模式识别 Pattern Recognition 文字版[PDF]

游客，本帖隐藏的内容需要积分高于 1 才可浏览，您当前积分为 0

资源信息： 中文名: 模式识别 原名: Pattern Recognition 作者: Theodoridis Koutroumbas Abe Riesen Bunke Webb Bishop 图书分类: 科技 资源格式: PDF 版本: 文字版 出版社: Academic Press 书号: 1597492728 发行时间: 2008年 地区: 美国 语言: 英文 概述:

内容简介： 本书全面阐述了模式识别的基础理论、最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最新算法，这些算法适用于web挖掘和生物信息等应用；提供了最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。 内容截图：

目录: 第1章 导论 1 1.1 模式识别的重要性 1 1.2 特征、特征向量和分类器 3 1.3 有监督、无监督和半监督学习 4 1.4 matlab程序 6 1.5 本书的内容安排 6 第2章 基于贝叶斯决策理论的分类器 8 2.1 引言 8 2.2 贝叶斯决策理论 8 2.3 判别函数和决策面 12 2.4 正态分布的贝叶斯分类 13 2.5 未知概率密度函数的估计 23 2.6 最近邻规则 42 2.7 贝叶斯网络 44 习题 49 matlab编程和练习 55 参考文献 60 第3章 线性分类器 63 3.1 引言 63 3.2 线性判别函数和决策超平面 63 .3.3 感知器算法 64 3.4 最小二乘法 70 3.5 均方估计的回顾 75 3.6 逻辑识别 80 3.7 支持向量机 81 习题 97 matlab编程和练习 99 参考文献 100 第4章 非线性分类器 104 4.1 引言 104 4.2 异或问题 104 4.3 两层感知器 105 4.4 三层感知器 108 4.5 基于训练集准确分类的算法 109 4.6 反向传播算法 110 4.7 反向传播算法的改进 115 4.8 代价函数选择 117 4.9 神经网络大小的选择 119 4.10 仿真实例 123 4.11 具有权值共享的网络 124 4.12 线性分类器的推广 125 4.13 线性二分法中l维空间的容量 126 4.14 多项式分类器 127 4.15 径向基函数网络 129 4.16 通用逼近 131 4.17 概率神经元网络 132 4.18 支持向量机：非线性情况 134 4.19 超越svm的范例 137 4.20 决策树 146 4.21 合并分类器 150 4.22 合并分类器的增强法 155 4.23 类的不平衡问题 160 4.24 讨论 161 习题 161 matlab编程和练习 164 参考文献 168 第5章 特征选择 178 5.1 引言 178 5.2 预处理 178 5.3 峰值现象 180 5.4 基于统计假设检验的特征选择 182 5.5 接收机操作特性(roc)曲线 187 5.6 类可分性测量 188 5.7 特征子集的选择 193 5.8 最优特征生成 196 5.9 神经网络和特征生成/选择 203 5.10 推广理论的提示 204 5.11 贝叶斯信息准则 210 习题 211 matlab编程和练习 213 参考文献 216 第6章 特征生成i：线性变换 221 6.1 引言 221 6.2 基本向量和图像 221 6.3 karhunen-loève变换 223 6.4 奇异值分解 229 6.5 独立成分分析 234 6.6 非负矩阵因子分解 239 6.7 非线性维数降低 240 6.8 离散傅里叶变换(dft) 248 6.9 离散正弦和余弦变换 251 6.10 hadamard变换 252 6.11 haar变换 253 6.12 回顾haar展开式 254 6.13 离散时间小波变换(dtwt) 257 6.14 多分辨解释 264 6.15 小波包 265 6.16 二维推广简介 266 6.17 应用 268 习题 271 matlab编程和练习 273 参考文献 275 第7章 特征生成ii 282 7.1 引言 282 7.2 区域特征 282 7.3 字符形状和大小的特征 298 7.4 分形概述 304 7.5 语音和声音分类的典型特征 309 习题 320 matlab编程和练习 322 参考文献 325 第8章 模板匹配 331 8.1 引言 331 8.2 基于最优路径搜索技术的测度 331 8.3 基于相关的测度 342 8.4 可变形的模板模型 346 8.5 基于内容的信息检索：相关反馈 349 习题 352 matlab编程和练习 353 参考文献 355 第9章 上下文相关分类 358 9.1 引言 358 9.2 贝叶斯分类器 358 9.3 马尔可夫链模型 358 9.4 viterbi算法 359 9.5 信道均衡 362 9.6 隐马尔可夫模型 365 9.7 状态驻留的hmm 373 9.8 用神经网络训练马尔可夫模型 378 9.9 马尔可夫随机场的讨论 379 习题 381 matlab编程和练习 382 参考文献 384 第10章 监督学习：尾声 389 10.1 引言 389 10.2 误差计算方法 389 10.3 探讨有限数据集的大小 390 10.4 医学图像实例研究 393 10.5 半监督学习 395 习题 404 参考文献 404 第11章 聚类：基本概念 408 11.1 引言 408 11.2 近邻测度 412 习题 427 参考文献 428 第12章 聚类算法i：顺序算法 430 12.1 引言 430 12.2 聚类算法的种类 431 12.3 顺序聚类算法 433 12.4 bsas的改进 436 12.5 两个阈值的顺序方法 437 12.6 改进阶段 439 12.7 神经网络的实现 440 习题 443 matlab编程和练习 444 参考文献 445 第13章 聚类算法ii：层次算法 448 13.1 引言 448 13.2 合并算法 448 13.3 cophenetic矩阵 465 13.4 分裂算法 466 13.5 用于大数据集的层次算法 467 13.6 最佳聚类数的选择 472 习题 474 matlab编程和练习 475 参考文献 477 第14章 聚类算法iii：基于函数最优方法 480 14.1 引言 480 14.2 混合分解方法 481 14.3 模糊聚类算法 487 14.4 可能性聚类 502 14.5 硬聚类算法 506 14.6 向量量化 513 附录 514 习题 515 matlab编程和练习 516 参考文献 519 第15章 聚类算法iv 523 15.1 引言 523 15.2 基于图论的聚类算法 523 15.3 竞争学习算法 533 15.4 二值形态聚类算法 540 15.5 边界检测算法 546 15.6 谷点搜索聚类算法 548 15.7 通过代价最优聚类(回顾) 550 15.8 核聚类方法 555 15.9 对大数据集的基于密度算法 558 15.10 高维数据集的聚类算法 562 15.11 其他聚类算法 572 15.12 聚类组合 573 习题 578 matlab编程和练习 580 参考文献 582 第16章 聚类有效性 591 16.1 引言 591 16.2 假设检验回顾 591 16.3 聚类有效性中的假设检验 593 16.4 相关准则 600 16.5 单独聚类有效性 612 16.6 聚类趋势 613 习题 620 参考文献 622 附录a 概率论和统计学的相关知识 626 附录b 线性代数基础 635 附录c 代价函数的优化 637 附录d 线性系统理论的基本定义 索引