123,123

內(nèi)容簡(jiǎn)介

　　分類識(shí)別是人類最重要的基本活動(dòng)之一，在人類的日常生活、社會(huì)活動(dòng)、科研生產(chǎn)以及學(xué)習(xí)、工作中無時(shí)無處不在進(jìn)行著分類識(shí)別。模式識(shí)別是研究分類識(shí)別理論和方法的科學(xué)，是一門綜合性、交叉性學(xué)科。在理論上它涉及代數(shù)學(xué)、矩陣論、概率論、圖論、模糊數(shù)學(xué)、最優(yōu)化理論等等眾多學(xué)科的知識(shí)，在應(yīng)用上又與其他許多領(lǐng)域的工程技術(shù)密切相關(guān)，其內(nèi)涵可以概括為信息處理、分析與決策，它既是人工智能研究領(lǐng)域的重要分支，又是實(shí)現(xiàn)機(jī)器智能必不可少的技術(shù)手段。該學(xué)科的理論任務(wù)是運(yùn)用一切相關(guān)科技研發(fā)分類識(shí)別的理論和方法，而其應(yīng)用目標(biāo)是創(chuàng)造能進(jìn)行分類識(shí)別決策的智能機(jī)器系統(tǒng)以代替人類的分類識(shí)別工作。自80年代以來，它始終受到學(xué)術(shù)界和各應(yīng)用領(lǐng)域的極大重視，計(jì)算機(jī)軟、硬件技術(shù)的日臻成熟及其他相關(guān)學(xué)科的迅速發(fā)展更使它成為理論研究和技術(shù)開發(fā)的熱門學(xué)科，其重要的學(xué)術(shù)價(jià)值和廣泛的應(yīng)用范圍使得人們?cè)絹碓秸J(rèn)識(shí)到該課程的重要性，也吸引了各領(lǐng)域的科研人員投入極高的學(xué)習(xí)熱情。近十幾年來，與模式識(shí)別相關(guān)的理論專著、論文、科研成果層出不窮，使得該學(xué)科得以豐富和發(fā)展，形成了許多大類的模式識(shí)別理論、方法。但是現(xiàn)在多數(shù)著作只涉及一至兩類模式識(shí)別知識(shí)的介紹，多學(xué)科、多視角、多層次地介紹該學(xué)科知識(shí)的著作不多，能兼顧教學(xué)使用和科研參考的高校教材也較少，因此有必要將該學(xué)科涉及到的基本理論、基本方法原理以及當(dāng)代發(fā)展成熟的理論技術(shù)進(jìn)行沉淀、提煉、歸納、整合，讓讀者能較系統(tǒng)地掌握本學(xué)科的理論精髓，較全面地了解和掌握相關(guān)技術(shù)，這也正是我們撰寫本書的初衷和希望本書能實(shí)現(xiàn)的目標(biāo)。

作者簡(jiǎn)介

暫缺《現(xiàn)代模式識(shí)別》作者簡(jiǎn)介

圖書目錄

第一章  引  論
1. 1  概論
1. 2  特征矢量和特征空間
1. 3  隨機(jī)矢量的描述
1. 4  正態(tài)分布
參考文獻(xiàn)
第二章  聚類分析
2. 1  聚類分析的概念
2. 2  模式相似性測(cè)度
2. 3  類的定義與類間距離
2. 4  聚類的算法
習(xí)題
參考文獻(xiàn)
第三章  判別域代數(shù)界面方程法
3. 1  用判別域界面方程分類的概念
3. 2  線性判別函數(shù)
3. 3  判別函數(shù)值的鑒別意義. 權(quán)空間及解空間
3. 4  Fisher線性判別
3. 5  一次準(zhǔn)則函數(shù)及梯度下降法
3. 6  二次準(zhǔn)則函數(shù)及其解法
3. 7  線性規(guī)劃方法
3. 8  線性二分能力(Linear dichotomies)
3. 9  廣義線性判別函數(shù)
3. 10  二次判別函數(shù)
3. 11  分段線性判別函數(shù)
3. 12  位勢(shì)函數(shù)分類法
習(xí)題
參考文獻(xiàn)
第四章  統(tǒng)計(jì)判決
4. 1  最小誤判概率準(zhǔn)則判決
4. 2  最小損失準(zhǔn)則判決
4. 3  最小最大損失準(zhǔn)則判決
4. 4  N-P(Neyman-Pearson)判決
4. 5  序貫判決
4. 6  Fisher準(zhǔn)則判決
習(xí)題
參考文獻(xiàn)
第五章  統(tǒng)計(jì)決策中的訓(xùn)練. 學(xué)習(xí)與錯(cuò)誤率測(cè)試. 估訐
5. 1  統(tǒng)計(jì)推斷概述
5. 2  參數(shù)估計(jì)
5. 3  貝葉斯學(xué)習(xí)
5. 4  概率密度的窗函數(shù)估計(jì)法及kN-近鄰法
5. 5  有限項(xiàng)正交函數(shù)級(jí)數(shù)逼近法
5. 6  用位勢(shì)函數(shù)法逼近貝葉斯判決函數(shù)
5. 7  隨機(jī)逼近方法求類的后驗(yàn)概率
5. 8  統(tǒng)計(jì)決策準(zhǔn)則下線性判決函數(shù)的訓(xùn)練生成
5. 9  錯(cuò)誤率測(cè)試
5. 10  平均損失及最小誤判概率的估計(jì)方法
5. 11  經(jīng)驗(yàn)風(fēng)險(xiǎn)設(shè)計(jì)
習(xí)題
參考文獻(xiàn)
第六章  最近鄰方法
6. 1  最近鄰法
6. 2  剪輯最近鄰法
6. 3  引入拒絕決策的最近鄰法
6. 4  最近鄰法中的最佳距離及其實(shí)際計(jì)算
習(xí)題
參考文獻(xiàn)
第七章  特征提取與選擇
7. 1  概述
7. 2  類別可分性判據(jù)
7. 3  基于可分性判據(jù)進(jìn)行變換的特征提取與選擇
7. 4  最佳鑒別矢量的提取
7. 5  離散K-L變換及其在特征提取與選擇中的應(yīng)用
7. 6  基于決策界的特征提取
7. 7  特征選擇中的直接挑選法
習(xí)題
參考文獻(xiàn)
第八章  模糊模式識(shí)別
8. 1  引言
8. 2  普通集合與模糊集合
8. 3  普通集合中的關(guān)系及有關(guān)知識(shí)
8. 4  模糊關(guān)系與模糊變換
8. 5  模糊度與特征提取和選擇
8. 6  模糊識(shí)別的基本方法
習(xí)題
參考文獻(xiàn)
第九章  神經(jīng)網(wǎng)絡(luò)在模式識(shí)別中的應(yīng)用
9. 1  人工神經(jīng)網(wǎng)絡(luò)的基本知識(shí)
9. 2  前向型人工神經(jīng)網(wǎng)絡(luò)
9. 3  BP網(wǎng)的結(jié)構(gòu)性能和學(xué)習(xí)改進(jìn)
9. 4  Hopfield網(wǎng)絡(luò)
9. 5  隨機(jī)神經(jīng)網(wǎng)絡(luò)
9. 6  自適應(yīng)共振理論神經(jīng)網(wǎng)絡(luò)
9. 7  自組織特征映射神經(jīng)網(wǎng)絡(luò)
9. 8  模糊神經(jīng)網(wǎng)絡(luò)
習(xí)題
參考文獻(xiàn)
第十章  信息融合
10. 1  概述
10. 2  融合技術(shù)的層次性及融合系統(tǒng)的功能模塊和結(jié)構(gòu)
10. 3  關(guān)于信息融合的熵理論
10. 4  觀測(cè)不相關(guān)的分布式最小損失準(zhǔn)則下的檢測(cè)與決策融合
10. 5  觀測(cè)相關(guān)的決策融合
10. 6  N-P準(zhǔn)則下的數(shù)據(jù)融合
10. 7  分布式檢測(cè)決策融合的全局最優(yōu)概述及某些約束條件下的最優(yōu)解
10. 8  D-S證據(jù)理論融合算法
參考文獻(xiàn)
第十一章  句法模式識(shí)別
11. 1  句法模式識(shí)別概述
11. 2  形式語言
11. 3  高維文法與隨機(jī)文法
11. 4  模式的描述
11. 5  句法分析
11. 6  文法推斷
參考文獻(xiàn)
第十二章  智能化方法
12. 1  人工智能簡(jiǎn)述
12. 2  專家系統(tǒng)
12. 3  知識(shí)的表示
12. 4  智能推理技術(shù)
12. 5  不確定性推理
參考文獻(xiàn)