模式識別原理及工程應(yīng)用

前言
第1章 模式識別概述
1.1 模式識別的基本概念
1.2 模式識別的主要方法
1.2.1 決策理論方法
1.2.2 句法方法
1.2.3 模糊模式識別方法
1.2.4 人工神經(jīng)網(wǎng)絡(luò)方法
1.2.5 人工智能方法
1.3 模式識別系統(tǒng)
1.4 模式識別系統(tǒng)的應(yīng)用舉例
1.4.1 指紋識別
1.4.2 車牌識別
1.4.3 人臉識別
1.4.4 語音識別
1.5 本書的主要內(nèi)容
本章小結(jié)
習(xí)題
第2章 基于貝葉斯決策理論的分類器
2.1 分類器的描述方法
2.2 貝葉斯決策理論
2.2.1 貝葉斯決策理論的概念
2.2.2 基于最小錯誤率的貝葉斯決策與實現(xiàn)
2.2.3 基于最小風(fēng)險的貝葉斯決策與實現(xiàn)
2.3 判別函數(shù)和決策面
2.4 正態(tài)分布的貝葉斯分類
2.5 最小最大損失準(zhǔn)則
本章小結(jié)
習(xí)題
第3章 概率密度函數(shù)的估計
3.1 引言
3.2 參數(shù)估計的基本概念
3.2.1 最大似然估計
3.2.2 貝葉斯估計和貝葉斯學(xué)習(xí)
3.3 正態(tài)分布的有監(jiān)督參數(shù)估計
3.3.1 最大似然估計示例
3.3.2 貝葉斯估計和貝葉斯學(xué)習(xí)示例
3.4 無監(jiān)督參數(shù)估計
3.4.1 無監(jiān)督最大似然估計中的幾個問題
3.4.2 正態(tài)分布情況下的無監(jiān)督參數(shù)估計
3.5 總體分布的非參數(shù)估計
3.5.1 基本方法
3.5.2 Parzen窗法
本章小結(jié)
習(xí)題
第4章 判別函數(shù)分類器的設(shè)計
4.1 判別函數(shù)的基本概念
4.2 線性判別函數(shù)
4.2.1 廣義線性判別函數(shù)
4.2.2 Fisher線性判別
4.2.3 感知準(zhǔn)則函數(shù)
4.2.4 最小平方誤差準(zhǔn)則函數(shù)
4.3 線性分類器
4.4 分段線性分類器
4.5 基于核的Fisher分類
4.6 非線性判別函數(shù)
4.6.1 分段線性判別函數(shù)的基本概念
4.6.2 用凹函數(shù)的并表示分段線性判別函數(shù)
4.7 非線性分類器
4.8 支持向量機(jī)
本章小結(jié)
習(xí)題
第5章 近鄰法
5.1 最近鄰法
5.1.1 最近鄰決策規(guī)則
5.1.2 最近鄰法的錯誤率分析
5.2 k-近鄰法
5.3 剪輯近鄰法
5.4 壓縮近鄰法
本章小結(jié)
習(xí)題
第6章 特征選擇
6.1 引言
6.2 特征的評價準(zhǔn)則
6.3 類別可分性判據(jù)
6.3.1 基于類距離的可分性判據(jù)
6.4 特征子集的選擇
6.5 最優(yōu)特征的生成
6.6 特征選擇的最優(yōu)算法
6.7 特征選擇的次優(yōu)算法
6.8 特征選擇的遺傳算法
本章小結(jié)
習(xí)題
第7章 特征提取
7.1 引言
7.2 基于類別可分性判據(jù)的特征提取
7.3 主成分分析法
7.4 K-L變換
7.5 非線性維數(shù)降低
7.6 Haar變換
本章小結(jié)
習(xí)題
第8章 聚類
8.1 基本概念
8.2 動態(tài)聚類算法
8.2.1 概念
8.2.2 C均值算法
8.2.3 C均值算法的聚類數(shù)目
8.3 模糊聚類算法
8.3.1 概念
8.3.2 模糊C均值算法
8.3.3 基于交替優(yōu)化的實現(xiàn)
8.3.4 基于神經(jīng)網(wǎng)絡(luò)的實現(xiàn)
8.3.5 基于進(jìn)化計算的實現(xiàn)
8.4 合并算法
8.4.1 基于矩陣?yán)碚摰暮喜⑺惴?br />8.4.2 基于圖論的合并算法
8.5 層次聚類算法
8.6 最佳聚類數(shù)的選擇
8.7 順序聚類算法
8.7.1 聚類數(shù)的估計
8.7.2 順序聚類算法的改進(jìn)
本章小結(jié)
習(xí)題
第9章 模糊模式識別方法
9.1 引言
9.2 模糊集的基本知識
9.2.1 模糊集的定義與運算
9.3 模糊特征和模糊分類
9.3.1 模糊化特征
9.3.2 結(jié)果的模糊化
9.4 特征的模糊評價
9.4.1 模糊度
9.4.2 模糊特征提取
9.5 模糊模式識別的基本類型
9.5.1 第一類模糊模式識別
9.5.2 第二類模糊模式識別
9.6 基于模糊相似矩陣的分類方法
9.6.1 傳遞閉包法
9.6.2 直接聚類法
本章小結(jié)
習(xí)題
第10章 車牌識別的應(yīng)用舉例
10.1 概述
10.2 字符識別算法
10.2.1 字符識別原理
10.2.2 基于模板匹配的字符識別算法
10.2.3 基于神經(jīng)網(wǎng)絡(luò)的字符識別算法
10.2.4 特征統(tǒng)計匹配法
10.3 實驗方案
10.3.1 車牌定位
10.3.2 車牌字符分割
10.3.3 車牌字符識別
本章小結(jié)
習(xí)題
第11章 簽名識別的應(yīng)用舉例
11.1 概述
11.2 基于視頻的簽名識別系統(tǒng)流程
11.3 實驗方案
11.3.1 簽名識別的數(shù)據(jù)獲取與初始筆尖定位
11.3.2 視頻簽名識別的筆尖追蹤
11.3.3 基于視頻的簽名識別的特征提取及分類
本章小結(jié)
習(xí)題
第12章 人臉識別的應(yīng)用舉例
12.1 概述
12.2 特征獲取算法
12.2.1 特征獲取綜述
12.2.2 基于幾何的特征獲取算法
12.2.3 基于統(tǒng)計的特征獲取算法
12.3 實驗方案
12.3.1 人臉定位檢測
12.3.2 人臉特征提取
12.3.3 人臉分類識別
本章小結(jié)
習(xí)題
附錄 教學(xué)建議
參考文獻(xiàn)