性色欧美激情中文字幕,国产福利在线观看视频,在线天堂中文www官网

內(nèi)容簡介

　　《模式識別（第2版）》是清華大學自動化系教材，主要討論統(tǒng)計模式識別理論和方法，第一版包括貝葉斯決策理論、線性和非線性判別函數(shù)、近鄰規(guī)則、經(jīng)驗風險最小化、特征提取和選擇，以及聚類分析，等等。多數(shù)章后附有習題，適于教學和自學。《模式識別（第2版）》在第一版基礎(chǔ)上進行了較多的修訂和補充，增加了關(guān)于人工神經(jīng)網(wǎng)絡(luò)、模糊模式識別、模擬退火和遺傳算法，以及統(tǒng)計學習理論和支持向量機等內(nèi)容，還介紹了模式識別在人臉識別、說話人語音識別及字符識別等中的應(yīng)用實例?！赌Ｊ阶R別（第2版）》除了可以作為高等院校自動化、計算機等專業(yè)研究生和高年級學生的模式識別教材外，也可供計算機信息處理、自動控制、地球物理、生物信息等領(lǐng)域中從事模式識別工作的廣大科技人員和高校師生參考。

作者簡介

暫缺《模式識別（第二版）》作者簡介

圖書目錄

第二版前言
   第一版前言
   第1章  緒論
     1. 1  模式識別和模式的概念
     1. 2  模式識別系統(tǒng)
     1. 3  關(guān)于模式識別的一些基本問題
     1. 4  關(guān)于本書的內(nèi)容安排
   第2章  貝葉斯決策理論
     2. 1  引言
     2. 2  幾種常用的決策規(guī)則
     2. 2. 1  基于最小錯誤率的貝葉斯決策
     2. 2. 2  基于最小風險的貝葉斯決策
     2. 2. 3  在限定一類錯誤率條件下使另一類錯誤率為最小的兩類別決策
     2. 2. 4  最小最大決策
     2. 2. 5  序貫分類方法
     2. 2. 6  分類器設(shè)計
     2. 3  正態(tài)分布時的統(tǒng)計決策
     2. 3. 1  正態(tài)分布概率密度函數(shù)的定義及性質(zhì)
     2. 3. 2  多元正態(tài)概率型下的最小錯誤率貝葉斯判別函數(shù)和決策面
     2. 4  關(guān)于分類器的錯誤率問題
     2. 4. 1  在一些特殊情況下錯誤率的理論計算
     2. 4. 2  錯誤率的上界
     2. 5  討論
     習題
   第3章  概率密度函數(shù)的估計
     3. 1  引言
     3. 2  參數(shù)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習
     3. 3  正態(tài)分布的監(jiān)督參數(shù)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習示例
     3. 4  非監(jiān)督參數(shù)估計
     3. 4. 1  非監(jiān)督最大似然估計中的幾個問題
     3. 4. 2  正態(tài)分布情況下的非監(jiān)督參數(shù)估計
     3. 5  總體分布的非參數(shù)估計
     3. 5. 1  基本方法
     3. 5. 2  Parzen窗法
     3. 5. 3  KN-近鄰估計
     3. 6  關(guān)于分類器錯誤率的估計問題
     3. 6. 1  關(guān)于已設(shè)計好分類器時錯誤率的估計問題
     3. 6. 2  關(guān)于未設(shè)計好分類器時錯誤率的估計問題
     3. 7  討論
     習題
   第4章  線性判別函數(shù)
     4. 1  引言
     4. 1. 1  線性判別函數(shù)的基本概念
     4. 1. 2  廣義線性判別函數(shù)
     4. 1. 3  設(shè)計線性分類器的主要步驟
     4. 2  Fisher線性判別
     4. 3  感知準則函數(shù)
     4. 3. l  幾個基本概念
     4. 3. 2  感知準則函數(shù)及其梯度下降算法
     4. 4  最小錯分樣本數(shù)準則
     4. 4. 1  解線性不等式組的共軛梯度法
     4. 4. 2  解線性不等式組的搜索法
     4. 5  最小平方誤差準則函數(shù)
     4. 5. 1  平方誤差準則函數(shù)及其偽逆解
     4. 5. 2  MSE準則函數(shù)的梯度下降算法
     4. 5. 3  隨機MSE準則函數(shù)及其隨機逼近算法
     4. 6  隨機最小錯誤率線性判別準則函數(shù)
     4. 6. 1  隨機最小錯誤率線性判別準則函數(shù)
     4. 6. 2  關(guān)于Jer(a)準則的隨機逼近算法
     4. 6. 3  設(shè)計考慮和應(yīng)用實例
     4. 7  多類問題
     4. 7. 1  多類問題的基本概念
     4. 7. 2  決策樹簡介
     4. 8  討論
     習題
   第5章  非線性判別函數(shù)
     5. 1  分段線性判別函數(shù)的基本概念
     5. 1. 1  基于距離的分段線性判別函數(shù)
     5. 1. 2  分段線性判別函數(shù)
     5. 1. 3  分段線性分類器設(shè)計的一般考慮
     5. 2  用凹函數(shù)的并表示分段線性判別函數(shù)
     5. 2. 1  分段線性判別函數(shù)的表示
     5. 2. 2  算法步驟
     5. 3  用交遇區(qū)的樣本設(shè)計分段線性分類器
     5. 3. 1  算法基本思想
     5. 3. 2  緊互對原型對與交遇區(qū)
     5. 3. 3  局部訓練法
     5. 3. 4  決策規(guī)則
     5. 4  二次判別函數(shù)
     習題
   第6章  近鄰法
     6. 1  最近鄰法
     6. 1. 1  最近鄰決策規(guī)則
     6. 1. 2  最近鄰法的錯誤率分析
     6. 2  k-近鄰法
     6. 3  關(guān)于減少近鄰法計算量和存儲量的考慮
     6. 3. 1  近鄰法的快速算法
     6. 3. 2  剪輯近鄰法
     6. 3. 3  壓縮近鄰法
     6. 4  可做拒絕決策的近鄰法
     6. 4. 1  具有拒絕決策的k-近鄰法
     6. 4. 2  具有拒絕決策的剪輯近鄰法
     6. 5  最佳距離度量近鄰法
     習題
   第7章  經(jīng)驗風險最小化和有序風險最小化方法
     7. 1  平均風險最小化和經(jīng)驗風險最小化
     7. 2  有限事件類情況
     7. 3  線性分界權(quán)向量數(shù)的估計
     7. 4  事件出現(xiàn)頻率一致收斂于其概率的條件
     7. 5  生長函數(shù)的性質(zhì)
     7. 6  經(jīng)驗最優(yōu)判決規(guī)則偏差的估計
     7. 7  經(jīng)驗最優(yōu)判決規(guī)則偏差估計的改進
     7. 8  有序風險最小化方法
     7. 8. 1  判決規(guī)則選擇準則
      7. 8. 2  幾種判決規(guī)則類的排序方法
     7. 9  討論
     習題
   第8章  特征的選擇與提取
     8. 1  基本概念
     8. 1. 1  問題的提出
     8. 1. 2  一些基本概念
     8. 2  類別可分離性判據(jù)
     8. 2. 1  用于可分性判據(jù)的類內(nèi)類間距離
     8. 2. 2  基于概率分布的可分性判據(jù)
     8. 2. 3  基于熵函數(shù)的可分性判據(jù)
     8. 2. 4  類別可分離性判據(jù)的直接應(yīng)用舉例
     8. 3  特征提取
     8. 3. 1  按歐氏距離度量的特征提取方法
     8. 3. 2  按概率距離判據(jù)的特征提取方法
     8. 3. 3  用散度準則函數(shù)的特征提取器
     8. 3. 4  多類情況
     8. 3. 5  基于判別炳最小化的特征提取
     8. 3. 6  兩維顯示
     8. 4  特征選擇
     8. 4. 1  最優(yōu)搜索算法
     8. 4. 2  次優(yōu)搜索法
     8. 4. 3  可分性判據(jù)的遞推計算
     8. 5  特征選擇的幾種新方法
     8. 5. 1  模擬退火算法
     8. 5. 2  Tabu搜索算法
     8. 5. 3  遺傳算法
     習題
   第9章  基于K-L展開式的特征提取
     9. 1  傅里葉級數(shù)展開式
     9. 2  K-L展開式
     9. 3  K-L展開式的性質(zhì)
     9. 3. 1  展開系數(shù)
     9. 3. 2  表示熵
     9. 3. 3  總體熵
     9. 4  K-L坐標系的產(chǎn)生矩陣
     9. 5  從類平均向量中提取判別信息
     9. 6  包含在類平均向量中判別信息的最優(yōu)壓縮
     9. 7  包含在類中心化特征向量中判別信息的提取
     9. 8  用于非監(jiān)督模式識別問題中的特征提取
     9. 9  K-L變換在人臉自動識別研究中的一個應(yīng)用
     9. 9. 1  圖像的歸一化
     9. 9. 2  K-L變換
     9. 9. 3  特征向量的選取
     9. 10  討論
     習題
   第10章  非監(jiān)督學習方法
     10. 1  引言
     10. 2  單峰子集(類)的分離方法
     10. 2. 1  投影方法
     lo. 2. 2  基于對稱集性質(zhì)的單峰子集分離法
     10. 2. 3  單峰子集分離的迭代算法
     10. 3  類別分離的間接方法
     10. 3. 1  動態(tài)聚類方法
     10. 3. 2  近鄰函數(shù)準則算法
     10. 4  分級聚類方法
     10. 5  非監(jiān)督學習方法中的一些問題
     習題
   第11章  人工神經(jīng)網(wǎng)絡(luò)
     11. 1  引言
     11. 2  人工神經(jīng)元
     11. 2. 1  生物神經(jīng)元
     11. 2. 2  人工神經(jīng)元
     11. 2. 3  神經(jīng)元的學習算法
     11. 3  前饋神經(jīng)網(wǎng)絡(luò)及其主要算法
     11. 3. 1  前饋神經(jīng)網(wǎng)絡(luò)
     11. 3. 2  感知器
     11. 3. 3  三層前饋網(wǎng)絡(luò)
     11. 3. 4  反向傳播算法(BP法)
     11. 3. 5  徑向基函數(shù)網(wǎng)絡(luò)
     11. 4  競爭學習和側(cè)抑制
     11. 5  自組織特征映射
     11. 6  Hopfield網(wǎng)絡(luò)
     11. 6. 1  離散Hopfield網(wǎng)絡(luò)
     11. 6. 2  聯(lián)想存儲器
     11. 6. 3  優(yōu)化計算
     11. 6. 4  連續(xù)時間Hopfield網(wǎng)絡(luò)
     11. 7  神經(jīng)網(wǎng)絡(luò)模式識別的典型做法
     11. 7. 1  多層前饋網(wǎng)絡(luò)用于模式識別
     11. 7. 2  自組織網(wǎng)絡(luò)用于模式識別
     11. 8  前饋神經(jīng)網(wǎng)絡(luò)與統(tǒng)計模式識別的關(guān)系
     11. 8. 1  隱層的特征提取作用
     11. 8. 2  神經(jīng)網(wǎng)絡(luò)與貝葉斯分類器
     11. 9  討論
   第12章  模糊模式識別方法
     12. 1  引言
     12. 2  模糊集的基本知識
     12. 3  模糊特征和模糊分類
     12. 3. 1  模糊化特征
     12. 3. 2  結(jié)果的模糊化
     12. 4  特征的模糊評價
     12. 4. 1  模糊程度的度量
     12. 4. 2  特征的模糊評價
     12. 5  模糊聚類方法
     12. 5. 1  模糊C均值算法
     12. 5. 2  改進的模糊C均值算法
     12. 6  模糊A近鄰分類器
     12. 7  討論
   第13章  統(tǒng)計學習理論和支持向量機
     13. 1  引言
     13. 2  機器學習的基本問題和方法
     13. 2. 1  機器學習問題的表示
     13. 2. 2  經(jīng)驗風險最小化
     13. 2. 3  復雜性與推廣能力
     13, 3  統(tǒng)計學習理論的核心內(nèi)容
     13. 3. 1  學習過程一致性的條件
     13, 3. 2  函數(shù)集的學習性能與VC維
     13. 3. 3  推廣性的界
     13. 3. 4  結(jié)構(gòu)風險最小化
     13. 4  支持向量機
     13. 4. 1  最優(yōu)分類面
     13. 4. 2  廣義最優(yōu)分類面
     13. 4. 3  規(guī)范化超平面集的子集結(jié)構(gòu)
     13. 4. 4  支持向量機
     13. 5  討論
   第14章  模式識別在語音信號數(shù)字處理中的應(yīng)用舉例
     14. 1  說話人識別概述
     14. 2  語音信號及其幾個特性
     14. 3  短時基音周期的估計
     14. 4  一個說話人識別系統(tǒng)舉例
     14. 5  討論
   第15章  印刷體漢字識別中的特征提取
     15. 1  印刷體漢字識別的基本知識
     15. 2  印刷體漢字的統(tǒng)計特性及分析
     15. 3  文字的歸一化
     15. 4  印刷體漢字識別中的一些特征
     15. 5  分類問題
     15. 6  判別準則
     15. 7  討論
   主要參考書目
   附錄A  幾種最優(yōu)化算法
     A. 1  梯度(下降)法
     A. 2  牛頓法
     A. 3　共扼梯度法
     A. 4  Lagrange乘子法
     A. 5  隨機逼近法