本書是《模式識別及Matlab實現(xiàn)》主教材的配套實驗與指導(dǎo),根據(jù)主教材各章內(nèi)容,相應(yīng)給出了實驗的具體步驟和程序代碼,包括:貝葉斯決策,概率密度函數(shù)的參數(shù)估計,非參數(shù)判別分類方法,聚類分析,特征提取與選擇,模糊模式識別,神經(jīng)網(wǎng)絡(luò)在模式識別中的應(yīng)用,模式識別的工程應(yīng)用等。
本書是武漢理工大學(xué)楊杰和郭志強編寫的教材《模式識別及MATLAB 實現(xiàn)》的學(xué)習(xí)和實驗指導(dǎo)用書,可與教材配套使用,也可單獨作為高等學(xué)校模式識別課程的教學(xué)與學(xué)習(xí)參考書,還可作為模式識別領(lǐng)域?qū)I(yè)技術(shù)人員的參考資料。
模式識別是一門理論和工程應(yīng)用都發(fā)展十分迅速的學(xué)科,尤其隨著大數(shù)據(jù)的出現(xiàn)和互聯(lián)網(wǎng) 的興起,模式識別已伴隨著人工智能技術(shù)滲透到人們生活的方方面面。模式識別作為信息類專業(yè)碩士研究生的學(xué)位課,主要介紹模式識別的基礎(chǔ)知識和基本理論,為進(jìn)一步研究模式識別理論和技術(shù)打下良好的基礎(chǔ)。同時,模式識別也是一門實踐性很強的學(xué)科,通過一定量的實驗訓(xùn)練,有助于學(xué)習(xí)者加深理解和鞏固所學(xué)的基本理論知識,也有助于提高其解決實際工程問題的能力。
全書分為7 章,每章都按本章知識結(jié)構(gòu)、知識要點和實驗指導(dǎo)三部分編寫。具體內(nèi)容包括貝葉斯決策、參數(shù)估計、非參數(shù)判別分類法、聚類分析法、特征選擇與提取、模糊模式識別、數(shù)字圖像處理的基礎(chǔ)等,每章實驗均給出了實驗步驟、MATLAB 代碼和實驗結(jié)果。實驗的內(nèi)容和訓(xùn)練對模式識別學(xué)習(xí)者有很大幫助,也為從事模式識別的工程技術(shù)人員提供了一定的指導(dǎo)。
本書第1~4 章由郭志強編寫,第5~7 章由楊杰編寫,編者指導(dǎo)的研究生王賀、吳紫薇、林仲康和李博聞等參加了程序調(diào)試、插圖和校對工作。在編寫本書過程中,參閱了大量模式識別參考書,這里謹(jǐn)向有關(guān)作者表示衷心感謝。
由于作者水平有限,書中難免存在疏漏和不當(dāng)之處,懇請讀者批評指正。
作者主要承擔(dān)數(shù)字圖像處理,模式識別,信息傳輸理論等課程的教學(xué)工作。近幾年先后承擔(dān)了國家自然科學(xué)基金面上項目,湖北省科技攻關(guān)項目,海南科技廳項目,武漢市科技攻關(guān)項目,國家留學(xué)基金項目,交通部重點項目和企業(yè)合作項目30余項;在國內(nèi)外學(xué)術(shù)刊物上發(fā)表學(xué)術(shù)論文60余篇,被SCI和EI收錄論文40余篇,出版教材3部。
獲武漢理工大學(xué)優(yōu)秀碩士學(xué)位論文獎,優(yōu)秀博士論文獎。
第 1 章貝葉斯決策
1
1.1 知識要點 1
1.2 實驗指導(dǎo) 7
1.2.1 基于最小錯誤率的貝葉斯決策 7
1.2.2 最小風(fēng)險判決規(guī)則 12
1.2.3 最大似然比判決規(guī)則 16
1.2.4 Neyman-Pearsen 判決 21
第2 章參數(shù)估計 25
2.1 知識要點 25
2.2 實驗指導(dǎo) 30
2.2.1 最大似然估計 30
2.2.2 貝葉斯估計 33
2.2.3 Parzen 窗 36
2.2.4 N k 近鄰估計法 38
第3 章非參數(shù)判別分類法 41
3.1 知識要點 41
3.2 實驗指導(dǎo) 44
3.2.1 兩分法 44
3.2.2 兩分法的設(shè)計 47
3.2.3 沒有不確定區(qū)域的兩分法 52
3.2.4 廣義線性判別函數(shù)的設(shè)計與實現(xiàn) 56
3.2.5 感知器算法的設(shè)計/實現(xiàn) 58
3.2.6 兩類問題Fisher 準(zhǔn)則 62
3.2.7 基于距離的分段線性判別函數(shù) 68
3.2.8 支持向量機 74
第4 章聚類分析法 80
4.1 知識要點 81
4.2 實驗指導(dǎo) 84
4.2.1 距離測度 84
4.2.2 相似測度算法 90
4.2.3 基于匹配測度算法的實現(xiàn) 98
4.2.4 基于類間距離測度方法 103
4.2.5 聚類函數(shù)準(zhǔn)則 106
4.2.6 基于最近鄰規(guī)則的聚類算法 108
4.2.7 基于最大最小距離聚類算法的實現(xiàn) 113
4.2.8 基于K-均值聚類算法實驗 116
第5 章特征提取與選擇 124
5.1 知識要點 124
5.2 實驗指導(dǎo) 128
5.2.1 基于距離的可分性判據(jù) 128
5.2.2 圖像的傅里葉變換二(旋轉(zhuǎn)性質(zhì)) 130
5.2.3 基于熵函數(shù)的可分性判據(jù) 134
5.2.4 利用類均值向量提取特征 136
5.2.5 基于類平均向量中判別信息的最優(yōu)壓縮的實現(xiàn) 141
5.2.6 增添特征法
……