模式識別——原理、應用及實現

目錄

第1章緒論

1.1模式識別的基本概念

1.1.1生物的識別能力

1.1.2模式識別的概念

1.1.3模式識別的特點

1.1.4模式的描述方法及特徵空間

1.2模式識別系統的組成和主要方法

1.2.1模式識別系統的組成

1.2.2模式識別的方法

1.3模式識別的應用舉例

1.3.1文字識別

1.3.2語音識別

1.3.3指紋識別

1.3.4遙感圖像識別

1.3.5醫學診斷

1.3.6無損檢測

1.4全書結構內容

第2章貝葉斯決策理論

微課視頻39分鐘

2.1幾個重要的概念

2.2幾種常用的決策規則

2.2.1基於最小錯誤率的貝葉斯決策

2.2.2最小風險判別規則

2.2.3最大似然比判別規則

2.2.4NeymanPearson判別規則

2.3正態分佈中的貝葉斯分類方法

2.4Python程序實現

習題及思考題

第3章概率密度函數的參數估計

微課視頻8分鐘

3.1概率密度函數估計概述

3.2最大似然估計

3.3貝葉斯估計與貝葉斯學習

3.4非參數估計

3.4.1非參數估計的基本方法

3.4.2Parzen窗法

3.4.3kN近鄰估計法

3.5Python示例

習題及思考題

第4章非參數判別分類方法

微課視頻71分鐘

4.1線性分類器

4.1.1線性判別函數的基本概念

4.1.2多類問題中的線性判別函數

4.1.3廣義線性判別函數

4.1.4線性分類器的主要特性及設計步驟

4.1.5感知器算法

4.1.6Fisher線性判別函數 

4.2非線性判別函數

4.2.1非線性判別函數與分段線性判別函數

4.2.2基於距離的分段線性判別函數

4.3支持向量機

4.3.1線性可分情況

4.3.2線性不可分情況

4.4Python示例

習題及思考題

第5章聚類分析

微課視頻53分鐘

5.1模式相似性測度

5.1.1距離測度

5.1.2相似測度

5.1.3匹配測度

5.2類間距離測度方法

5.2.1最短距離法

5.2.2最長距離法

5.2.3中間距離法

5.2.4重心法

5.2.5平均距離法(類平均距離法)

5.3聚類準則函數

5.3.1誤差平方和準則

5.3.2加權平均平方距離和準則

5.3.3類間距離和準則

5.3.4離散度矩陣

5.4基於距離閾值的聚類算法

5.4.1最近鄰規則的聚類算法

5.4.2最大最小距離聚類算法

5.5動態聚類算法

5.5.1C均值聚類算法

5.5.2ISODATA聚類算法

5.6Python示例

習題及思考題

第6章特徵提取與選擇

微課視頻39分鐘

6.1類別可分性判據

6.2基於距離的可分性判據

6.3按概率距離判據的特徵提取方法

6.4基於熵函數的可分性判據

6.5基於KarhunenLoeve變換的特徵提取

6.5.1KarhunenLoeve變換

6.5.2使用KarhunenLoeve變換進行特徵提取

6.6特徵選擇

6.6.1次優搜索法

6.6.2最優搜索法

6.7Python示例

習題及思考題

第7章模糊模式識別

微課視頻44分鐘

7.1模糊數學的基礎知識

7.1.1集合及其特徵函數

7.1.2模糊集合

7.1.3模糊集合的λ水平截集

7.1.4模糊關系及模糊矩陣

7.2模糊模式識別方法

7.2.1最大隸屬度識別法

7.2.2擇近原則識別法

7.2.3基於模糊等價關系的聚類方法

7.2.4模糊C均值聚類

7.3Python示例

習題及思考題

第8章神經網絡在模式識別中的應用

微課視頻106分鐘

8.1人工神經網絡的基礎知識

8.1.1人工神經網絡的發展歷史

8.1.2生物神經元

8.1.3人工神經元

8.1.4人工神經網絡的特點

8.2前饋神經網絡

8.2.1感知器

8.2.2多層感知器

8.3自組織特徵映射網絡

8.3.1自組織神經網絡結構

8.3.2自組織神經網絡的識別過程

8.3.3自組織神經網絡的學習過程

8.4徑向基函數(RBF)神經網絡

8.4.1RBF神經網絡結構

8.4.2徑向基函數

8.4.3RBF神經網絡的學習過程

8.5Python示例

習題及思考題

第9章典型深度學習模型及應用

9.1深度學習

9.1.1深度學習介紹

9.1.2受限玻爾茲曼機

9.1.3深度置信網絡

9.1.4捲積神經網絡

9.2RCNN系列原理及方法

9.2.1RCNN原理及方法

9.2.2Fast RCNN原理及方法

9.3LSTM模型

9.4Transformer模型

9.4.1編碼器結構

9.4.2解碼器結構

9.5深度學習應用實例

習題及思考題

第10章模式識別的工程應用

微課視頻68分鐘

10.1基於樸素貝葉斯的中文文本分類

10.1.1文本分類原理

10.1.2文本特徵提取

10.1.3樸素貝葉斯分類器設計

10.1.4測試文本分類

10.2基於PCA和SVM的人臉識別

10.2.1人臉圖像獲取

10.2.2人臉圖像預處理

10.2.3人臉圖像特徵提取

10.2.4SVM分類器的設計和分類

10.3基於ResNet的圖像分類

10.3.1ResNet10與Cifar10

10.3.2ResNet10的訓練

參考文獻

視 頻 名 稱時長/min位置

第1集最小錯誤率貝葉斯決策102.2.1節

第2集最小風險貝葉斯決策122.2.2節

第3集樸素貝葉斯算法92.4節

第4集樸素貝葉斯與NumPy82.4節

第5集最大似然估計 83.2節

第6集線性判別函數164.1節

第7集廣義線性判別函數124.1.3節

第8集線性判別函數的幾何特性144.1.4節

第9集感知器算法124.1.5節

第10集SVM194.3節

第11集感知器與鳶尾花84.4節

第12集模式相似性測度145.1節

第13集基於距離閾值的聚類115.4.1節

第14集層次聚類算法95.4.2節

第15集動態聚類算法135.5節

第16集K均值聚類算法65.6節例5.8

第17集相似性測度146.2節

第18集KL變換特徵提取146.5節

第19集PCA(上)66.7節

第20集PCA(下)56.7節

第21集模糊模式分類的直接方法87.2.1節

第22集模糊模式識別的間接方法117.2.2節

第23集模糊聚類分析法107.2.3節

第24集模糊K均值算法157.2.4節

第25集神經網絡的基本概念128.1節

第26集神經網絡的歷史沿革208.1.1節

第27集前饋神經網絡198.2.1節

第28集前饋神經網絡2158.2.2節

第29集BP神經網絡1(上)98.5節

第30集BP神經網絡1(下)148.5節

第31集BP神經網絡2108.5節

第32集BP神經網絡3178.5節

第33集樸素貝葉斯與Sklearn1810.1節

第34集SVM21210.2節

第35集捲積神經網絡11910.3節

第36集捲積神經網絡21910.3節