本书全面地阐述了模式识别与智能信息处理技术的基本概念、基础理论及常用方法。全书共分八章，分别概述了模式识别的基础知识、研究进展和主要应用；介绍了贝叶斯决策理论及分类器的设计方法、无监督模式聚类方法；讨论了特征选择与提取的常用方法及模型评价；阐述了智能优化算法、人工神经网络、深度学习和机器学习的经典算法。
样章试读
目录
- 目录
前言
第1章 绪论 1
1.1 模式识别系统的基本含义 1
1.2 模式识别技术的研究进展 3
1.2.1 模式识别技术的产生和发展 3
1.2.2 模式识别技术的应用现状 3
1.3 模式识别系统构成及机器学习模式 7
1.3.1 模式识别系统构成 7
1.3.2 机器学习模式 7
第2章 贝叶斯决策理论 9
2.1 贝叶斯公式 9
2.1.1 数学基础知识 9
2.1.2 贝叶斯公式分析 11
2.2 基于最小错误率的贝叶斯决策 13
2.2.1 决策过程 13
2.2.2 最小错误率贝叶斯分类器 14
2.3 基于最小风险的贝叶斯决策 16
2.3.1 决策过程 16
2.3.2 决策面方程 20
第3章 分类器设计 22
3.1 参数估计 22
3.1.1 参数估计的基本概念 22
3.1.2 参数估计的方法 23
3.2 线性判别函数与分类器 28
3.2.1 线性判别函数基本理论 29
3.2.2 线性分类器设计 30
3.2.3 多类别分类中线性分类器的应用 31
3.3 组合分类器 32
3.3.1 组合分类器原理 32
3.3.2 组合分类器的典型算法 37
3.4 模糊分类器 40
3.4.1 模糊集的基本知识 40
3.4.2 模糊特征和模糊分类 43
第4章 无监督模式聚类方法 45
4.1 近邻法 45
4.1.1 最近邻法 45
4.1.2 k近邻法 48
4.1.3 近邻法的改进 50
4.2 C均值算法 52
4.2.1 C均值算法原理 52
4.2.2 模糊C均值算法 54
4.2.3 改进的模糊C均值算法 56
4.3 决策树 56
4.3.1 决策树的结构 56
4.3.2 决策树的建立 57
4.3.3 常见的决策树方法 58
4.3.4 决策树分类中存在的问题 61
4.4 随机森林 62
4.4.1 随机森林的构建 62
4.4.2 随机森林的泛化误差 63
4.5 无监督模式聚类的特点 63
4.5.1 常见的聚类评价指标 63
4.5.2 评价聚类方法的可靠性办法 64
4.5.3 聚类分析的应用 65
第5章 特征选择与提取 66
5.1 数据预处理 66
5.1.1 数据归一化 66
5.1.2 数字滤波 67
5.2 类别可分离性判据 70
5.2.1 基于类内类间距离的可分离性判据 71
5.2.2 基于概率分布的可分离性判据 72
5.2.3 基于熵函数的类别可分离性判据 73
5.2.4 类别可分离性判据的直接应用举例 74
5.3 特征提取 75
5.3.1 小波变换 75
5.3.2 K-L变换 77
5.3.3 主成分分析 80
5.4 特征选择 86
5.4.1 最优搜索算法 88
5.4.2 次优搜索算法 92
第6章 智能优化算法 95
6.1 遗传算法 95
6.1.1 遗传算法基本概念 95
6.1.2 遗传算法基本原理 96
6.1.3 遗传算法应用中的常见问题 105
6.1.4 遗传算法的应用实例 106
6.2 模拟退火算法 110
6.2.1 模拟退火算法及模型 110
6.2.2 模拟退火算法的马尔可夫链描述 113
6.2.3 模拟退火算法关键参数和操作的设计 114
6.2.4 模拟退火算法的优缺点和改进 115
6.2.5 模拟退火算法的应用 116
6.3 群智能优化算法 119
6.3.1 蚁群优化算法 119
6.3.2 粒子群优化算法 124
6.3.3 人工免疫算法 126
6.3.4 其他群智能优化算法 129
6.4 多目标优化算法 131
6.4.1 多目标优化问题概述 131
6.4.2 多目标优化算法分析 134
6.4.3 多目标优化算法测试函数 135
第7章 人工神经网络和深度学习 138
7.1 人工神经网络的产生和发展 138
7.1.1 生物神经元与人工神经元 138
7.1.2 感知机 142
7.2 BP神经网络 147
7.2.1 BP神经网络概述 148
7.2.2 BP神经网络结构 148
7.2.3 BP神经网络算法 149
7.2.4 BP神经网络的主要功能 151
7.3 卷积神经网络 152
7.3.1 卷积神经网络概述 153
7.3.2 卷积神经网络结构 153
7.4 深度学习 159
7.4.1 深度学习概述 159
7.4.2 几种深度学习框架 160
7.4.3 循环神经网络 163
7.4.4 长短时记忆网络 173
7.4.5 生成对抗网络 180
7.4.6 迁移学习 188
第8章 机器学习方法 196
8.1 统计学习理论 196
8.1.1 统计学习概述 196
8.1.2 统计学习三要素 198
8.1.3 监督学习概述 202
8.1.4 模型评估与选择 204
8.1.5 交叉验证 205
8.1.6 泛化能力 206
8.1.7 回归问题 206
8.2 线性支持向量机 207
8.2.1 支持向量机概述 208
8.2.2 线性支持向量机的原理 208
8.3 非线性支持向量机 219
8.3.1 非线性支持向量机的原理 219
8.3.2 核函数 220
8.4 相关向量机与孪生支持向量机 228
8.4.1 相关向量机 228
8.4.2 孪生支持向量机 235
参考文献 240
京公网安备 11010102004214号