扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
全国计算机等级考试最新真考题库模拟考场及详解·二级MSOffice高级应用
-
>
决战行测5000题(言语理解与表达)
-
>
软件性能测试.分析与调优实践之路
-
>
第一行代码Android
-
>
C Primer Plus 第6版 中文版
-
>
深度学习
-
>
MATLAB计算机视觉与深度学习实战-赠在线交流卡和本书源码
模式识别(第4版 版权信息
- ISBN：9787121102783
- 条形码：9787121102783 ; 978-7-121-10278-3
- 装帧：暂无
- 册数：暂无
- 重量：暂无
- 所属分类：>
模式识别(第4版 本书特色
本书综合考虑了有监督、无监督和半监督模式识别的经典的以及当前的理论和实践，为专业技术人员和高校学生建立起了完整的基本知识体系。本书由模式识别领域的两位顶级专家合著，全面阐述了模式识别的基础理论、*新方法、以及各种应用。在第四版中增加了一些*新方法，具体有：半监督学习、非线性降维技术和谱聚类。
模式识别(第4版 内容简介
本书全面阐述了模式识别的基础理论、*新方法以及各种应用。模式识别是信息科学和人工智能的重要组成部分，主要应用领域有图像分析、光学字符识别、信道均衡、语言识别和音频分类等。本书在完美地结合当前的理论与实践的基础上，讨论了贝叶斯分类、贝叶斯网络、线性和非线性分类器设计、上下文相关分类、特征生成、特征选取技术、学习理论的基本概念以及聚类概念与算法。与前一版相比，增加了大数据集和高维数据相关的*新算法，这些算法适用于web挖掘和生物信息等应用；提供了*新的分类器和鲁棒回归的核方法；分类器组合技术，包括boosting方法。新增一些热点问题，如非线性降维、非负矩阵因数分解、关联性反馈、鲁棒回归、半监督学习、谱聚类和聚类组合技术。每章均提供有习题与练习，用matlab求解问题，给出一些例题的多种求解方法；且支持网站上提供有习题解答，以便于读者增加实际经验。
本书可作为高等院校自动化、计算机、电子和通信等专业研究生和高年级本科生的教材，也可作为计算机信息处理、自动控制等相关领域的工程技术人员的参考用书。
模式识别(第4版 目录
第1章 导论
1.1 模式识别的重要性
1.2 特征、特征向量和分类器
1.3 有监督、无监督和半监督学习
1.4 matlab程序
1.5 本书的内容安排
第2章 基于贝叶斯决策理论的分类器
2.1 引言
2.2 贝叶斯决策理论
2.3 判别函数和决策面
2.4 正态分布的贝叶斯分类
2.5 未知概率密度函数的估计
2.6 *近邻规则
2.7 贝叶斯网络
习题
matlab编程和练习
参考文献
第3章 线性分类器
3.1 引言
3.2 线性判别函数和决策超平面
3.3 感知器算法
3.4 *小二乘法
3.5 均方估计的回顾
3.6 逻辑识别
3.7 支持向量机
习题
matlab编程和练习
参考文献
第4章 非线性分类器
4.1 引言
4.2 异或问题
4.3 两层感知器
4.4 三层感知器
4.5 基于训练集准确分类的算法
4.6 反向传播算法
4.7 反向传播算法的改进
4.8 代价函数选择
4.9 神经网络大小的选择
4.10 仿真实例
4.11 具有权值共享的网络
4.12 线性分类器的推广
4.13 线性二分法中1维空间的容量
4.14 多项式分类器
4.15 径向基函数网络
4.16 通用逼近
4.17 概率神经元网络
4.18 支持向量机：非线性情况
4.19 超越svm的范例
4.20 决策树
4.21 合并分类器
4.22 合并分类器的增强法
4.23 类的不平衡问题
4.24 讨论
习题
matlab编程和练习
参考文献
第5章 特征选择
5.1 引言
5.2 预处理
5.3 峰值现象
5.4 基于统计假设检验的特征选择
5.5 接收机操作特性（roc）曲线
5.6 类可分性测量
5.7 特征子集的选择
5.8 *优特征生成
5.9 神经网络和特征生成/选择
5.10 推广理论的提示
5.11 贝叶斯信息准则
习题
matlab编程和练习
参考文献
第6章 特征生成i：线性变换
6.1 引言
6.2 基本向量和图像
6.3 karhunen-loève变换
6.4 奇异值分解
6.5 独立成分分析
6.6 非负矩阵因子分解
6.7 非线性维数降低
6.8 离散傅里叶变换（dft）
6.9 离散正弦和余弦变换
6.10 hadamard变换
6.11 haar变换
6.12 回顾haar展开式
6.13 离散时间小波变换（dtwt）
6.14 多分辨解释
6.15 小波包
6.16 二维推广简介
6.17 应用
习题
matlab编程和练习
参考文献
第7章 特征生成ii
7.1 引言
7.2 区域特征
7.3 字符形状和大小的特征
7.4 分形概述
7.5 语音和声音分类的典型特征
习题
matlab编程和练习
参考文献
第8章 模板匹配
8.1 引言
8.2 基于*优路径搜索技术的测度
8.3 基于相关的测度
8.4 可变形的模板模型
8.5 基于内容的信息检索：相关反馈
习题
matlab编程和练习
参考文献
第9章 上下文相关分类
9.1 引言
9.2 贝叶斯分类器
9.3 马尔可夫链模型
9.4 viterbi算法
9.5 信道均衡
9.6 隐马尔可夫模型
9.7 状态驻留的hmm
9.8 用神经网络训练马尔可夫模型
9.9 马尔可夫随机场的讨论
习题
matlab编程和练习
参考文献
第10章 监督学习：尾声
10.1 引言
10.2 误差计算方法
10.3 探讨有限数据集的大小
10.4 医学图像实例研究
10.5 半监督学习
习题
参考文献
第11章 聚类：基本概念
11.1 引言
11.2 近邻测度
习题
参考文献
第12章 聚类算法i：顺序算法
12.1 引言
12.2 聚类算法的种类
12.3 顺序聚类算法
12.4 bsas的改进
12.5 两个阈值的顺序方法
12.6 改进阶段
12.7 神经网络的实现
习题
matlab编程和练习
参考文献
第13章 聚类算法ii：层次算法
13.1 引言
13.2 合并算法
13.3 cophenetic矩阵
13.4 分裂算法
13.5 用于大数据集的层次算法
13.6 *佳聚类数的选择
习题
matlab编程和练习
参考文献
第14章 聚类算法iii：基于函数*优方法
14.1 引言
14.2 混合分解方法
14.3 模糊聚类算法
14.4 可能性聚类
14.5 硬聚类算法
14.6 向量量化
附录
习题
matlab编程和练习
参考文献
第15章 聚类算法iv
15.1 引言
15.2 基于图论的聚类算法
15.3 竞争学习算法
15.4 二值形态聚类算法
15.5 边界检测算法
15.6 谷点搜索聚类算法
15.7 通过代价*优聚类（回顾）
15.8 核聚类方法
15.9 对大数据集的基于密度算法
15.10 高维数据集的聚类算法
15.11 其他聚类算法
15.12 聚类组合
习题
matlab编程和练习
参考文献
第16章 聚类有效性
16.1 引言
16.2 假设检验回顾
16.3 聚类有效性中的假设检验
16.4 相关准则
16.5 单独聚类有效性
16.6 聚类趋势
习题
参考文献
附录a 概率论和统计学的相关知识
附录b 线性代数基础
附录c 代价函数的优化
附录d 线性系统理论的基本定义
索引
1.1 模式识别的重要性
1.2 特征、特征向量和分类器
1.3 有监督、无监督和半监督学习
1.4 matlab程序
1.5 本书的内容安排
第2章 基于贝叶斯决策理论的分类器
2.1 引言
2.2 贝叶斯决策理论
2.3 判别函数和决策面
2.4 正态分布的贝叶斯分类
2.5 未知概率密度函数的估计
2.6 *近邻规则
2.7 贝叶斯网络
习题
matlab编程和练习
参考文献
第3章 线性分类器
3.1 引言
3.2 线性判别函数和决策超平面
3.3 感知器算法
3.4 *小二乘法
3.5 均方估计的回顾
3.6 逻辑识别
3.7 支持向量机
习题
matlab编程和练习
参考文献
第4章 非线性分类器
4.1 引言
4.2 异或问题
4.3 两层感知器
4.4 三层感知器
4.5 基于训练集准确分类的算法
4.6 反向传播算法
4.7 反向传播算法的改进
4.8 代价函数选择
4.9 神经网络大小的选择
4.10 仿真实例
4.11 具有权值共享的网络
4.12 线性分类器的推广
4.13 线性二分法中1维空间的容量
4.14 多项式分类器
4.15 径向基函数网络
4.16 通用逼近
4.17 概率神经元网络
4.18 支持向量机：非线性情况
4.19 超越svm的范例
4.20 决策树
4.21 合并分类器
4.22 合并分类器的增强法
4.23 类的不平衡问题
4.24 讨论
习题
matlab编程和练习
参考文献
第5章 特征选择
5.1 引言
5.2 预处理
5.3 峰值现象
5.4 基于统计假设检验的特征选择
5.5 接收机操作特性（roc）曲线
5.6 类可分性测量
5.7 特征子集的选择
5.8 *优特征生成
5.9 神经网络和特征生成/选择
5.10 推广理论的提示
5.11 贝叶斯信息准则
习题
matlab编程和练习
参考文献
第6章 特征生成i：线性变换
6.1 引言
6.2 基本向量和图像
6.3 karhunen-loève变换
6.4 奇异值分解
6.5 独立成分分析
6.6 非负矩阵因子分解
6.7 非线性维数降低
6.8 离散傅里叶变换（dft）
6.9 离散正弦和余弦变换
6.10 hadamard变换
6.11 haar变换
6.12 回顾haar展开式
6.13 离散时间小波变换（dtwt）
6.14 多分辨解释
6.15 小波包
6.16 二维推广简介
6.17 应用
习题
matlab编程和练习
参考文献
第7章 特征生成ii
7.1 引言
7.2 区域特征
7.3 字符形状和大小的特征
7.4 分形概述
7.5 语音和声音分类的典型特征
习题
matlab编程和练习
参考文献
第8章 模板匹配
8.1 引言
8.2 基于*优路径搜索技术的测度
8.3 基于相关的测度
8.4 可变形的模板模型
8.5 基于内容的信息检索：相关反馈
习题
matlab编程和练习
参考文献
第9章 上下文相关分类
9.1 引言
9.2 贝叶斯分类器
9.3 马尔可夫链模型
9.4 viterbi算法
9.5 信道均衡
9.6 隐马尔可夫模型
9.7 状态驻留的hmm
9.8 用神经网络训练马尔可夫模型
9.9 马尔可夫随机场的讨论
习题
matlab编程和练习
参考文献
第10章 监督学习：尾声
10.1 引言
10.2 误差计算方法
10.3 探讨有限数据集的大小
10.4 医学图像实例研究
10.5 半监督学习
习题
参考文献
第11章 聚类：基本概念
11.1 引言
11.2 近邻测度
习题
参考文献
第12章 聚类算法i：顺序算法
12.1 引言
12.2 聚类算法的种类
12.3 顺序聚类算法
12.4 bsas的改进
12.5 两个阈值的顺序方法
12.6 改进阶段
12.7 神经网络的实现
习题
matlab编程和练习
参考文献
第13章 聚类算法ii：层次算法
13.1 引言
13.2 合并算法
13.3 cophenetic矩阵
13.4 分裂算法
13.5 用于大数据集的层次算法
13.6 *佳聚类数的选择
习题
matlab编程和练习
参考文献
第14章 聚类算法iii：基于函数*优方法
14.1 引言
14.2 混合分解方法
14.3 模糊聚类算法
14.4 可能性聚类
14.5 硬聚类算法
14.6 向量量化
附录
习题
matlab编程和练习
参考文献
第15章 聚类算法iv
15.1 引言
15.2 基于图论的聚类算法
15.3 竞争学习算法
15.4 二值形态聚类算法
15.5 边界检测算法
15.6 谷点搜索聚类算法
15.7 通过代价*优聚类（回顾）
15.8 核聚类方法
15.9 对大数据集的基于密度算法
15.10 高维数据集的聚类算法
15.11 其他聚类算法
15.12 聚类组合
习题
matlab编程和练习
参考文献
第16章 聚类有效性
16.1 引言
16.2 假设检验回顾
16.3 聚类有效性中的假设检验
16.4 相关准则
16.5 单独聚类有效性
16.6 聚类趋势
习题
参考文献
附录a 概率论和统计学的相关知识
附录b 线性代数基础
附录c 代价函数的优化
附录d 线性系统理论的基本定义
索引
展开全部
模式识别(第4版 节选
《模式识别(第4版)》全面阐述了模式识别的基础理论、*新方法以及各种应用。模式识别是信息科学和人工智能的重要组成部分，主要应用领域有图像分析、光学字符识别、信道均衡、语言识别和音频分类等。《模式识别(第4版)》在完美地结合当前的理论与实践的基础上，讨论了贝叶斯分类、贝叶斯网络、线性和非线性分类器设计、上下文相关分类、特征生成、特征选取技术、学习理论的基本概念以及聚类概念与算法。与前一版相比，增加了大数据集和高维数据相关的*新算法，这些算法适用于Web挖掘和生物信息等应用；提供了*新的分类器和鲁棒回归的核方法；分类器组合技术，包括Boosting方法。新增一些热点问题，如非线性降维、非负矩阵因数分解、关联性反馈、鲁棒回归、半监督学习、谱聚类和聚类组合技术。每章均提供有习题与练习，用MATLAB求解问题，给出一些例题的多种求解方法：且支持网站上提供有习题解答，以便于读者增加实际经验。《模式识别(第4版)》可作为高等院校自动化、计算机、电子和通信等专业研究生和高年级本科生的教材，也可作为计算机信息处理、自动控制等相关领域的工程技术人员的参考用书。
模式识别(第4版 相关资料
插图：模式识别是一门以应用为基础的学科，目的是将对象进行分类。这些对象与应用领域有关，它们可以是图像、信号波形或者任何可测量且需要分类的对象。可以用专用术语“模式”（Pattern）来称呼这些对象。模式识别（Pa~em Recognition）具有悠久的历史。在20世纪60年代以前，模式识别主要是统计学领域中的理论研究。同其他事物一样，计算机的出现提高了对模式识别实际应用的需求，而这反过来又对理论发展提出了更高的要求。就像我们的社会从工业化到后工业化阶段一样，在工业生产中，对自动化以及信息处理和检索的需求变得越来越重要，这种趋势把模式识别推向今天的工程应用和研究的高级阶段。在大多数机器智能系统中，模式识别是用于决策的主要部分。 在机器视觉中，模式识别是非常重要的。机器视觉系统通过照相机捕捉图像，然后通过分析，生成图像的描述信息。典型的机器视觉系统主要应用在制造业中，用于自动视觉检验或自动装配线。例如，在自动视觉检验应用中，生产的产品通过传送带移动到检验站，检验站的照相机确定产品是否合格。因此，必须在线分析图像，模式识别系统将产品分为“合格”和“不合格”两种。然后，根据分类结果采取相应的动作，比如丢弃不合格的产品。在装配线上，必须对不同的对象进行定位和识别，也就是说，将对象分类到已知类别的某一类中，如螺丝刀类、德国钥匙类以及任何工具制造单元，然后机器手把这些对象放置在正确的位置。字符（字母或数字）识别是模式识别应用的另一个重要领域，主要用于自动化和信息处理。光学字符识别（Optic Character Recognition，OCR）系统已经开始在商业中应用，我们或多或少都对其有所了解。OCR系统有一个前端设备，它由光源、扫描镜头、文档传送机和检测器组成。在光敏检测器的输出端，光的强度变化转换成数字信号，并形成图像阵列。然后，用一系列的图像处理技术完成线和字符的分段，模式识别软件完成字符识别的任务，也就是将每一个符号分到相应的“字符、数字、标点符号”类中。与存储扫描图像相比，存储经识别处理的文档的好处是：更容易进行文字处理；存储ASCII字符比存储文档的图像效率更高。除了印刷体字符识别系统外，现在更多的研究集中于手写体识别。这种系统的典型商业应用是银行支票的机器识别，机器必须能够识别数字的个数和阿拉伯数字，.并进行匹配，而且能够检查收款人相应的支出信用是否相
模式识别(第4版 作者简介
作者：(希腊)西奥多里蒂斯(Sergios Theodoridis) (希腊)Konstantions Koutroumbas 译者：李晶皎 王爱侠 王骄 等
Sergios Theodoridis于1973年在雅典大学获得物理学学士学位，又分别于1975和1978年在英国伯明翰大学获得信号处理与通信硕士和博士学位。自1995年，他是希腊雅典大学信息与通信系教授。他有4篇论文获得IEEE的神经网络会刊的卓越论文奖，他是IET和IEEE高级会员。
Konstantinos Koutroumbas 1989年毕业于希腊佩特雷大学的计算机工程与信息学院，1990年在英国伦敦大学获得计算机科学硕士学位，1995年在希腊雅典大学获得博士学位。自2001年任职于希腊雅典国家天文台空间应用与遥感研究院，是国际知名的专家。
译者：
李晶皎：东北大学信息学院教授、博士生导师。2006-2010年教育部电子电气基础课教学指导分委员会委员。自1988年以来一直从事教学和科研工作。主要研究方向是模式识别、语音信号处理、计算机系统结构、以及嵌入式系统等。
书友推荐
- >
我从未如此眷恋人间
我从未如此眷恋人间
¥37.4¥49.8 - >
烟与镜
烟与镜
¥28.4¥48.0 - >
我与地坛
我与地坛
¥25.8¥28.0 - >
伊索寓言-世界文学名著典藏-全译本
伊索寓言-世界文学名著典藏-全译本
¥6.1¥19.0 - >
新文学天穹两巨星--鲁迅与胡适/红烛学术丛书(红烛学术丛书)
新文学天穹两巨星--鲁迅与胡适/红烛学术丛书(红烛学术丛书)
¥9.9¥23.0 - >
山海经
山海经
¥20.4¥68.0 - >
二体千字文
二体千字文
¥16.0¥40.0 - >
名家带你读鲁迅:故事新编
名家带你读鲁迅:故事新编
¥13.0¥26.0
本类畅销
-
深度学习自然语言处理实战
¥25.8¥59.9 -
过程控制
¥11.9¥35 -
2022图书×抽奖盲袋
¥9.9¥25 -
2023读书月阅读盲盒——天黑，闭眼，刀谁？
¥42.3¥158 -
-
2022读者节纪念徽章-三星会员专属
¥45¥45.6
