本書(shū)主要介紹模式識(shí)別的基礎(chǔ)知識(shí)、基本方法、程序?qū)崿F(xiàn)和典型實(shí)踐應(yīng)用。全書(shū)共9章。第1章介紹模式識(shí)別的基本概念、基礎(chǔ)知識(shí)；第2章介紹貝葉斯決策理論；第3章介紹概率密度函數(shù)的參數(shù)估計(jì)；第4章介紹非參數(shù)判別分類方法；第5章介紹聚類分析；第6章介紹特征提取與選擇；第7章介紹模糊模式識(shí)別；第8章介紹神經(jīng)網(wǎng)絡(luò)在模式識(shí)別中的應(yīng)用；第9章介紹模式識(shí)別的工程應(yīng)用。每章的內(nèi)容安排從問(wèn)題背景引入，講述基本內(nèi)容和方法，到實(shí)踐應(yīng)用（通過(guò)MATLAB軟件編程）。本書(shū)內(nèi)容系統(tǒng)，重點(diǎn)突出，做到理論、應(yīng)用與實(shí)際編程緊密結(jié)合，理論與實(shí)例并重。本書(shū)還配套有《模式識(shí)別及MATLAB實(shí)現(xiàn)――學(xué)習(xí)與實(shí)驗(yàn)指導(dǎo)》作為教材的補(bǔ)充，便于讀者學(xué)習(xí)和上機(jī)實(shí)驗(yàn)；另配有電子課件，便于教師教學(xué)和學(xué)生自學(xué)。本書(shū)可作為高等院校電子信息工程、通信工程、計(jì)算機(jī)科學(xué)與技術(shù)、電子科學(xué)與技術(shù)、生物醫(yī)學(xué)工程、電氣工程及其自動(dòng)化等相關(guān)專業(yè)本科生的教材，以及信息與通信工程、控制科學(xué)與工程、計(jì)算機(jī)科學(xué)與技術(shù)、生物醫(yī)學(xué)工程、光學(xué)工程和電子科學(xué)與技術(shù)等專業(yè)的研究生教材；也可作為從事小模式識(shí)別、人工智能和計(jì)算機(jī)應(yīng)用研究與開(kāi)發(fā)的工程技術(shù)人員的參考書(shū)。
目 錄
第1章 緒論 1
1．1 模式識(shí)別的基本概念 1
1．1．1 生物的識(shí)別能力 1
1．1．2 模式識(shí)別的概念 2
1．1．3 模式識(shí)別的特點(diǎn) 2
1．1．4 模式的描述方法及特征空間 4
1．2 模式識(shí)別系統(tǒng)的組成和主要方法 5
1．2．1 模式識(shí)別系統(tǒng)的組成 5
1．2．2 模式識(shí)別的方法 7
1．3 模式識(shí)別的應(yīng)用 9
1．3．1 文字識(shí)別 9
1．3．2 語(yǔ)音識(shí)別 10
1．3．3 指紋識(shí)別 10
1．3．4 遙感圖像識(shí)別 11
1．3．5 醫(yī)學(xué)診斷 11
1．4 全書(shū)內(nèi)容簡(jiǎn)介 12
習(xí)題及思考題 13
第2章 貝葉斯決策理論 14
2．1 幾個(gè)重要的概念 14
2．2 幾種常用的決策規(guī)則 15
2．2．1 基于最小錯(cuò)誤率的貝葉斯決策 16
2．2．2 最小風(fēng)險(xiǎn)判別規(guī)則 18
2．2．3 最大似然比判別規(guī)則 20
2．2．4 Neyman-Pearson判別規(guī)則 22
2．3 正態(tài)分布中的Bayes分類方法 26
2．4 MATLAB程序?qū)崿F(xiàn) 33
習(xí)題及思考題 37
第3章 概率密度函數(shù)的參數(shù)估計(jì) 39
3．1 概率密度函數(shù)估計(jì)概述 39
3．2 最大似然估計(jì) 40
3．3 貝葉斯估計(jì)與貝葉斯學(xué)習(xí) 42
3．4 非參數(shù)估計(jì) 47
3．4．1 非參數(shù)估計(jì)的基本方法 48
3．4．2 Parzen窗法 50
3．4．3 -近鄰估計(jì)法 54
3．5 MATLAB示例 55
習(xí)題及思考題 60
第4章 非參數(shù)判別分類方法 62
4．1 線性分類器 62
4．1．1 線性判別函數(shù)的基本概念 62
4．1．2 多類問(wèn)題中的線性判別函數(shù) 64
4．1．3 廣義線性判別函數(shù) 68
4．1．4 線性分類器的主要特性及設(shè)計(jì)步驟 70
4．1．5 感知器算法 74
4．1．6 Fisher線性判別函數(shù) 79
4．2 非線性判別函數(shù) 84
4．2．1 非線性判別函數(shù)與分段線性判別函數(shù) 84
4．2．2 基于距離的分段線性判別函數(shù) 85
4．3 支持向量機(jī) 87
4．3．1 線性可分情況 87
4．3．2 線性不可分情況 89
4．4 MATLAB示例 91
習(xí)題及思考題 94
第5章 聚類分析 95
5．1 模式相似性測(cè)度 95
5．1．1 距離測(cè)度 96
5．1．2 相似測(cè)度 99
5．1．3 匹配測(cè)度 100
5．2 類間距離測(cè)度方法 102
5．2．1 最短距離法 102
5．2．2 最長(zhǎng)距離法 102
5．2．3 中間距離法 102
5．2．4 重心法 103
5．2．5 平均距離法（類平均距離法） 103
5．3 聚類準(zhǔn)則函數(shù) 105
5．3．1 誤差平方和準(zhǔn)則 105
5．3．2 加權(quán)平均平方距離和準(zhǔn)則 106
5．3．3 類間距離和準(zhǔn)則 107
5．3．4 離散度矩陣 107
5．4 基于距離閾值的聚類算法 108
5．4．1 最近鄰規(guī)則的聚類算法 109
5．4．2 最大最小距離聚類算法 109
5．5 動(dòng)態(tài)聚類算法 111
5．5．1 C-均值聚類算法 111
5．5．2 ISODATA聚類算法 115
5．6 MATLAB示例 121
習(xí)題及思考題 126
第6章 特征提取與選擇 128
6．1 類別可分性判據(jù) 128
6．2 基于距離的可分性判據(jù) 129
6．3 按概率距離判據(jù)的特征提取方法 131
6．4 基于熵函數(shù)的可分性判據(jù) 134
6．5 基于Karhunen-Loeve變換的特征提取 135
6．5．1 Karhunen-Loeve變換 135
6．5．2 使用K-L變換進(jìn)行特征提取 138
6．6 特征選擇 141
6．6．1 次優(yōu)搜索法 142
6．6．2 最優(yōu)搜索法 143
6．7 MATLAB舉例 145
習(xí)題及思考題 147
第7章 模糊模式識(shí)別 148
7．1 模糊數(shù)學(xué)的基礎(chǔ)知識(shí) 148
7．1．1 集合及其特征函數(shù) 148
7．1．2 模糊集合 149
7．1．3 模糊集合的 水平截集 154
7．1．4 模糊關(guān)系及模糊矩陣 155
7．2 模糊模式識(shí)別方法 156
7．2．1 最大隸屬度識(shí)別法 157
7．2．2 擇近原則識(shí)別法 157
7．2．3 基于模糊等價(jià)關(guān)系的聚類方法 159
7．2．4 模糊C-均值聚類 161
7．3 MATLAB程序設(shè)計(jì) 163
習(xí)題及思考題 165
第8章 神經(jīng)網(wǎng)絡(luò)在模式識(shí)別中的應(yīng)用 167
8．1 人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí) 167
8．1．1 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史 167
8．1．2 生物神經(jīng)元 168
8．1．3 人工神經(jīng)元 168
8．1．4 人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn) 169
8．2 前饋神經(jīng)網(wǎng)絡(luò) 169
8．2．1 感知器 170
8．2．2 多層感知器 171
8．3 自組織特征映射網(wǎng)絡(luò) 173
8．3．1 網(wǎng)絡(luò)結(jié)構(gòu) 173
8．3．2 網(wǎng)絡(luò)的識(shí)別過(guò)程 174
8．3．3 網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程 174
8．4 徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò) 175
8．4．1 網(wǎng)絡(luò)結(jié)構(gòu) 175
8．4．2 徑向基函數(shù) 176
8．4．3 網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程 176
8．5 深度學(xué)習(xí) 177
8．5．1 深度學(xué)習(xí)介紹 178
8．5．2 受限玻爾茲曼機(jī) 178
8．5．3 深度置信網(wǎng)絡(luò) 180
8．5．4 卷積神經(jīng)網(wǎng)絡(luò) 181
8．6 MATLAB舉例 183
習(xí)題及思考題 188
第9章 模式識(shí)別的工程應(yīng)用 190
9．1 基于BP神經(jīng)網(wǎng)絡(luò)的手寫(xiě)數(shù)字識(shí)別 190
9．1．1 整體方案設(shè)計(jì) 190
9．1．2 字符圖像的特征提取 191
9．1．3 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì) 195
9．1．4 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 197
9．1．5 BP神經(jīng)網(wǎng)絡(luò)的識(shí)別 197
9．2 基于樸素貝葉斯的中文文本分類 198
9．2．1 文本分類原理 199
9．2．2 文本特征提取 199
9．2．3 樸素貝葉斯分類器設(shè)計(jì) 201
9．2．4 測(cè)試文本分類 202
9．3 基于PCA（主要成分分析）和SVM（支持向量機(jī)）的人臉識(shí)別 205
9．3．1 人臉圖像獲取 205
9．3．2 人臉圖像預(yù)處理 206
9．3．3 人臉圖像特征提取 207
9．3．4 SVM分類器的設(shè)計(jì)和分類 209
9．4 基于隱馬爾科夫模型的語(yǔ)音識(shí)別 210
9．4．1 語(yǔ)音識(shí)別的原理 210
9．4．2 語(yǔ)音采集 211
9．4．3 語(yǔ)音信號(hào)的預(yù)處理 212
9．4．4 MFCC特征參數(shù)提取 216
9．4．5 HMM模型訓(xùn)練 217
9．4．6 識(shí)別處理 218
參考文獻(xiàn) 219
書(shū)單推薦
