导语

  

内容提要

  

    杨杰主编的《模式识别及MATLAB实现》主要介绍模式识别的基础知识、基本方法、程序实现和典型实践应用。全书共9章。第1章介绍模式识别的基本概念、基础知识；第2章介绍贝叶斯决策理论；第3章介绍概率密度函数的参数估计；第4章介绍非参数判别分类方法；第5章介绍聚类分析；第6章介绍特征提取与选择；第7章介绍模糊模式识别；第8章介绍神经网络在模式识别中的应用；第9章介绍模式识别的工程应用。每章的内容安排从问题背景引入，讲述基本内容和方法，到实践应用（通过MATLAB软件编程）。本书内容系统，重点突出，做到理论、应用与实际编程紧密结合，理论与实例并重。
    本书还配套有《模式识别及MATLAB实现——学习与实验指导》作为教材的补充，便于读者学习和上机实验；另配有电子课件，便于教师教学和学生自学。
    本书可作为高等院校电子信息工程、通信工程、计算机科学与技术、电子科学与技术、生物医学工程、电气工程及其自动化等相关专业本科生的教材，以及信息与通信工程、控制科学与工程、计算机科学与技术、生物医学工程、光学工程和电子科学与技术等专业的研究生教材；也可作为从事小模式识别、人工智能和计算机应用研究与开发的工程技术人员的参考书。

第1章  绪论
  1.1  模式识别的基本概念
    1.1.1  生物的识别能力
    1.1.2  模式识别的概念
    1.1.3  模式识别的特点
    1.1.4  模式的描述方法及特征空间
  1.2  模式识别系统的组成和主要方法
    1.2.1  模式识别系统的组成
    1.2.2  模式识别的方法
  1.3  模式识别的应用
    1.3.1  文字识别
    1.3.2  语音识别
    1.3.3  指纹识别
    1.3.4  遥感图像识别
    1.3.5  医学诊断
  1.4  全书内容简介
  习题及思考题
第2章  贝叶斯决策理论
  2.1  几个重要的概念
  2.2  几种常用的决策规则
    2.2.1  基于最小错误率的贝叶斯决策
    2.2.2  最小风险判别规则
    2.2.3  最大似然比判别规则
    2.2.4  Neyman-Pearson判别规则
  2.3  正态分布中的Bayes分类方法
  2.4  MATLAB程序实现
  习题及思考题
第3章  概率密度函数的参数估计
  3.1  概率密度函数估计概述
  3.2  最大似然估计
  3.3  贝叶斯估计与贝叶斯学习
  3.4  非参数估计
    3.4.1  非参数估计的基本方法
    3.4.2  Parzen窗法
    3.4.3  kN-近邻估计法
  3.5  MATLAB示例
  习题及思考题
第4章  非参数判别分类方法
  4.1  线性分类器
    4.1.1  线性判别函数的基本概念
    4.1.2  多类问题中的线性判别函数
    4.1.3  广义线性判别函数
    4.1.4  线性分类器的主要特性及设计步骤
    4.1.5  感知器算法
    4.1.6  Fisher线性判别函数
  4.2  非线性判别函数
    4.2.1  非线性判别函数与分段线性判别函数
    4.2.2  基于距离的分段线性判别函数
  4.3  支持向量机
    4.3.1  线性可分情况
    4.3.2  线性不可分情况
  4.4  MATLAB示例
  习题及思考题
第5章  聚类分析
  5.1  模式相似性测度
    5.1.1  距离测度
    5.1.2  相似测度
    5.1.3  匹配测度
  5.2  类间距离测度方法
    5.2.1  最短距离法
    5.2.2  最长距离法
    5.2.3  中间距离法
    5.2.4  重心法
    5.2.5  平均距离法（类平均距离法）
  5.3  聚类准则函数
    5.3.1  误差平方和准则
    5.3.2  加权平均平方距离和准则
    5.3.3  类间距离和准则
    5.3.4  离散度矩阵
  5.4  基于距离阈值的聚类算法
    5.4.1  最近邻规则的聚类算法
    5.4.2  最大最小距离聚类算法
  5.5  动态聚类算法
    5.5.1  C-均值聚类算法
    5.5.2  ISODATA聚类算法
  5.6  MATLAB示例
  习题及思考题
第6章  特征提取与选择
  6.1  类别可分性判据
  6.2  基于距离的可分性判据
  6.3  按概率距离判据的特征提取方法
  6.4  基于熵函数的可分性判据
  6.5  基于Karhunen-Loeve变换的特征提取
    6.5.1  Karhunen-Loeve变换
    6.5.2  使用K-L变换进行特征提取
  6.6  特征选择
    6.6.1  次优搜索法
    6.6.2  最优搜索法
  6.7  MATLAB举例
  习题及思考题
第7章  模糊模式识别
  7.1  模糊数学的基础知识
    7.1.1  集合及其特征函数
    7.1.2  模糊集合
    7.1.3  模糊集合的水平截集
    7.1.4  模糊关系及模糊矩阵
  7.2  模糊模式识别方法
    7.2.1  最大隶属度识别法
    7.2.2  择近原则识别法
    7.2.3  基于模糊等价关系的聚类方法
    7.2.4  模糊C-均值聚类
  7.3  MATLAB程序设计
  习题及思考题
第8章  神经网络在模式识别中的应用
  8.1  人工神经网络的基础知识
    8.1.1  人工神经网络的发展历史
    8.1.2  生物神经元
    8.1.3  人工神经元
    8.1.4  人工神经网络的特点
  8.2  前馈神经网络
    8.2.1  感知器
    8.2.2  多层感知器
  8.3  自组织特征映射网络
    8.3.1  网络结构
    8.3.2  网络的识别过程
    8.3.3  网络的学习过程
  8.4  径向基函数（RBF）神经网络
    8.4.1  网络结构
    8.4.2  径向基函数
    8.4.3  网络的学习过程
  8.5  深度学习
    8.5.1  深度学习介绍
    8.5.2  受限玻尔兹曼机
    8.5.3  深度置信网络
    8.5.4  卷积神经网络
  8.6  MATLAB举例
  习题及思考题
第9章  模式识别的工程应用
  9.1  基于BP神经网络的手写数字识别
    9.1.1  整体方案设计
    9.1.2  字符图像的特征提取
    9.1.3  BP神经网络的设计
    9.1.4  BP神经网络的训练
    9.1.5  BP神经网络的识别
  9.2  基于朴素贝叶斯的中文文本分类
    9.2.1  文本分类原理
    9.2.2  文本特征提取
    9.2.3  朴素贝叶斯分类器设计
    9.2.4  测试文本分类
  9.3  基于PCA（主要成分分析）和SVM（支持向量机）的人脸识别
    9.3.1  人脸图像获取
    9.3.2  人脸图像预处理
    9.3.3  人脸图像特征提取
    9.3.4  SVM分类器的设计和分类
  9.4  基于隐马尔科夫模型的语音识别
    9.4.1  语音识别的原理
    9.4.2  语音采集
    9.4.3  语音信号的预处理
    9.4.4  MFCC特征参数提取
    9.4.5  HMM模型训练
    9.4.6  识别处理
参考文献