模式识别及MATLAB实现PDF|Epub|txt|kindle电子书版本网盘下载

模式识别及MATLAB实现PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1 模式识别的基本概念1

1.1.1 生物的识别能力1

1.1.2 模式识别的概念2

1.1.3 模式识别的特点2

1.1.4 模式的描述方法及特征空间4

1.2 模式识别系统的组成和主要方法5

1.2.1 模式识别系统的组成5

1.2.2 模式识别的方法7

1.3 模式识别的应用9

1.3.1 文字识别9

1.3.2 语音识别10

1.3.3 指纹识别10

1.3.4 遥感图像识别11

1.3.5 医学诊断11

1.4 全书内容简介12

习题及思考题13

第2章 贝叶斯决策理论14

2.1 几个重要的概念14

2.2 几种常用的决策规则15

2.2.1 基于最小错误率的贝叶斯决策16

2.2.2 最小风险判别规则18

2.2.3 最大似然比判别规则20

2.2.4 Neyman-Pearson判别规则22

2.3 正态分布中的Bayes分类方法26

2.4 MATLAB程序实现33

习题及思考题37

第3章 概率密度函数的参数估计39

3.1 概率密度函数估计概述39

3.2 最大似然估计40

3.3 贝叶斯估计与贝叶斯学习42

3.4 非参数估计47

3.4.1 非参数估计的基本方法48

3.4.2 Parzen窗法50

3.4.3 kN-近邻估计法54

3.5 MATLAB示例55

习题及思考题60

第4章 非参数判别分类方法62

4.1 线性分类器62

4.1.1 线性判别函数的基本概念62

4.1.2 多类问题中的线性判别函数64

4.1.3 广义线性判别函数68

4.1.4 线性分类器的主要特性及设计步骤70

4.1.5 感知器算法74

4.1.6 Fisher线性判别函数79

4.2 非线性判别函数84

4.2.1 非线性判别函数与分段线性判别函数84

4.2.2 基于距离的分段线性判别函数85

4.3 支持向量机87

4.3.1 线性可分情况87

4.3.2 线性不可分情况89

4.4 MATLAB示例91

习题及思考题94

第5章 聚类分析95

5.1 模式相似性测度95

5.1.1 距离测度96

5.1.2 相似测度99

5.1.3 匹配测度100

5.2 类间距离测度方法102

5.2.1 最短距离法102

5.2.2 最长距离法102

5.2.3 中间距离法102

5.2.4 重心法103

5.2.5 平均距离法（类平均距离法）103

5.3 聚类准则函数105

5.3.1 误差平方和准则105

5.3.2 加权平均平方距离和准则106

5.3.3 类间距离和准则107

5.3.4 离散度矩阵107

5.4 基于距离阈值的聚类算法108

5.4.1 最近邻规则的聚类算法109

5.4.2 最大最小距离聚类算法109

5.5 动态聚类算法111

5.5.1 C-均值聚类算法111

5.5.2 ISODATA聚类算法115

5.6 MATLAB示例121

习题及思考题126

第6章 特征提取与选择128

6.1 类别可分性判据128

6.2 基于距离的可分性判据129

6.3 按概率距离判据的特征提取方法131

6.4 基于熵函数的可分性判据134

6.5 基于Karhunen-Loeve变换的特征提取135

6.5.1 Karhunen-Loeve变换135

6.5.2 使用K-L变换进行特征提取138

6.6 特征选择141

6.6.1 次优搜索法142

6.6.2 最优搜索法143

6.7 MALAB举例145

习题及思考题147

第7章 模糊模式识别148

7.1 模糊数学的基础知识148

7.1.1 集合及其特征函数148

7.1.2 模糊集合149

7.1.3 模糊集合的λ水平截集154

7.1.4 模糊关系及模糊矩阵155

7.2 模糊模式识别方法156

7.2.1 最大隶属度识别法157

7.2.2 择近原则识别法157

7.2.3 基于模糊等价关系的聚类方法159

7.2.4 模糊C-均值聚类161

7.3 MATLAB程序设计163

习题及思考题165

第8章 神经网络在模式识别中的应用167

8.1 人工神经网络的基础知识167

8.1.1 人工神经网络的发展历史167

8.1.2 生物神经元168

8.1.3 人工神经元168

8.1.4 人工神经网络的特点169

8.2 前馈神经网络169

8.2.1 感知器170

8.2.2 多层感知器171

8.3 自组织特征映射网络173

8.3.1 网络结构173

8.3.2 网络的识别过程174

8.3.3 网络的学习过程174

8.4 径向基函数（RBF）神经网络175

8.4.1 网络结构175

8.4.2 径向基函数176

8.4.3 网络的学习过程176

8.5 深度学习177

8.5.1 深度学习介绍178

8.5.2 受限玻尔兹曼机178

8.5.3 深度置信网络180

8.5.4 卷积神经网络181

8.6 MATLAB举例183

习题及思考题188

第9章 模式识别的工程应用190

9.1 基于BP神经网络的手写数字识别190

9.1.1 整体方案设计190

9.1.2 字符图像的特征提取191

9.1.3 BP神经网络的设计195

9.1.4 BP神经网络的训练197

9.1.5 BP神经网络的识别197

9.2 基于朴素贝叶斯的中文文本分类198

9.2.1 文本分类原理199

9.2.2 文本特征提取199

9.2.3 朴素贝叶斯分类器设计201

9.2.4 测试文本分类202

9.3 基于PCA（主要成分分析）和SVM（支持向量机）的人脸识别205

9.3.1 人脸图像获取205

9.3.2 人脸图像预处理206

9.3.3 人脸图像特征提取207

9.3.4 SVM分类器的设计和分类209

9.4 基于隐马尔科夫模型的语音识别210

9.4.1 语音识别的原理210

9.4.2 语音采集211

9.4.3 语音信号的预处理212

9.4.4 MFCC特征参数提取216

9.4.5 HMM模型训练217

9.4.6 识别处理218

参考文献219