模式識別（第三版）

定　價：￥58.00

作　者：	（希）西奧多里德斯等著，李晶皎等譯
出版社：	電子工業(yè)出版社
叢編項：	國外計算機科學教材系列
標　簽：	模式識別

購買這本書可以去

ISBN：	9787121026478	出版時間：	2006-12-01	包裝：	膠版紙
開本：	16	頁數(shù)：	551	字數(shù)：

內(nèi)容簡介

　　模式識別是指對表征事物或現(xiàn)象的各種形式的信息進行處理和分析，以對事物或現(xiàn)象進行描述、辨認、分類和解釋的過程。它是信息科學和人工智能的重要組成部分，主要應用領域是圖像分析與處理、語音識別、聲音分類、通信、計算機輔助診斷、數(shù)據(jù)挖掘等學科。本書在完美地結(jié)合當前的理論與實踐的基礎上，討論了貝葉斯分類、貝葉斯網(wǎng)絡、線性和非線性分類器設計、動態(tài)編程和用于順序數(shù)據(jù)的隱馬爾可夫模型、特征生成、特征選取技術(shù)、學習理論的基本概念以及聚類概念與算法。與前一版相比，主要更新了關(guān)于支持向量機和聚類算法的內(nèi)容，重點研究了圖像分析、語音識別和聲音分類的特征生成。每章末均提供有習題與練習，且支持網(wǎng)站上提供有習題解答，以便于讀者增加實際經(jīng)驗。.本書可作為高等院校自動化、計算機、電子和通信等專業(yè)研究生和高年級本科生的教材，也可作為計算機信息處理、自動控制等相關(guān)領域的工程技術(shù)人員的參考用書。..本書綜合考慮了有監(jiān)督和無監(jiān)督模式識別的經(jīng)典理論與實踐以及當前的理論與實踐，為專業(yè)技術(shù)人員和高校學生建立起了完整的基本知識體系。本書由模式識別領域的兩位頂級專家合著，全面闡述了模式識別的基礎理論、最新方法以及各種應用。每章的開始是基本原理介紹，然后是最新研究問題和關(guān)鍵技術(shù)討論，最后是習題。習題解答和仿真程序可到網(wǎng)站http：／／www.di，uoa．gr／-stpatrec下載。本書第三版的具體內(nèi)容包括：貝葉斯分類、貝葉斯網(wǎng)絡、線性和非線性分類器（包含神經(jīng)網(wǎng)絡和支持向量機）、動態(tài)規(guī)劃和用于順序數(shù)據(jù)的隱馬爾可夫模型、特征生成（包含小波、主成分分析、獨立成分分析和分形）、特征選擇技術(shù)、自學習理論的基本概念、聚類概念和算法等。...

作者簡介

　　本書提供作譯者介紹Sergios Theodoridis：希臘雅典大學信息與通信系教授。他于1973年在雅典大學獲得物理學學士學位，又分別于1975年和1978年在英國伯明翰大學獲得信號處理與通信碩士和博士學位。自1995年以來，他一直是希臘雅典大學信息與通信系教授。其主要研究方向是自適應信號處理、通信與模式識別。他是歐洲并行結(jié)構(gòu)及語言協(xié)會（PARLE-95）主席和歐洲信號處理協(xié)會（EUSIPCO-98）常務主席、《信號處理》雜志編委。.Konstantinos Koutroumbas：1989年早業(yè)于希臘佩特雷大學的計算機工程與信息學院，1990...

圖書目錄

第1章導論
1.1模式識別的重要性
1.2特征、特征向量和分類器
1.3有監(jiān)督和無監(jiān)督模式識別
1.4本書的內(nèi)容安排
第2章基于貝葉斯決策理論的分類器
2.1引言
2.2貝葉斯決策理論
2.3判別函數(shù)和決策面
2.4正態(tài)分布的貝葉斯分類
2.5未知概率密度函數(shù)的估計
2.6最近鄰規(guī)則
2.7貝葉斯網(wǎng)絡
習題
參考文獻
第3章線性分類器
3.1引言
3.2線性判別函數(shù)和決策超平面
3.3感知器算法
3.4最小二乘法
3.5均方估計的回顧
3.6邏輯識別
3.7支持向量機
習題
參考文獻
第4章非線性分類器
4.1引言
4.2異或問題
4.3兩層感知器
4.4三層感知器
4.5基于訓練集準確分類的算法
4.6反向傳播算法
4.7反向傳播算法的改進
4.8代價函數(shù)選擇
4.9神經(jīng)網(wǎng)絡大小的選擇
4.10仿真實例
4.11具有權(quán)值共享的網(wǎng)絡
4.12線性分類器的推廣
4.13線性二分法中z維空間的容量
4.14多項式分類器
4.15徑向基函數(shù)網(wǎng)絡
4.16通用逼近
4.17支持向量機：非線性情況
4.18決策樹
4.19合并分類器
4.20合并分類器的增強法
4.21討論
習題
參考文獻
第5章特征選擇
5.1引言
5.2預處理
5.3基于統(tǒng)計假設檢驗的特征選擇
5.4接收機操作特性roc曲線
5.5類可分性測量
5.6特征子集的選擇
5.7最優(yōu)特征生成
5.8神經(jīng)網(wǎng)絡和特征生成/選擇
5.9推廣理論的提示
5.10貝葉斯信息準則
習題
參考文獻
第6章特征生成i：線性變換
6.1引言
6.2基本向量和圖像
6.3karhunen—loeve變換
6.4奇異值分解
6.5獨立成分分析
6.6離散傅里葉變換(dft)
6.7離散正弦和余弦變換
6.8hadamard變換
6.9’haar變換
6.10回顧haar。展開式
6.11離散時間小波變換(dtwt)
6.12多分辨解釋
6.13小波包
6.14二維推廣簡介
6.15應用
習題
參考文獻
第7章特征生成ii
7.1引言
7.2區(qū)域特征
7.3字符形狀和大小的特征
7.4分形概述
7.5語音和聲音分類的典型特征
習題
參考文獻
第8章模板匹配
8.1引言
8.2基于最優(yōu)路徑搜索技術(shù)的測度
8.3基于相關(guān)的測度
8.4可變形的模板模型
習題
參考文獻
第9章上下文相關(guān)分類
9.1引言
9.2貝葉斯分類器
9.3馬爾可夫鏈模型
9.4viterbi算法
9.5信道均衡
9.6隱馬爾可夫模型
9.7狀態(tài)駐留的hmm
9.8用神經(jīng)網(wǎng)絡訓練馬爾可夫模型
9.9馬爾可夫隨機場的討論
習題
參考文獻
第10章系統(tǒng)評價
10.1引言
10.2誤差計算方法
10.3探討有限數(shù)據(jù)集的大小
10.4.醫(yī)學圖像實例研究
習題
參考文獻
第11章聚類：基本概念
11.1引言
11.2近鄰測度
習題
參考文獻
第12章聚類算法i：順序算法
12.1引言
12.2聚類算法的種類
12.3順序聚類算法
12.4bsas的改進
12.5兩個閾值的順序方法
12.6改進階段
12.7神經(jīng)網(wǎng)絡的實現(xiàn)
習題
參考文獻
第13章聚類算法ii：層次算法
13.1引言
13.2合并算法
13.3cophenetic矩陣
13.4分裂算法
13.5用于大數(shù)據(jù)集的層次算法
13.6最佳聚類數(shù)的選擇
習題
參考文獻
第14章聚類算法iii：基于函數(shù)最優(yōu)方法
14.1引言
14.2混合分解方法
14.3模糊聚類算法
14.4可能性聚類
14.5硬聚類算法
14.6向量量化
附錄
習題
參考文獻
第15章聚類算法iv
15.1引言
15.2基于圖論的聚類算法
15.3競爭學習算法
15.4二值形態(tài)聚類算法
15.5邊界檢測算法
15.6谷點搜索聚類算法
15.7通過代價最優(yōu)聚類(回顧)
15.8核聚類方法
15.9對大數(shù)據(jù)集的基于密度算法
15.10高維數(shù)據(jù)集的聚類算法
15.11其他聚類算法
習題
參考文獻
第16章聚類有效性
16.1引言
16.2假設檢驗回顧
16.3聚類有效性中的假設檢驗
16.4相關(guān)準則
16.5單獨聚類有效性
16.6聚類趨勢
習題
參考文獻
附錄a 概率論和統(tǒng)計學的相關(guān)知識
附錄b 線性代數(shù)基礎
附錄c 代價函數(shù)的優(yōu)化
附錄d 線性系統(tǒng)理論的基本定義
索引