模式識別, 4/e (修訂版)(Pattern Recognition, 4/e)

李晶皎 等

買這商品的人也買了...

商品描述

模式識別是信息科學和人工智能的重要組成部分,主要應用領域包括圖像分析、光學字符識別、通道均衡、語言識別和語音分類等。本書全面介紹了模式識別的基礎理論、最新方法及各種應用,討論了貝葉斯分類、貝葉斯網絡、線性和非線性分類器設計、上下文相關分類、特徵生成、特徵選擇技術、學習理論的基本概念及聚類的概念與算法,新增了與大數據集和高維數據相關的算法,詳細論述了非線性降維、非負矩陣因數分解、關聯性反饋、魯棒回歸、半監督學習、頻譜聚類和組合集聚技術。書中的各章提供習題與練習,並在配套網站上提供習題解答。

作者簡介

Sergios Theodoridis 希臘雅典大學物理學學士,英國伯明翰大學信號處理與通信專業碩士和博士,希臘雅典大學信息與通信系教授,IET和IEEE高級會員,發表的4篇論文曾獲IEEE神經網絡會刊卓越論文獎。 


Konstantinos Koutroumbas 希臘佩特雷大學計算機工程與信息學院計算機科學碩士,英國倫敦大學計算機科學碩士,希臘雅典大學計算機科學博士,希臘雅典國家天文台應用與遙感研究所研究員。


李晶皎,東北大學信息學院教授、博士生導師。
 2006―2010年教育部電子電氣基礎教學指導委員會委員。
自1988年以來一直從事教學與科研工作。
主要研究方向是模式識別、語音信號處理、計算機系統結構、嵌入式系統。

目錄大綱

目 錄
第1章 導論 1
1.1 模式識別的重要性 1
1.2 特徵、特徵向量和分類器 3
1.3 監督、無監督和半監督學習 4
1.4 MATLAB程序 6
1.5 本書的章節安排 6

第2章 基於貝葉斯決策理論的分類器 8
2.1 引言 8
2.2 貝葉斯決策理論 8
2.3 判別函數和決策面 12
2.4 正態分佈的貝葉斯分類 13
2.5 未知概率密度函數的估計 23
2.6 最近鄰準則 41
2.7 貝葉斯網絡 44
習題 48
MATLAB編程與練習 54
參考文獻 58

第3章 線性分類器 61
3.1 引言 61
3.2 線性判別函數和決策超平面 61
3.3 感知器算法 62
3.4 最小二乘法 68
3.5 均方估計回顧 73
3.6 邏輯斯蒂判別 78
3.7 支持向量機 79
習題 94
MATLAB編程和練習 96
參考文獻 97

第4章 非線性分類器 101
4.1 引言 101
4.2 異或問題 101
4.3 兩層感知器 102
4.4 三層感知器 105
4.5 基於訓練集準確分類的算法 106
4.6 反向傳播算法 107
4.7 反向傳播算法的變體 112
4.8 代價函數的選擇 114
4.9 神經網絡大小的選擇 116
4.10 仿真實例 119
4.11 共享權重的網絡 120
4.12 廣義線性分類器 121
4.13 線性二分分類器中l維空間的容量 123
4.14 多項式分類器 124
4.15 徑向基函數網絡 125
4.16 通用逼近器 128
4.17 概率神經網絡 129
4.18 支持向量機:非線性情形 130
4.19 其他SVM範式 134
4.20 決策樹 142
4.21 組合分類器 146
4.22 增強組合分類器的方法 151
4.23 類別不平衡問題 156
4.24 討論 157
習題 157
MATLAB編程和練習 160
參考文獻 163

第5章 特徵選擇 173
5.1 引言 173
5.2 預處理 173
5.3 峰值現象 175
5.4 基於統計假設檢驗的特徵選擇 177
5.5 接收機工作特性曲線 182
5.6 類別可分性判據 183
5.7 特徵子集選擇 188
5.8 最優特徵生成 191
5.9 神經網絡和特徵生成/選擇 198
5.10 關於泛化理論的提示 199
5.11 貝葉斯信息準則 205
習題 206
MATLAB編程和練習 208
參考文獻 211

第6章 特徵生成I:數據變換和降維 216
6.1 引言 216
6.2 基向量和圖像 216
6.3 Karhunen-Loève變換 218
6.4 奇異值分解 224
6.5 獨立成分分析 229
6.6 非負矩陣因子分解 234
6.7 非線性降維 235
6.8 離散傅里葉變換 243
6.9 離散餘弦和正弦變換 245
6.10 哈達瑪變換 246
6.11 哈爾變換 247
6.12 重新審視哈爾展開式 248
6.13 離散時間小波變換 251
6.14 多分辨率解釋 258
6.15 小波包 259
6.16 二維推廣簡介 260
6.17 應用 262
習題 265
MATLAB編程和練習 267
參考文獻 269

第7章 特徵生成II 276
7.1 引言 276
7.2 區域特徵 276
7.3 形狀和尺寸特徵 292
7.4 分形簡介 298
7.5 語音和聲音分類的典型特徵 303
習題 313
MATLAB編程和練習 315
參考文獻 318

第8章 模板匹配 324
8.1 引言 324
8.2 基於最優路徑搜索技術的度量 324
8.3 基於相關的度量 335
8.4 可變形模板模型 339
8.5 基於內容的信息檢索:相關反饋 342
習題 345
MATLAB編程和練習 345
參考文獻 347

第9章 上下文相關分類 350
9.1 引言 350
9.2 貝葉斯分類器 350
9.3 馬爾可夫鏈模型 350
9.4 Viterbi算法 351
9.5 信道均衡 354
9.6 隱馬爾可夫模型 357
9.7 基於狀態持續時間建模的HMM 365
9.8 使用神經網絡訓練馬爾可夫模型 370
9.9 馬爾可夫隨機場的討論 371
習題 373
MATLAB編程和練習 373
參考文獻 375

第10章 監督學習:尾聲 380
10.1 引言 380
10.2 錯誤計數法 380
10.3 利用有限大小的數據集 381
10.4 醫學成像實例研究 384
10.5 半監督學習 386
習題 394
參考文獻 395

第11章 集聚:基本概念 399
11.1 引言 399
11.2 鄰近度 403
習題 417
參考文獻 418

第12章 集聚算法I:順序算法 420
12.1 引言 420
12.2 集聚算法的分類 421
12.3 順序集聚算法 423
12.4 改進的BSAS 426
12.5 雙閾值順序算法 427
12.6 細化階段 429
12.7 神經網絡實現 430
習題 432
MATLAB編程和練習 434
參考文獻 435

第13章 集聚算法II:層次算法 438
13.1 引言 438
13.2 合併算法 438
13.3 同型矩陣 455
13.4 分裂算法 456
13.5 用於大數據集的層次算法 457
13.6 選擇最優的聚類數 462
習題 464
MATLAB編程和練習 465
參考文獻 466

第14章 集聚算法III:基於函數優化的方法 469
14.1 引言 469
14.2 混合分解方法 470
14.3 模糊集聚算法 476
14.4 可能性聚類 491
14.5 硬集聚算法 495
14.6 向量量化 501
附錄 503
習題 503
MATLAB編程和練習 505
參考文獻 507

第15章 集聚算法IV 512
15.1 引言 512
15.2 基於圖論的集聚算法 512
15.3 競爭學習算法 522
15.4 二值形態學集聚算法 528
15.5 邊界檢測算法 534
15.6 尋谷集聚算法 536
15.7 代價優化集聚回顧 538
15.8 核集聚算法 543
15.9 處理大數據集的基於密度的算法 546
15.10 高維數據集的集聚算法 550
15.11 其他集聚算法 560
15.12 組合集聚 561
習題 565
MATLAB編程和練習 567
參考文獻 569

第16章 聚類有效性 578
16.1 引言 578
16.2 假設檢驗回顧 578
16.3 聚類有效性中的假設檢驗 580
16.4 相對準則 587
16.5 單個聚類的有效性 598
16.6 集聚趨勢 600
習題 606
參考文獻 608

附錄A 概率論與數理統計的相關知識 613
附錄B 線性代數基礎 622
附錄C 代價函數優化 624
附錄D 線性系統理論的基本定義 636
詞彙表 638