模型、深度學習等方面的研究進展和相關代表性方法。 本書可供高等院校人工智慧、智慧型科學與技術、計算機及相關專業研究生或高年級本科生閱讀，也可供對模式識別感興趣的研究人員和工程技術人員閱讀和參考。

目錄

第1章 緒論

1.1 模式的基本概念

1.2 模式表示學習

1.2.1 線性子空間分析

1.2.2 基於流形、稀疏與低秩假設的模式表示

1.3 模式分類

1.3.1 貝葉斯分類器

1.3.2 最小距離分類器

1.3.3 最近鄰分類器

1.3.4 BP神經網路

1.3.5 支持向量機

1.3.6 分類器組合

1.4 套用算例

1.4.1 手寫體數字圖像識別

1.4.2 人臉圖像識別

參考文獻

第2章 線性子空間表示

2.1 主成分分析

2.1.1 基本概念

2.1.2 最小均方誤差逼近

2.1.3 PCA變換的統計不相關性

2.1.4 小樣本情況下的主成分分析

2.2 線性鑑別分析

2.2.1 基本概念

2.2.2 經典的費希爾線性鑑別與Foley-Sammon線性鑑別方法

2.2.3 具有統計不相關性的線性鑑別分析

2.2.4 相關性分析

2.2.5 等價的最優鑑別向量集

2.2.6 幾種等價的費希爾準則

2.3 小樣本情況下的線性鑑別分析

2.3.1 兩種線性鑑別方法的統一模型

2.3.2 壓縮映射基本原理

2.3.3 同構映射基本原理

2.3.4 奇異情況下線性鑑別分析的實質：PCA+LDA

2.3.5 奇異情況下的組合鑑別分析方法

2.4 二維主成分分析

2.5 二維線性鑑別分析

2.5.1 基本思想

2.5.2 Liu圖像投影鑑別分析

2.5.3 統計不相關的圖像投影鑑別分析

2.5.4 圖像鑑別特徵抽取方法

2.5.5 相關性分析

2.6 套用算例

2.6.1 主成分分析

2.6.2 線性鑑別分析

2.6.3 小樣本情況下的線性鑑別分析

2.6.4 二維主成分分析

2.6.5 二維線性鑑別分析

參考文獻

第3 章非線性子空間表示

3.1 核方法的基本思想

3.2 核主成分分析

3.3 核費希爾鑑別分析

3.3.1 基礎理論

3.3.2 最優費希爾鑑別向量的搜尋空間

3.3.3 計算費希爾最優鑑別向量的基本思想

3.3.4 簡明的KFD算法框架：KPCA+LDA

3.4 完整的KFD算法（CKFD）

3.4.1 抽取兩種鑑別信息

3.4.2 兩種鑑別信息的融合

3.4.3 完整的KFD算法步驟

3.4.4 與其他KFD方法和LDA方法的關係

3.5 套用算例

3.5.1 在FERET人臉數據集上的實驗

3.5.2 在手寫體數字CENPARMI數據集上的實驗

參考文獻

第4 章流形學習

4.1 概述

4.2 非線性嵌入方法

4.2.1 ISOMAP 算法

4.2.2 LLE算法

4.2.3 LE算法

4.2.4 LPP算法

4.2.5 NLPP算法

4.2.6 其他非線性嵌入算法

4.3 特殊的黎曼流形

4.3.1 正交矩陣的格拉斯曼流形

4.3.2 非對稱正定矩陣的李群流形

4.3.3 對稱正定矩陣的李群流形

4.3.4 矩陣流形上的降維算法

4.4 流形對齊

4.4.1 無監督流形對齊問題描述

4.4.2 無監督流形的點點對齊

4.4.3 無監督流形的分布對齊

4.5 套用

4.5.1 圖像分類

4.5.2 生物識別

4.5.3 域遷移學習

參考文獻

第5章 稀疏表示

5.1 稀疏表示的基本算法

5.2 基於稀疏表示的特徵抽取

5.2.1 稀疏主成分分析方法

5.2.2 稀疏判別分析方法

5.2.3 穩健聯合稀疏嵌入方法

5.3 基於稀疏表示的分類

5.3.1 稀疏係數的作用

5.3.2 表示殘差的正則化

5.3.3 稀疏表示分類中的字典學習

5.3.4 擴展的稀疏表示分類

5.4 稀疏表示的典型套用

5.4.1 人臉識別

5.4.2 目標跟蹤

5.4.3 視覺顯著性檢測

參考文獻

第6章 低秩模型

6.1 概述

6.2 與核範數有關的RPCA

6.2.1 RPCA和穩健矩陣補全

6.2.2 雙核範數的矩陣分解

6.2.3 雙核範數的歸納式矩陣分解

6.2.4 顯著性檢測的一個簡單例子

6.3 與核範數有關的 LRR

6.3.1 LRR和隱式LRR

6.3.2 無噪聲LRR的閉解

6.3.3 穩健低秩表示

6.3.4 非凸低秩表示

6.4 與核範數有關的 RMR

6.4.1 Lq範數正則核範數的矩陣回歸

6.4.2 推廣冪指數分布的矩陣回歸

6.4.3 樹結構核範數的矩陣回歸

6.4.4 貝葉斯相關組的矩陣回歸

6.5 套用

6.5.1 背景建模

6.5.2 子空間聚類

6.5.3 人臉識別

6.6 歸納與展望

參考文獻

第7 章深度學習

7.1 概述

7.2 自編碼器

7.2.1 正向傳播與反向傳播

7.2.2 自編碼器架構

7.3 卷積神經網路

7.3.1 卷積神經網路基礎

7.3.2 經典卷積神經網路模型

7.3.3 改進的卷積神經網路

7.4 遞歸神經網路

7.4.1 傳統遞歸神經網路

7.4.2 基於門控單元的遞歸神經網路

7.4.3 時空遞歸神經網路

7.4.4 遞歸形狀回歸網路

7.4.5 聯合任務遞歸學習

7.4.6 輕量級遞歸神經網路

7.5 生成對抗網路

7.5.1 傳統生成對抗網路

7.5.2 生成對抗網路的變種

7.5.3 ST條件生成對抗網路

7.6 圖卷積神經網路

7.6.1 圖卷積學習

7.6.2 張量圖卷積學習

7.7 套用

7.7.1 目標檢測

7.7.2 目標跟蹤

7.7.3 場景理解

7.7.4 圖像重建

7.7.5 社交網路

參考文獻