《研究生教學用書:現代模式識別(第2版)》系統深入地論述了各類經典的模式識別的理論與方法，同時還較全面地反映了本學科的新近科技成果。書中討論的主流模式識別技術有：統計模式識別、模糊模式識別、神經網路技術、人工智慧方法、子空間模式識別及結構模式識別等。 全書共17章。第一章為引論；第二章至第七章介紹統計模式識別，包括：聚類分析、判別域代數界面方程法、統計判決、統計決策中的學習與錯誤率估計、最近鄰法和特徵提取與選擇；第八章為模糊模式識別方法；第九章介紹神經網路技術；第十章信息融合主要論述識別與決策中的有關融合技術；第十一章為結構模式識別；第十二章智慧型化方法側重討論不確定推理；第十三章闡述決策樹；第十四章論述支持矢量機；第十五章討論隱馬爾可夫模型識別方法；第十六章為子空問模式識別方法；第十七章介紹最小風險設計。
基本介紹
- 書名：研究生教學用書:現代模式識別
- 作者：孫即祥
- 出版社：高等教育出版社
- 頁數：713頁
- 開本：16
- 品牌：高等教育出版社
- 外文名：Modern Pattern Recognition
- 類型：計算機與網際網路
- 出版日期：2008年10月1日
- 語種：簡體中文
- ISBN：9787040205879
內容簡介,圖書目錄,
內容簡介
《研究生教學用書:現代模式識別(第2版)》可供電子科學與技術、信息與通信工程、控制科學與工程、計算機科學與技術及其他領域的有關專業和研究方向的研究生、本科高年級學生作為關於信息分析、檢測、識別的教材或教學參考書，也可以供相關專業的科研人員參考。
圖書目錄
第一章 緒論
1.1 概述
1.2 特徵矢量和特徵空間
1.3 隨機矢量的描述
1.4 常態分配
參考文獻
第二章 聚類分析
2.1 聚類分析的概念
2.2 模式相似性測度
2.3 類的定義與類間距離
2.4 準則函式
2.5 聚類的算法
文獻簡評 套用簡介
習題
上機練習
參考文獻
第三章 判別域代數界面方程法
3.1 用判別域界面方程分類的概念
3.2 線性判別函式
3.3 判別函式值的鑑別意義、權空間及解空間
3.4 Fisher線性判別
3.5 線性可分條件下判別函式的權矢量算法
3.6 一般情況下的判別函式權矢量算法
3.7 線性規劃方法
3.8 線性二分能力
3.9 廣義線性判別函式
3.10 二次判別函式
3.11 分段線性判別函式
3.12 位勢函式分類法
3.13 支持矢量機簡介
3.14 最小最大機率機
文獻簡評 套用簡介
習題
上機練習
參考文獻
第四章 統計判決
4.1 最小誤判機率準則判決
4.2 最小損失準則判決
4.3 最小最大損失準則
4.4 N—P（Neyman—Pearson）判決
4.5 序貫判決（SPRD）
4.6 Fisher準則判決
4.7 特徵數據缺損或被噪聲污染下的Bayes判決
4.8 批對象的複合判決
文獻簡評 套用簡介
習題
上機練習
參考文獻
第五章 統計決策中的學習與錯誤率估計
5.1 統計推斷概述
5.2 參數估計
5.3 Bayes學習
5.4 概密的窗函式估計法
5.5 有限項正交函式級數逼近法
5.6 用位勢函式法逼近Bayes判決函式
5.7 隨機逼近方法求類的後驗機率
5.8 統計決策準則下線性判決函式的訓練生成
5.9 錯誤率估計
5.10 基於平均損失估計的學習及最小誤判機率的估計
5.11 無監督估計（盲估計）
5.12 期望最大化算法
5.13 集成學習
文獻簡評 套用簡介
習題
上機練習
參考文獻
第六章 最近鄰法
6.1 基本的最近鄰法
6.2 剪輯最近鄰法
6.3 引入拒絕決策的最近鄰法
6.4 最近鄰法中的最佳距離及其實際計算
文獻簡評 套用簡介
習題
參考文獻
第七章 特徵提取與選擇
7.1 概述
7.2 類別可分性判據
7.3 基於可分性判據進行變換的特徵提取與選擇
7.4 最佳鑑別矢量的提取
7.5 離散K—L變換及其在特徵提取與選擇中的套用
7.6 獨立成分分析
7.7 基於決策界的特徵提取
7.8 特徵選擇中的直接挑選法
7.9 多維尺度分析
文獻簡評 套用簡介
習題
參考文獻
第八章 模糊模式識別
8.1 引言
8.2 普通集合與模糊集合
8.3 普通集合上的關係及有關知識
8.4 模糊關係與模糊變換
8.5 模糊度和特徵提取與選擇
8.6 模糊識別的基本方法
8.7 基於模糊相似矩陣的分類方法
8.8 模糊C—均值聚類算法
8.9 最大樹法模式識別
8.10 幾何圖形的模糊識別
文獻簡評 套用簡介
習題
參考文獻
第九章 神經網路在模式識別中的套用
9.1 人工神經網路的基本知識
9.2 前向型人工神經網路
9.3 BP網的性能和學習改進
9.4 Hopfield網路
9.5 隨機神經網路
9.6 自適應共振理論神經網路
9.7 自組織特徵映射神經網路
9.8 模糊神經網路
9.9 機率神經網路
9.10 RCE神經網路
文獻簡評 套用簡介
習題
上機練習
參考文獻
第十章 信息融合
10.1 概述
10.2 融合技術層次性及融合系統功能模組和結構
10.3 關於信息融合的熵理論
10.4 觀測不相關的分散式最小損失準則下的檢測與決策融合
10.5 觀測相關的決策融合
10.6 N—P準則下的決策融合
10.7 分散式檢測決策融合全局最優概述及某些約束條件下最優解
10.8 D—S證據理論的融合算法
文獻簡評 套用簡介
習題
參考文獻
第十一章 結構模式識別
11.1 結構模式識別概述
11.2 形式語言
11.3 高維文法與隨機文法
11.4 模式的描述
11.5 句法分析
11.6 文法推斷
文獻簡評 套用簡介
習題
參考文獻
第十二章 智慧型化方法
12.1 人工智慧
12.2 專家系統
12.3 知識的表示
12.4 智慧型推理技術
12.5 不確定性推理
文獻簡評 套用簡介
習題
參考文獻
第十三章 樹分類器
13.1 樹分類器原理
13.2 樹分類器的設計原則
13.3 樹分類器的關鍵技術
13.4 決策樹生成算法
文獻簡評 套用簡介
習題
上機練習
參考文獻
第十四章 支持矢量機
14.1 最最佳化的分析方法原理
14.2 最優分類界面
14.3 廣義最優分類界面
14.4 最優界面與廣義最優界面分類性能的統計特性
14.5 支持矢量機（SVM）
14.6 基於Adaboost的SVM組合
文獻簡評 套用簡介
習題
參考文獻
第十五章 基於隱馬爾可夫模型識別方法
15.1 一階馬爾可夫模型（MM）
15.2 一階隱馬爾可夫模型（HMM）
15.3 可見序列機率估計
15.4 隱狀態估計
15.5 模型參數估計
15.6 隱馬爾可夫模型方法模式識別
文獻簡評 套用簡介
習題
參考文獻
第十六章 子空間模式識別方法
16.1 概述
16.2 子空間投影
16.3 子空間判別法
16.4 線性回歸模型法
16.5 正交子空間法
16.6 Kohonen學習子空間法
16.7 子空間的平均學習法
文獻簡評 套用簡介
習題
參考文獻
第十七章 機器統計學習理論
17.1 機器統計學習理論概述
17.2 經驗風險最小化設計
17.3 經驗風險最小化原則的一致性條件
17.4 最優指示函式判決風險的界
17.5 訓練序列的長度和識別率估計精度的關係
17.6 結構風險最小化
文獻簡評 套用簡介
習題
參考文獻
1.1 概述
1.2 特徵矢量和特徵空間
1.3 隨機矢量的描述
1.4 常態分配
參考文獻
第二章 聚類分析
2.1 聚類分析的概念
2.2 模式相似性測度
2.3 類的定義與類間距離
2.4 準則函式
2.5 聚類的算法
文獻簡評 套用簡介
習題
上機練習
參考文獻
第三章 判別域代數界面方程法
3.1 用判別域界面方程分類的概念
3.2 線性判別函式
3.3 判別函式值的鑑別意義、權空間及解空間
3.4 Fisher線性判別
3.5 線性可分條件下判別函式的權矢量算法
3.6 一般情況下的判別函式權矢量算法
3.7 線性規劃方法
3.8 線性二分能力
3.9 廣義線性判別函式
3.10 二次判別函式
3.11 分段線性判別函式
3.12 位勢函式分類法
3.13 支持矢量機簡介
3.14 最小最大機率機
文獻簡評 套用簡介
習題
上機練習
參考文獻
第四章 統計判決
4.1 最小誤判機率準則判決
4.2 最小損失準則判決
4.3 最小最大損失準則
4.4 N—P（Neyman—Pearson）判決
4.5 序貫判決（SPRD）
4.6 Fisher準則判決
4.7 特徵數據缺損或被噪聲污染下的Bayes判決
4.8 批對象的複合判決
文獻簡評 套用簡介
習題
上機練習
參考文獻
第五章 統計決策中的學習與錯誤率估計
5.1 統計推斷概述
5.2 參數估計
5.3 Bayes學習
5.4 概密的窗函式估計法
5.5 有限項正交函式級數逼近法
5.6 用位勢函式法逼近Bayes判決函式
5.7 隨機逼近方法求類的後驗機率
5.8 統計決策準則下線性判決函式的訓練生成
5.9 錯誤率估計
5.10 基於平均損失估計的學習及最小誤判機率的估計
5.11 無監督估計（盲估計）
5.12 期望最大化算法
5.13 集成學習
文獻簡評 套用簡介
習題
上機練習
參考文獻
第六章 最近鄰法
6.1 基本的最近鄰法
6.2 剪輯最近鄰法
6.3 引入拒絕決策的最近鄰法
6.4 最近鄰法中的最佳距離及其實際計算
文獻簡評 套用簡介
習題
參考文獻
第七章 特徵提取與選擇
7.1 概述
7.2 類別可分性判據
7.3 基於可分性判據進行變換的特徵提取與選擇
7.4 最佳鑑別矢量的提取
7.5 離散K—L變換及其在特徵提取與選擇中的套用
7.6 獨立成分分析
7.7 基於決策界的特徵提取
7.8 特徵選擇中的直接挑選法
7.9 多維尺度分析
文獻簡評 套用簡介
習題
參考文獻
第八章 模糊模式識別
8.1 引言
8.2 普通集合與模糊集合
8.3 普通集合上的關係及有關知識
8.4 模糊關係與模糊變換
8.5 模糊度和特徵提取與選擇
8.6 模糊識別的基本方法
8.7 基於模糊相似矩陣的分類方法
8.8 模糊C—均值聚類算法
8.9 最大樹法模式識別
8.10 幾何圖形的模糊識別
文獻簡評 套用簡介
習題
參考文獻
第九章 神經網路在模式識別中的套用
9.1 人工神經網路的基本知識
9.2 前向型人工神經網路
9.3 BP網的性能和學習改進
9.4 Hopfield網路
9.5 隨機神經網路
9.6 自適應共振理論神經網路
9.7 自組織特徵映射神經網路
9.8 模糊神經網路
9.9 機率神經網路
9.10 RCE神經網路
文獻簡評 套用簡介
習題
上機練習
參考文獻
第十章 信息融合
10.1 概述
10.2 融合技術層次性及融合系統功能模組和結構
10.3 關於信息融合的熵理論
10.4 觀測不相關的分散式最小損失準則下的檢測與決策融合
10.5 觀測相關的決策融合
10.6 N—P準則下的決策融合
10.7 分散式檢測決策融合全局最優概述及某些約束條件下最優解
10.8 D—S證據理論的融合算法
文獻簡評 套用簡介
習題
參考文獻
第十一章 結構模式識別
11.1 結構模式識別概述
11.2 形式語言
11.3 高維文法與隨機文法
11.4 模式的描述
11.5 句法分析
11.6 文法推斷
文獻簡評 套用簡介
習題
參考文獻
第十二章 智慧型化方法
12.1 人工智慧
12.2 專家系統
12.3 知識的表示
12.4 智慧型推理技術
12.5 不確定性推理
文獻簡評 套用簡介
習題
參考文獻
第十三章 樹分類器
13.1 樹分類器原理
13.2 樹分類器的設計原則
13.3 樹分類器的關鍵技術
13.4 決策樹生成算法
文獻簡評 套用簡介
習題
上機練習
參考文獻
第十四章 支持矢量機
14.1 最最佳化的分析方法原理
14.2 最優分類界面
14.3 廣義最優分類界面
14.4 最優界面與廣義最優界面分類性能的統計特性
14.5 支持矢量機（SVM）
14.6 基於Adaboost的SVM組合
文獻簡評 套用簡介
習題
參考文獻
第十五章 基於隱馬爾可夫模型識別方法
15.1 一階馬爾可夫模型（MM）
15.2 一階隱馬爾可夫模型（HMM）
15.3 可見序列機率估計
15.4 隱狀態估計
15.5 模型參數估計
15.6 隱馬爾可夫模型方法模式識別
文獻簡評 套用簡介
習題
參考文獻
第十六章 子空間模式識別方法
16.1 概述
16.2 子空間投影
16.3 子空間判別法
16.4 線性回歸模型法
16.5 正交子空間法
16.6 Kohonen學習子空間法
16.7 子空間的平均學習法
文獻簡評 套用簡介
習題
參考文獻
第十七章 機器統計學習理論
17.1 機器統計學習理論概述
17.2 經驗風險最小化設計
17.3 經驗風險最小化原則的一致性條件
17.4 最優指示函式判決風險的界
17.5 訓練序列的長度和識別率估計精度的關係
17.6 結構風險最小化
文獻簡評 套用簡介
習題
參考文獻
