人工智能前沿技术丛书 模式识别
作者：张向荣，冯婕，刘芳等编著
出版时间： 2019年版
内容简介
　　本书系统地论述了模式识别基本概念、算法及应用，体现了传统模式识别内容与当前新发展的结合与补充。全书包括三部分内容，共15章。第一部分共7章，主要介绍了经典模式识别方法，着重讨论监督学习，即已知训练样本及其类别条件下分类器的设计方法，然后介绍了无监督模式识别，后讲解了模式识别系统中，特征提取和特征选择的准则和算法；第二部分共3章，主要介绍了现代模式识别方法，包含支持向量机、组合分类器以及半监督学习; 第三部分共5章，主要介绍了深度学习模式识别方法， 从现有的深度神经网络出发，讲解了强化学习、宽度学习、图卷积神经网络等模式识别方法。以实例的形式给出模式识别在各个领域中的应用，使读者对模式识别方法有更直观的认识。 本书可作为高等院校模式识别、计算机科学与工程、控制科学与工程、智能科学与技术等相关专业研究生或本科生的参考用书，也可为人工智能、计算机科学、控制科学领域的研究人员提供参考。
目录
第一部分 经典模式识别
第1章 模式识别概述
1.1 模式识别的基本概念
1.2 模式识别系统
1.2.1 信息获取
1.2.2 数据处理
1.2.3 特征选择和提取
1.2.4 分类识别和分类决策
1.2.5 模式识别系统实例
1.3 模式识别的历史与现状
1.4 模式识别方法
1.4.1 模板匹配
1.4.2 统计模式识别
1.4.3 结构句法模式识别
1.4.4 模糊模式识别方法
1.4.5 人工神经网络方法
1.5 模式识别应用领域
1.5.1 文本识别
1.5.2 语音识别
1.5.3 指纹识别
1.5.4 视频识别
习题
参考文献
第2章 贝叶斯决策
2.1 最小错误率贝叶斯决策
2.2 最小风险贝叶斯决策
2.3 判别函数和决策面
2.4 正态分布下的贝叶斯决策
2.4.1 正态分布概率密度函数的定义
2.4.2 多元正态概率型下的贝叶斯
分类器
习题
参考文献
第3章 线性和非线性判别分析
3.1 Fisher线性判别分析
3.2 感知器准则
3.2.1 基本概念
3.2.2 感知准则函数及其学习方法
3.3 广义线性判别分析
3.4 k近邻
3.4.1 k近邻算法简介
3.4.2 k近邻算法模型
3.4.3 k近邻算法中距离度量
3.4.4 k近邻算法中k值的选择
3.4.5 k近邻算法分类决策规则
3.5 决策树
3.5.1 问题集
3.5.2 决策树分支准则
3.5.3 停止分支准则
3.5.4 类分配规则
3.5.5 过拟合与决策树的剪枝
习题
参考文献
第4章 无监督模式识别
4.1 高斯混合模型
4.1.1 单高斯模型
4.1.2 高斯混合模型
第二部分 现代模式识别
第三部分 深度学习模式识别




上一篇: CCIE职业发展系列 TCP IP路由技术 第2卷 第二版 英文版 （美）多伊尔，（美）卡罗尔 著 2009年版
下一篇: 原版风暴系列 算法V（C实现）——图算法 第3版 英文影印版 〔美〕塞奇威克 著 2003年版