模式识别 内容简介

本书系统地论述了模式识别基本概念、算法及应用, 体现了传统模式识别内容与当前*新发展的结合与补充。全书包括三部分内容, 共15章。**部分共7章, 主要介绍了经典模式识别方法, 着重讨论监督学习, 即已知训练样本及其类别条件下分类器的设计方法, 然后介绍了无监督模式识别, *后讲解了模式识别系统中, 特征提取和特征选择的准则和算法 ; 第二部分共3章, 主要介绍了现代模式识别方法, 包含支持向量机、组合分类器以及半监督学习 ; 第三部分共5章, 主要介绍了深度学习模式识别方法, 从现有的深度神经网络出发, 讲解了强化学习、宽度学习、图卷积神经网络等模式识别方法。*后, 以实例的形式给出模式识别在各个领域中的应用, 使读者对模式识别方法有更直观的认识。

模式识别 本书特色

本书前几章着重讨论监督学习即已知训练样本及其类别条件下分类器的设计方法。在此之后介绍无监督模式识别，然后讲解模式识别系统中，特征提取和选择的准则和算法。第二部分介绍现代模式识别，其中包含支撑矢量机、组合分类器以及半监督学习。第三部分中讨论了深度学习模式识别。从现有的深度神经网络出发再到强化学习、宽度学习、图卷积网络等。并在*后，以实例的形式给出模式识别在各个领域中的应用，加深读者对模式识别方法更直观的认识。

模式识别 目录

**部分经典模式识别第1章模式识别概述31.1模式识别的基本概念31.2模式识别系统51.2.1信息获取51.2.2数据处理51.2.3特征选择和提取61.2.4分类识别和分类决策61.2.5模式识别系统实例71.3模式识别的历史与现状101.4模式识别方法111.4.1模板匹配111.4.2统计模式识别111.4.3结构句法模式识别121.4.4模糊模式识别方法121.4.5人工神经网络方法131.5模式识别应用领域141.5.1文本识别141.5.2语音识别141.5.3指纹识别151.5.4视频识别15习题16参考文献16第2章贝叶斯决策172.1*小错误率贝叶斯决策172.2*小风险贝叶斯决策212.3判别函数和决策面232.4正态分布下的贝叶斯决策262.4.1正态分布概率密度函数的定义262.4.2多元正态概率型下的贝叶斯分类器28习题32参考文献32第3章线性和非线性判别分析333.1Fisher线性判别分析333.2感知器准则363.2.1基本概念363.2.2感知准则函数及其学习方法373.3广义线性判别分析393.4k近邻403.4.1k近邻算法简介403.4.2k近邻算法模型413.4.3k近邻算法中距离度量413.4.4k近邻算法中k值的选择413.4.5k近邻算法分类决策规则423.5决策树423.5.1问题集433.5.2决策树分支准则433.5.3停止分支准则443.5.4类分配规则443.5.5过拟合与决策树的剪枝45习题46参考文献46第4章无监督模式识别474.1高斯混合模型474.1.1单高斯模型484.1.2高斯混合模型484.1.3EM算法求解高斯混合模型504.2动态聚类算法514.2.1K均值算法524.2.2模糊聚类算法554.3层次聚类算法574.3.1自上而下的算法 584.3.2自下而上的算法59习题62参考文献62第5章特征选择635.1基本概念635.2类别可分离性判据645.2.1基于距离的可分离性判据645.2.2基于概率分布的可分离性判据665.2.3基于熵的可分性判据685.2.4基于*小冗余*大相关性判据695.3特征子集的选择705.3.1单独*优特征选择705.3.2顺序后向选择715.3.3顺序前向选择725.3.4增l减r选择725.3.5浮动搜索735.3.6分支定界搜索745.4基于随机搜索的特征选择75习题77参考文献77第6章特征提取786.1主成分分析786.2核主成分分析806.3线性判别分析816.4多维缩放836.5流形学习846.5.1等度量映射856.5.2局部线性嵌入86习题88参考文献88第7章经典人工神经网络897.1人工神经网络897.1.1神经元结构907.1.2感知器937.1.3反向传播957.2常见神经网络987.2.1SOM网络987.2.2RBF网络997.2.3BP神经网络1007.2.4Hopfield网络101习题102参考文献103第二部分现代模式识别第8章支持向量机1078.1基本概念1078.1.1间隔的概念1078.1.2*大间隔分离超平面1108.2线性可分支持向量机的学习1108.2.1线性可分支持向量机学习算法1108.2.2线性可分支持向量机的对偶学习1118.3线性支持向量机的学习1138.4非线性支持向量机的学习1158.4.1核函数的定义1168.4.2核函数有效性判定1168.4.3常用的核函数1178.4.4非线性支持向量机的学习1188.5SMO算法118习题123参考文献124第9章组合分类器1259.1组合分类概述1259.1.1个体与组合间的关系1259.1.2分类器组合评价1269.2Bagging算法1279.2.1Bagging1279.2.2随机森林1309.3Boosting算法1309.4XGBoost算法135习题141参考文献142第10章半监督学习14310.1什么是半监督学习14310.2半监督分类14510.2.1生成式模型14610.2.2半监督支持向量机14710.2.3基于图的半监督学习14910.2.4基于分歧的方法15010.3半监督聚类152习题153参考文献153第三部分深度学习模式识别第11章深度神经网络15711.1深度堆栈自编码网络15711.1.1自编码网络15711.1.2深度堆栈网络15811.2受限玻尔兹曼机与深度置信网络15911.2.1受限玻尔兹曼机15911.2.2深度置信网络16011.3卷积神经网络16111.3.1卷积神经网络概述16111.3.2卷积操作介绍与感受野的计算16311.3.3深度卷积神经网络结构的发展16611.4深度循环神经网络17111.4.1循环神经元17211.4.2RNN网络17311.4.3LSTM网络17611.4.4循环网络应用18011.5生成对抗网络18111.5.1概述18111.5.2基本思想18111.5.3基本模型及训练过程18211.5.4GAN的优缺点及变体18311.5.5GAN的应用185习题185参考文献186第12章强化学习18712.1强化学习简介18712.2强化学习的数学基础18812.2.1马尔可夫决策过程18912.2.2状态值函数与状态动作值函数19012.3强化学习算法19212.3.1基于模型的动态规划方法19312.3.2基于无模型的强化学习方法19412.3.3基于策略梯度的强化学习方法19712.3.4深度强化学习198习题200参考文献201第13章宽度学习20213.1宽度学习提出背景20213.2宽度学习系统简介与随机向量函数链接神经网络20313.2.1随机向量函数链接神经网络与宽度学习系统20313.2.2岭回归算法20413.2.3函数链接神经网络的动态逐步更新算法20413.3宽度学习基本模型20513.3.1宽度学习基本模型20513.3.2BLS增量形式20713.4宽度学习的优势特性209习题210参考文献210第14章图卷积神经网络21114.1图卷积理论基础21114.2图卷积推导21314.2.1卷积提取图特征21314.2.2GCN推导21414.3图卷积应用21714.3.1自适应图卷积网络简介21714.3.2基于时空图卷积网络的骨架识别220习题222参考文献222第15章语音、文本、图像与视频模式识别22415.1基于SVM的手写体数字识别技术22415.1.1手写体数字识别背景22415.1.2手写体数字识别流程22515.1.3手写体数字识别算法22515.1.4基于SVM的手写体数字识别23015.2基于BP 神经网络的图像识别技术23215.2.1图像识别背景23215.2.2图像识别基本原理23215.2.3BP神经网络的设计23315.2.4基于BP神经网络的图像识别23415.3基于高斯混合模型的说话人识别技术23815.3.1说话人识别背景23815.3.2说话人识别的基本流程23815.3.3基于高斯混合模型的说话人识别24015.4基于VGG19的视频行人检测技术24015.4.1视频检测背景24015.4.2视频行人检测流程240习题244参考文献244

模式识别 作者简介

西安电子科技大学教授、博士生导师．现任人工智能学院智能所党支部书记。遥感影像解译研究中心主任。 “智能信息处理科学与技术”高等学校学科创新引智基地（“111计划”）副主任、IEEE高级会员、IEEE 遥感科学学会西安分会副主席、IEEE智能计算学会西安分会秘书、空天大数据与人工智能专委会常委、视觉大数据专委会委员、智能科学国际会议(ICIS2017)程序委员会委员、IEEE 地理科学与遥感国际会议 (IGARSS 2016, IGARSS 2017 )分会主席、IEEE 亚太区会议（TENCON 2016）分会主席。主要研究方向为模式识别、机器学习、图像分析与理解等。