|
书名： |
模式识别原理与应用
|
| ISBN： | ISBN 978 - 7 - 5606 - 1985 - 9 |
条码： | |
| 作者： |
李弼程， 邵美珍， 黄洁
相关图书
|
装订： | 平装 |
| 印次： | 1-1 |
开本： | 16开 |
| 定价： |
￥25.00
折扣价：￥23.75
折扣：0.95
节省了1.25元
|
字数： |
424千字
|
| 出版社： |
西安电子科技大学出版社 |
页数： |
|
| 发行编号： | 2277001-1 |
每包册数： |
|
| 出版日期： |
2008-02-01 |
|
|
| 内容简介： |
本书系统阐述了模式识别原理与方法, 并在此基础上介绍了模式识别的应用。
本书分为两大部分: 基础部分主要包括统计模式识别、 结构模式识别、 模糊模式识别、 神经网络模式识别和多分类器融合等内容; 应用部分主要包括文本分类、 语音识别、 图像识别和视频识别等内容。
本书将理论与实际相结合, 有利于读者加深对理论方法的理解, 可使读者较系统地掌握模式识别的理论精髓和相关技术。 书中给出的应用实例, 为科研人员应用模式识别方法解决相关领域的实际问题提供了具体思路和方法。 同时, 本书紧跟学科发展前沿, 介绍了一些最新的研究成果, 如独立分量分析、 核方法和多分类器融合等。
本书可以作为电子科学、 计算机科学、 自动化科学、 信息工程专业以及相关专业的高年级本科生和研究生的模式识别课程教材, 同时也可供相关领域的研究人员参考。
|
| 作者简介： |
|
|
| 章节目录： |
目 录
第1章 绪论 1
1.1 模式识别的基本概念 1
1.2 模式识别系统 2
1.3 模式识别的基本方法 3
习题 5
参考文献 6
第2章 贝叶斯决策理论 7
2.1 分类器的描述方法 7
2.1.1 基本假设 7
2.1.2 模式分类器的描述 7
2.2 最大后验概率判决准则 9
2.2.1 判决准则 9
2.2.2 错误概率 11
2.3 最小风险贝叶斯判决准则 12
2.4 NeymanPerson判决准则 14
2.5 最小最大风险判决准则 17
习题 19
参考文献 21
第3章 概率密度函数估计 22
3.1 概率密度函数估计概述 22
3.2 参数估计的基本概念与评价准则 22
3.2.1 参数估计的基本概念 22
3.2.2 参数估计的评价准则 23
3.3 概率密度函数的参数估计 28
3.3.1 最大似然估计 28
3.3.2 贝叶斯估计 30
3.3.3 贝叶斯学习 33
3.4 概率密度函数的非参数估计 35
3.4.1 非参数估计的基本原理 35
3.4.2 Parzen窗法 36
3.4.3 kN近邻法 42
习题 43
参考文献 44
第4章 线性判别分析 45
4.1 线性判别函数 45
4.1.1 线性判别函数的几何意义 45
4.1.2 广义线性判别函数 51
4.1.3 线性判别函数设计的一般步骤 52
4.2 线性分类器 53
4.2.1 基于错误概率的线性分类器设计 53
4.2.2 Fisher线性判决 54
4.2.3 感知准则函数 58
4.2.4 最小平方误差准则函数 60
4.2.5 决策树 61
4.3 分段线性分类器 64
4.3.1 分段线性分类器的定义 65
4.3.2 分段线性距离分类器 65
4.3.3 分段线性分类器设计的一般考虑 67
4.4 近邻分类器 68
4.4.1 最近邻法 69
4.4.2 k近邻法 69
习题 71
参考文献 71
第5章 特征提取和选择 72
5.1 基本概念 72
5.1.1 特征的特点 72
5.1.2 特征的类别 72
5.1.3 特征的形成 73
5.1.4 特征提取和选择的作用 73
5.2 类的可分性判据 74
5.2.1 基于距离的可分性判据 74
5.2.2 基于概率密度函数的可分性判据 77
5.2.3 基于熵函数的可分性判据 79
5.3 基于可分性判据的特征提取 80
5.3.1 基于距离可分性判据的特征提取方法 80
5.3.2 基于概率密度函数可分性判据的特征提取方法 81
5.3.3 基于熵函数可分性判据的特征提取方法 82
5.4 主分量分析(PCA) 82
5.5 独立分量分析(ICA) 84
5.5.1 ICA概述 84
5.5.2 基于累积量的ICA估计 86
5.5.3 ICA的极大似然估计方法 87
5.6 基于核函数的方法 89
5.6.1 基于核函数方法的基本思想 89
5.6.2 基于核函数的主分量分析 90
5.6.3 基于核函数的独立分量分析 91
5.6.4 基于核函数的Fisher线性判别 92
5.7 特征选择方法 93
5.7.1 最优搜索算法 94
5.7.2 次优搜索算法 95
5.7.3 遗传算法 96
习题 98
参考文献 100
第6章 聚类分析 101
6.1 模式相似性测度与聚类准则 101
6.1.1 模式相似性测度 101
6.1.2 聚类准则 104
6.2 基于试探的聚类算法 105
6.2.1 基于最近邻规则的试探法 105
6.2.2 最大最小距离聚类算法 106
6.3 层次聚类法 107
6.3.1 层次聚类法概述 107
6.3.2 类与类之间的距离 107
6.4 动态聚类法 111
6.4.1 动态聚类法的基本思想 111
6.4.2 K均值算法 111
6.4.3 迭代自组织的数据分析算法 113
6.4.4 基于LBG算法的聚类分析 116
6.5 分解法 116
6.5.1 一分为二法 116
6.5.2 分裂法 117
习题 117
参考文献 118
第7章 结构模式识别 119
7.1 结构模式识别概述 119
7.2 形式语言与自动机 120
7.2.1 短语结构文法 120
7.2.2 正则文法和有限自动机 122
7.2.3 上下文无关文法和下推自动机 125
7.3 高维文法和随机文法 127
7.3.1 树文法和识别器 127
7.3.2 网文法 129
7.3.3 随机文法和识别器 130
7.4 句法分析 132
7.4.1 穷举法 132
7.4.2 CockeYoungerKasami算法 133
7.4.3 Earley剖析算法 135
7.5 文法推断 136
7.5.1 文法推断的概念 136
7.5.2 正则文法的推断 137
7.5.3 上下文无关文法的推断 141
习题 142
参考文献 143
第8章 模糊模式识别 144
8.1 模糊集合 144
8.1.1 模糊子集的概念 144
8.1.2 隶属函数的确定 145
8.1.3 模糊子集的运算 150
8.2 模糊关系 152
8.2.1 模糊关系的定义 152
8.2.2 模糊关系与模糊矩阵的运算 153
8.3 模糊模式识别的基本思想 154
8.3.1 特征的模糊化 154
8.3.2 结果的模糊化 155
8.3.3 硬分类和模糊分类 155
8.3.4 模式分类的最大隶属原则与择近原则 156
8.4 模糊聚类分析 160
8.4.1 模糊等价关系法 160
8.4.2 传递闭包法 161
8.4.3 模糊K均值算法 162
习题 163
参考文献 164
第9章 神经网络模式识别 165
9.1 神经网络的基本要素 165
9.1.1 人工神经元模型 165
9.1.2 神经网络结构 166
9.1.3 神经网络的学习方法 168
9.2 前馈神经网络 169
9.2.1 感知器 169
9.2.2 BP网络 170
9.2.3 径向基函数网络 173
9.3 自组织特征映射神经网络 174
9.3.1 网络结构 175
9.3.2 自组织特征映射算法 175
9.4 支持向量机 176
9.4.1 线性可分情况 176
9.4.2 线性不可分情况 178
9.5 神经网络模式识别 179
9.5.1 神经网络模式识别与统计模式识别 179
9.5.2 神经网络模式识别的基本思想 180
习题 180
参考文献 181
第10章 多分类器融合 182
10.1 多分类器融合的基本原理 182
10.1.1 多分类器融合的必要性 182
10.1.2 多分类器融合的体系结构 182
10.1.3 多分类器融合的分类 184
10.2 多数投票法和BKS方法 186
10.2.1 多数投票法 186
10.2.2 BKS方法 187
10.3 基于Bayes理论的多分类器融合 188
10.3.1 基于Bayes理论的多分类器合成规则 188
10.3.2 基于Bayes理论的多分类器合成方法 192
10.4 基于证据理论的多分类器融合 194
10.4.1 证据理论基础 194
10.4.2 度量层的多分类器融合 197
10.4.3 决策层的多分类器融合 198
10.5 基于神经网络的多分类器融合 202
10.6 基于模糊积分的多分类器融合 203
10.6.1 gλ模糊测度 203
10.6.2 模糊积分 204
10.6.3 模糊积分在信息融合中的应用 205
10.7 基于决策模板的多分类器融合 206
习题 208
参考文献 208
第11章 文本分类 210
11.1 文本分类技术 210
11.1.1 文本分类流程 210
11.1.2 文本预处理 210
11.1.3 分类器 216
11.2 垃圾邮件识别技术 217
11.2.1 服务器与客户端过滤 218
11.2.2 黑白名单过滤技术 219
11.2.3 规则匹配过滤技术 220
11.2.4 垃圾邮件内容过滤技术 220
11.3 网页分类技术 222
11.3.1 网页分类流程 222
11.3.2 基于向量空间模型的网页噪声净化 224
习题 226
参考文献 226
第12章 语音识别 228
12.1 语音识别的基本原理 228
12.1.1 语音识别系统的结构 228
12.1.2 语音信号的预处理 229
12.1.3 语音识别的特征提取 229
12.1.4 语音识别的模型建立 232
12.1.5 语音识别的判决准则 234
12.2 说话人识别 235
12.2.1 说话人识别的基本原理 235
12.2.2 说话人识别系统举例 236
12.3 语种识别 237
12.3.1 语种识别的基本原理 237
12.3.2 语种识别系统举例 238
12.4 关键词识别 240
12.4.1 关键词识别的基本原理 240
12.4.2 关键词识别系统举例 241
12.5 连续语音识别 241
12.5.1 连续语音识别的基本原理 241
12.5.2 连续语音识别系统举例 243
习题 243
参考文献 244
第13章 图像识别 245
13.1 图像识别的基本原理 245
13.2 人脸识别 246
13.2.1 费歇尔脸方法 247
13.2.2 小波分解 248
13.2.3 基于小波变换与SVM的人脸识别 249
13.3 签名识别 250
13.3.1 签名图像预处理与特征提取 250
13.3.2 基于证据理论融合的签名识别 254
13.4 车牌识别 256
13.4.1 车牌识别系统简介 256
13.4.2 车牌图像定位分割算法 256
习题 258
参考文献 258
第14章 视频识别 260
14.1 视频结构分析 260
14.1.1 视频结构模型 260
14.1.2 非压缩域镜头边界检测方法 261
14.1.3 镜头的表示 267
14.1.4 代表帧的选取方法 267
14.2 主持人识别 270
14.3 标题条识别 275
14.3.1 含有标题条的图像帧检测 275
14.3.2 文字区域识别 277
习题 278
参考文献 278
|
| 精彩片段： |
|
|
| 书 评： |
前 言
自20世纪60年代以来, 模式识别得到了迅速发展, 并取得了丰富的理论成果, 其应用领域也已扩展到了文本分类、 语音识别、 图像识别、 视频识别、 信息检索与数据挖掘等领域。 由于模式识别理论具有重要的学术价值和广泛的应用领域, 因而越来越多的人认识到模式识别课程的重要性, 相关领域的科研工作者也投入了很高的学习热情。 为了给在校本科生和研究生提供一本内容较新、 论述较系统的有关模式识别的教材, 也为了给相关领域的科研人员提供一本内容涵盖面广、 具有一定前沿性和实用性的参考书, 我们编写了本书。
本书是关于模式识别理论、 方法和应用的一本教材, 是作者结合多年的教学实践和相关科研成果而编写的。 本书分为两大部分: 基础部分主要包括统计模式识别、 结构模式识别、 模糊模式识别、 神经网络模式识别、 多分类器融合等内容; 应用部分主要包括文本分类、 语音识别、 图像识别和视频识别等内容。 本书将理论与实际相结合, 有利于读者加深对理论方法的理解, 可使读者较系统地掌握模式识别的理论精髓和相关技术。 书中给出的应用实例, 为科研人员应用模式识别方法解决相关领域的实际问题提供了具体思路和方法。 同时, 本书紧跟学科发展前沿, 介绍了一些最新的研究成果, 如独立分量分析、 核方法和多分类器融合等。
本书共14章, 具体内容安排如下:
第1章: 绪论。 本章介绍了模式识别的基本概念、 系统结构和基本方法, 并给出了本书的内容安排。
第2章: 贝叶斯决策理论。 本章介绍了分类器的描述方法、 最大后验概率判决准则、 最小风险贝叶斯判决准则、 NeymanPerson判决准则和最小最大风险判决准则。
第3章: 概率密度函数估计。 本章介绍了参数估计的基本概念和评价准则, 监督参数估计中的最大似然估计、 贝叶斯估计和贝叶斯学习, 非参数估计的Parzen窗和kN近邻法。
第4章: 线性判别分析。 本章介绍了线性判别函数、 线性分类器、 分段线性分类器和近邻分类器。
第5章: 特征提取和选择。 本章介绍了特征提取和选择的概念, 类的可分性判据和基于可分性判据的特征提取, 主分量分析、 独立分量分析和基于核函数方法三种常用的特征提取方法, 以及特征选择方法。
第6章: 聚类分析。 本章介绍了模式相似性测度、 聚类准则、 基于试探的聚类算法、 层次聚类法、 动态聚类法和分解法。
第7章: 结构模式识别。 本章介绍了形式语言与自动机、 高维文法和随机文法以及相应的识别器、 句法分析和文法推断。
第8章: 模糊模式识别。 本章介绍了模糊集合、 模糊关系、 模糊模式识别的基本思想和模糊聚类分析。
第9章: 神经网络模式识别。 本章介绍了神经网络的基本要素、 前馈神经网络、 自组织特征映射神经网络、 支持向量机以及神经网络模式识别的基本思想。
第10章: 多分类器融合。 本章介绍了多分类器融合的基本原理、 多数投票法与BKS方法、 基于Bayes理论的多分类器融合、 基于证据理论的多分类器融合、 基于神经网络的多分类器融合、 基于模糊积分的多分类器融合和基于决策模板的多分类器融合。
第11章: 文本分类。 本章介绍了文本分类技术、 垃圾邮件识别技术和网页分类技术。
第12章: 语音识别。 本章介绍了语音识别的基本原理、 说话人识别、 语种识别、 关键词识别和连续语音识别。
第13章: 图像识别。 本章介绍了图像识别的基本原理以及典型的几种应用: 人脸识别、 签名识别和车牌识别等。
第14章: 视频识别。 本章介绍了视频结构分析、 主持人识别和标题条识别。
本书可以作为电子科学、 计算机科学、 自动化科学、 信息工程专业以及相关专业的高年级本科生和研究生的模式识别课程教材。 在讲授过程中, 教师可根据课时安排和授课对象有重点地选择和组织相关内容。 对于32~40学时的本科生模式识别课程, 可将第1~6章作为重点讲授内容, 第8~10章作为选讲内容, 第11~14章作为扩展内容; 对于40学时的研究生模式识别课程, 可将第1~6章作为基础内容(简单介绍或不介绍), 第7~14章作为重点讲授内容。
信息工程大学信息工程学院的6位老师参与了本书的编写, 其中, 第1章由李弼程与邵美珍共同编写; 第2、 4、 5章由邵美珍与黄洁共同编写; 第3、 6、 8章由李弼程与黄洁共同编写; 第7、 9章由邵美珍与刘伟共同编写; 第10、 11、 13章由李弼程编写; 第12章由屈丹编写; 第14章由彭天强编写。 全书由李弼程负责整理与统稿。
衷心感谢本书的主审专家范九伦教授, 他提出了许多宝贵的意见和建议, 使我们受益匪浅。 此外, 衷心感谢西安电子科技大学出版社的编辑, 是他们的辛勤劳动, 使本书得以顺利出版。 最后, 本书参考了国内外许多同行的论文、 著作, 引用了其中的观点、 数据与结论, 在此一并表示谢意。
由于作者学识有限, 书中不足之处在所难免, 敬请批评、 指正。
|
| 其 它： |
|
|
中国大学出版社协会 |
首页 |
宏观指导 |
出版社天地 |
图书代办站 |
教材图书信息 |
教材图书评论 |
在线订购 |
教材征订
