模式識別原理及工程應用簡(jiǎn)介，目錄書(shū)摘

編輯推薦:

內容簡(jiǎn)介:　　《模式識別原理及工程應用》以模式識別技術(shù)為主題，系統地討論了模式識別的基本概念和代表性方法，并通過(guò)一定的應用實(shí)例，幫助讀者深入地理解理論方法，系統地掌握模式識別的理論精髓和相關(guān)技術(shù)?！赌Ｊ阶R別原理及工程應用》所有應用實(shí)例均為作者所在研究團隊和協(xié)作團隊開(kāi)發(fā)產(chǎn)品和科研工作的總結，具有一定前沿性和實(shí)用性。在實(shí)例中，也綜合了人工智能、模式識別、自動(dòng)控制、圖像處理、生理學(xué)、心理學(xué)、認知科學(xué)等多種學(xué)科方法，具有深遠的社會(huì )意義。
　　《模式識別原理及工程應用》可作為高等院校計算機、電子、通信、自動(dòng)化等專(zhuān)業(yè)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(dòng)控制等相關(guān)領(lǐng)域的工程技術(shù)人員的參考用書(shū)。

作者簡(jiǎn)介:

目錄:前言
第1章 模式識別概述
1.1 模式識別的基本概念
1.2 模式識別的主要方法
1.2.1 決策理論方法
1.2.2 句法方法
1.2.3 模糊模式識別方法
1.2.4 人工神經(jīng)網(wǎng)絡(luò )方法
1.2.5 人工智能方法
1.3 模式識別系統
1.4 模式識別系統的應用舉例
1.4.1 指紋識別
1.4.2 車(chē)牌識別
1.4.3 人臉識別
1.4.4 語(yǔ)音識別
1.5 本書(shū)的主要內容
本章小結
習題

第2章 基于貝葉斯決策理論的分類(lèi)器
2.1 分類(lèi)器的描述方法
2.2 貝葉斯決策理論
2.2.1 貝葉斯決策理論的概念
2.2.2 基于最小錯誤率的貝葉斯決策與實(shí)現
2.2.3 基于最小風(fēng)險的貝葉斯決策與實(shí)現
2.3 判別函數和決策面
2.4 正態(tài)分布的貝葉斯分類(lèi)
2.5 最小最大損失準則
本章小結
習題

第3章 概率密度函數的估計
3.1 引言
3.2 參數估計的基本概念
3.2.1 最大似然估計
3.2.2 貝葉斯估計和貝葉斯學(xué)習
3.3 正態(tài)分布的有監督參數估計
3.3.1 最大似然估計示例
3.3.2 貝葉斯估計和貝葉斯學(xué)習示例
3.4 無(wú)監督參數估計
3.4.1 無(wú)監督最大似然估計中的幾個(gè)問(wèn)題
3.4.2 正態(tài)分布情況下的無(wú)監督參數估計
3.5 總體分布的非參數估計
3.5.1 基本方法
3.5.2 Parzen窗法
本章小結
習題

第4章 判別函數分類(lèi)器的設計
4.1 判別函數的基本概念
4.2 線(xiàn)性判別函數
4.2.1 廣義線(xiàn)性判別函數
4.2.2 Fisher線(xiàn)性判別
4.2.3 感知準則函數
4.2.4 最小平方誤差準則函數
4.3 線(xiàn)性分類(lèi)器
4.4 分段線(xiàn)性分類(lèi)器
4.5 基于核的Fisher分類(lèi)
4.6 非線(xiàn)性判別函數
4.6.1 分段線(xiàn)性判別函數的基本概念
4.6.2 用凹函數的并表示分段線(xiàn)性判別函數
4.7 非線(xiàn)性分類(lèi)器
4.8 支持向量機
本章小結
習題

第5章 近鄰法
5.1 最近鄰法
5.1.1 最近鄰決策規則
5.1.2 最近鄰法的錯誤率分析
5.2 k-近鄰法
5.3 剪輯近鄰法
5.4 壓縮近鄰法
本章小結
習題

第6章 特征選擇
6.1 引言
6.2 特征的評價(jià)準則
6.3 類(lèi)別可分性判據
6.3.1 基于類(lèi)距離的可分性判據
6.4 特征子集的選擇
6.5 最優(yōu)特征的生成
6.6 特征選擇的最優(yōu)算法
6.7 特征選擇的次優(yōu)算法
6.8 特征選擇的遺傳算法
本章小結
習題

第7章 特征提取
7.1 引言
7.2 基于類(lèi)別可分性判據的特征提取
7.3 主成分分析法
7.4 K-L變換
7.5 非線(xiàn)性維數降低
7.6 Haar變換
本章小結
習題

第8章 聚類(lèi)
8.1 基本概念
8.2 動(dòng)態(tài)聚類(lèi)算法
8.2.1 概念
8.2.2 C均值算法
8.2.3 C均值算法的聚類(lèi)數目
8.3 模糊聚類(lèi)算法
8.3.1 概念
8.3.2 模糊C均值算法
8.3.3 基于交替優(yōu)化的實(shí)現
8.3.4 基于神經(jīng)網(wǎng)絡(luò )的實(shí)現
8.3.5 基于進(jìn)化計算的實(shí)現
8.4 合并算法
8.4.1 基于矩陣理論的合并算法
8.4.2 基于圖論的合并算法
8.5 層次聚類(lèi)算法
8.6 最佳聚類(lèi)數的選擇
8.7 順序聚類(lèi)算法
8.7.1 聚類(lèi)數的估計
8.7.2 順序聚類(lèi)算法的改進(jìn)
本章小結
習題

第9章 模糊模式識別方法
9.1 引言
9.2 模糊集的基本知識
9.2.1 模糊集的定義與運算
9.3 模糊特征和模糊分類(lèi)
9.3.1 模糊化特征
9.3.2 結果的模糊化
9.4 特征的模糊評價(jià)
9.4.1 模糊度
9.4.2 模糊特征提取
9.5 模糊模式識別的基本類(lèi)型
9.5.1 第一類(lèi)模糊模式識別
9.5.2 第二類(lèi)模糊模式識別
9.6 基于模糊相似矩陣的分類(lèi)方法
9.6.1 傳遞閉包法
9.6.2 直接聚類(lèi)法
本章小結
習題

第10章 車(chē)牌識別的應用舉例
10.1 概述
10.2 字符識別算法
10.2.1 字符識別原理
10.2.2 基于模板匹配的字符識別算法
10.2.3 基于神經(jīng)網(wǎng)絡(luò )的字符識別算法
10.2.4 特征統計匹配法
10.3 實(shí)驗方案
10.3.1 車(chē)牌定位
10.3.2 車(chē)牌字符分割
10.3.3 車(chē)牌字符識別
本章小結
習題

第11章 簽名識別的應用舉例
11.1 概述
11.2 基于視頻的簽名識別系統流程
11.3 實(shí)驗方案
11.3.1 簽名識別的數據獲取與初始筆尖定位
11.3.2 視頻簽名識別的筆尖追蹤
11.3.3 基于視頻的簽名識別的特征提取及分類(lèi)
本章小結
習題

第12章 人臉識別的應用舉例
12.1 概述
12.2 特征獲取算法
12.2.1 特征獲取綜述
12.2.2 基于幾何的特征獲取算法
12.2.3 基于統計的特征獲取算法
12.3 實(shí)驗方案
12.3.1 人臉定位檢測
12.3.2 人臉特征提取
12.3.3 人臉?lè )诸?lèi)識別
本章小結
習題
附錄 教學(xué)建議
參考文獻