新春将至,本公司假期时间为:2025年1月23日至2025年2月7日。2月8日订单陆续发货,期间带来不便,敬请谅解!
- 商品参数
-
- 作者:
蔡利梅著
- 出版社:清华大学出版社
- 出版时间:2021-11
- 开本:16开
- ISBN:9787126832089
- 版权提供:清华大学出版社
店铺公告
为保障消费者合理购买需求及公平交易机会,避免因非生活消费目的的购买货囤积商品,抬价转售等违法行为发生,店铺有权对异常订单不发货且不进行赔付。异常订单:包括但不限于相同用户ID批量下单,同一用户(指不同用户ID,存在相同/临近/虚构收货地址,或相同联系号码,收件人,同账户付款人等情形的)批量下单(一次性大于5本),以及其他非消费目的的交易订单。 温馨提示:请务必当着快递员面开箱验货,如发现破损,请立即拍照拒收,如验货有问题请及时联系在线客服处理,(如开箱验货时发现破损,所产生运费由我司承担,一经签收即为货物完好,如果您未开箱验货,一切损失就需要由买家承担,所以请买家一定要仔细验货), 关于退货运费:对于下单后且物流已发货货品在途的状态下,原则上均不接受退货申请,如顾客原因退货需要承担来回运费,如因产品质量问题(非破损问题)可在签收后,联系在线客服。
模式识别 使用MATLAB分析与实现
蔡利梅 编
定 价:59
出 版 社:清华大学出版社
页 数:312
出版日期:2022年04月01日
装 帧:平装
ISBN:9787302591856
●第1章绪论
1.1模式识别的基本概念
1.2模式识别方法
1.3模式识别系统
1.4模式识别的应用
习题
第2章贝叶斯决策
2.1贝叶斯决策的基本概念
2.2最小错误率贝叶斯决策
2.2.1决策规则
2.2.2错误率
2.2.3仿真实现
2.3最小风险贝叶斯决策
2.3.1决策规则
2.3.2两种贝叶斯决策的关系
2.4朴素贝叶斯分类器
2.5NeymanPearson决策规则
2.6判别函数和决策面
2.7正态分布模式的贝叶斯决策
2.7.1正态概率密度函数
2.7.2正态概率模型下的最小错误率贝叶斯分类器
2.7.3仿真实现
2.8贝叶斯决策的实例
习题
第3章概率密度函数的估计
3.1基本概念
3.2参数估计
3.2.1优选似然估计
3.2.2优选后验估计
3.2.3贝叶斯估计
3.3非参数估计
3.3.1直方图方法
3.3.2Parzen窗法
3.3.3kN近邻密度估计法
3.4最小错误率贝叶斯决策的实例
习题
第4章线性判别分析
4.1基本概念
4.1.1线性判别函数
4.1.2广义线性判别函数
4.1.3线性判别函数的设计
4.2Fisher线性判别分析
4.2.1基本原理
4.2.2准则函数及求解
4.2.3分类决策
4.2.4仿真实现
4.3感知器算法
4.3.1基本概念
4.3.2感知器准则函数及求解
4.3.3仿真实现
4.4最小二乘法
4.4.1平方误差和准则函数
4.4.2均方误差准则函数
4.4.3仿真实现
4.5支持向量机
4.5.1很优分类超平面与线性支持向量机
4.5.2非线性可分与线性支持向量机
4.5.3核函数与支持向量机
4.5.4仿真实现
4.6多类问题
4.6.1化多类分类为两类分类
4.6.2多类线性判别函数
4.6.3纠错输出编码方法
4.7线性判别分析的实例
习题
第5章非线性判别分析
5.1近邻法
5.1.1最小距离分类器
5.1.2分段线性距离分类器
5.1.3近邻法及仿真实现
5.2二次判别函数
5.3决策树
5.3.1基本概念
5.3.2决策树的构建
5.3.3过学习与决策树的剪枝
5.3.4仿真实现
5.4Logistic回归
5.4.1基本原理
5.4.2多分类任务
5.4.3仿真实现
5.5非线性判别分析的实例
习题
第6章组合分类器
6.1组合分类器的设计
6.1.1个体分类器的差异设计
6.1.2分类器性能度量
6.1.3组合策略
6.2Bagging算法
6.3随机森林
6.4Boosting算法
6.4.1AdaBoost算法
6.4.2LogitBoost算法
6.4.3Gentle AdaBoost算法
6.4.4仿真实现
6.5组合分类的实例
习题
第7章无监督模式识别
7.1聚类的基本概念
7.2相似性测度
7.2.1样本相似性测度
7.2.2点和集合之间的相似性测度
7.2.3集合和集合之间的相似性测度
7.3动态聚类
7.3.1C均值算法
7.3.2ISODATA算法
7.4层次聚类
7.4.1分裂层次聚类
7.4.2合并层次聚类
7.4.3仿真实现
7.5高斯混合聚类
7.5.1高斯混合分布
7.5.2高斯混合聚类
7.5.3EM算法
7.5.4仿真实现
7.6模糊聚类
7.6.1模糊集的基本知识
7.6.2模糊C均值算法
7.7密度聚类
7.8聚类性能度量
7.8.1外部准则
7.8.2内部准则
7.8.3仿真实现
7.9聚类分析的实例
习题
第8章特征选择
8.1概述
8.2特征的评价准则
8.2.1基于类内类间距离的可分性判据
8.2.2基于概率分布的可分性判据
8.2.3基于熵函数的可分性判据
8.2.4基于统计检验的可分性判据
8.2.5特征的相关性评价
8.3特征选择的优化算法
8.3.1特征选择的很优算法
8.3.2特征选择的次优算法
8.3.3特征选择的启发算法
8.4过滤式特征选择方法
8.4.1最小冗余优选相关算法
8.4.2Relief和ReliefF算法
8.4.3基于拉普拉斯分数的特征选择算法
8.5包裹式特征选择方法
8.6嵌入式特征选择方法
习题
第9章特征提取
9.1概述
9.2基于类别可分性判据的特征提取
9.3KL变换
9.3.1KL变换的定义
9.3.2KL变换的性质
9.3.3信息量分析
9.3.4奇异值分解
9.3.5仿真实现
9.4独立成分分析
9.4.1问题描述
9.4.2ICA算法
9.4.3RICA算法
9.5非负矩阵分解
9.6稀疏滤波
9.7多维尺度法
9.7.1经典尺度法
9.7.2度量型MDS
9.7.3非度量型MDS
9.7.4等度量映射
9.8tSNE算法
9.9其他非线性降维方法
9.9.1拉普拉斯特征映射
9.9.2局部线性嵌入
习题
第10章半监督学习
10.1基本概念
10.2半监督分类
10.2.1生成式模型
10.2.2半监督支持向量机
10.2.3基于图的半监督学习
10.3半监督聚类
10.3.1约束C均值算法
10.3.2约束种子C均值算法
10.4半监督降维
10.4.1半监督局部Fisher判别分析
10.4.2基于约束的半监督降维
习题
第11章人工神经网络
11.1神经元模型
11.2多层感知器神经网络
11.2.1单层感知器
11.2.2多层感知器
11.2.3反向传播算法
11.2.4网络结构的设计
11.2.5用于模式识别
11.3其他常见神经网络
11.3.1径向基函数神经网络
11.3.2自组织映射网络
11.3.3概率神经网络
11.3.4学习向量量化神经网络
11.4基于前馈型神经网络的分类实例
11.5深度神经网络简介
11.5.1受限玻尔兹曼机与深度置信网络
11.5.2卷积神经网络
11.5.3循环神经网络
11.5.4生成对抗网络
习题
参考文献
本书依据作者多年从事模式识别教学和研究的体会,并参考相关文献编写而成,概括地介绍了模式识 别理论和技术的基本概念、原理、方法和实现。 全书共分为11章,每章阐述模式识别中的一个知识点,内容包括贝叶斯决策、概率密度函数的估计、 线性判别分析、非线性判别分析、组合分类器、无监督模式识别、特征选择、特征提取、半监督学习以及人工 神经网络。除了经典算法以外,本书增加了部分较新的理论和算法,读者可以选择性地学习。本书还配以 电子课件、MATLAB仿真程序和实验指导书,便于教和学。 本书可以作为高等学校人工智能、计算机、信息、自动化、遥感、控制等专业本科生或研究生的教材或 参考书,也可以作为从事相关研究与应用人员的参考书。
蔡利梅 编
蔡利梅:中国矿业大学信息与控制工程学院副教授,长期从事图像处理与模式识别领域的教学和研究工作。先后开设“图像处理”“模式识别”“计算机图形学”“数字视频技术”“图像分析及识别” 等多门本科生及研究生课程。获教育部高等学校科学技术进步奖二等奖、河南省科技进步奖二等奖、江苏省科学技术奖三等奖、中国煤炭工业协会科学技术奖一等奖等省部级以上科技奖励8项;获国家发明专利授权2项;出版普通高校教材2部、科技专业图书1部;获校级优秀教学成果一等奖1项,全国煤炭行业教育教学成果奖三等奖1项,获校级“教书育人优选个人”“百佳教师”等荣誉。
1