醉染图书模式识别技术及其应用9787030475459

前言

章 模式识别简介 1

1.1 模式识别的相关概念 1

1.2 模式识别的发展历程 5

1.3 模式识别系统的基本组成和特点 5

1.3.1 基本组成 5

1.3.2 特点 7

1.4 模式识别的主要方法 7

1.5 模式识别中的若干问题 10

1.5.1 学习 10

1.5.2 模式的紧致 11

1.5.3 模式的相似 12

1.5.4 模式分类的主观和客观 12

1.6 模式识别的基本知识 13

1.6.1 模式的表示方法 13

1.6.2 模式相似度量常用的几种距离 13

1.6.3 模式特征的形成 14

1.6.4 数据的标准化 14

1.7 模式识别的典型应用和发展 15

1.7.1 模式识别的典型应用 15

1.7.2 模式识别的发展 17

参考文献 17

第2章 预处理方法 18

2.1 自适应滤波 18

2.1.1 自适应滤波原理 18

2.1.2 自适应滤波器结构及应用 19

2.1.3 LMS自适应滤波 20

2.1.4 RLS自适应滤波 21

2.1.5 自适应滤波的实现

2.1.6 MATLAB实验 24

2.2 盲源分离 27

2.2.1 信息论的基本概念 27

2.2.2 常用的目标函数 30

2.. ICA算法及实现流程 31

2.2.4 SOBI算法及实现流程 38

参考文献 39

第3章 特征提取方法 40

3.1 小波变换 40

3.1.1 简介 40

3.1.2 傅里叶变换 41

3.1.3 短时傅里叶变换 42

3.1.4 连续小波变换 43

3.1.5 离散小波变换 47

3.2 小波包变换 49

3.3 小波变换及小波包变换特征表示 50

3.4 希尔伯特-黄变换 53

3.4.1 HHT简介 53

3.4.2 HHT原理及实现 53

3.4.3 HHT方法的优越 56

3.5 功率谱分析 58

参考文献 59

第4章 分类方法 60

4.1 贝叶斯分类 60

4.1.1 贝叶斯定理 60

4.1.2 基本概念及贝叶斯决策理论 60

4.1.3 基于错误率的贝叶斯决策 61

4.1.4 基于风险的贝叶斯决策 62

4.1.5 基于错误率和基于风险贝叶斯决策之间的关系 64

4.1.6 贝叶斯分类器的设计 64

4.2 线分类 65

4.2.1 线判函数 65

4.2.2 线分类器的学习算法 68

4.3 神经网络分类 73

4.3.1 概述 73

4.3.2 组成 74

4.3.3 神经元原理与模型 74

4.3.4 感知器 77

4.4 支持向量机 85

4.4.1 概述 85

4.4.2 线分类器 85

4.4.3 非线分类器 88

参考文献 93

第5章 基于贝叶斯决策的细胞及和鱼类识别 94

5.1 贝叶斯决策描述 94

5.2 基于贝叶斯决策的细胞识别 95

5.2.1 细胞识别问题描述 95

5.2.2 基于错误准则的细胞识别 96

5.. 基于风险的细胞识别 97

5.3 基于贝叶斯决策的识别 98

5.3.1 识别问题描述及算法步骤 98

5.3.2 识别结果 99

5.4 基于贝叶斯决策的鱼类识别 101

5.4.1 鱼类识别问题描述及算法步骤 101

5.4.2 鱼类识别结果 102

参考文献 103

第6章 基于语音的说话人识别 104

6.1 说话人识别简介 104

6.2 说话人识别方法和基本原理 105

6.2.1 说话人识别方法 105

6.2.2 说话人识别基本原理 105

6.3 语音信号的数字化 107

6.4 语音信号的预处理 107

6.5 语音信号的特征提取 110

6.6 基于矢量量化的说话人识别 117

6.7 基于语音的说话人识别结果 118

参考文献 119

第7章 车牌识别 121

7.1 车牌识别简介 121

7.2 车牌识别步骤 122

7.3 车牌识别实例 1

7.3.1 车牌定位 1

7.3.2 字符分割 126

7.3.3 车牌识别 127

参考文献 130

第8章 脑机接口中运动想象脑电信号的识别 131

8.1 脑机接口的基本概念与原理 131

8.2 基于独立分量分析的脑电信号预处理 133

8.3 基于小波和小波包变换的脑电信号特征提取 135

8.3.1 基于小波变换系数及系数均值的特征提取 136

8.3.2 基于小波包分解系数及子带能量的特征提取 138

8.3.3 数据描述 140

8.3.4 基于小波变换系数及系数均值处理结果 140

8.3.5 基于小波包分解系数及子带能量处理结果 142

8.4 基于HHT的脑电信号特征提取 143

8.4.1 数据描述 143

8.4.2 数据预处理 144

8.4.3 基于HHT的AR特征 145

8.4.4 基于HHT的IE特征 152

8.5 基于概率神经网络的脑电信号分类 153

8.6 基于支持向量机的脑电信号分类 155

参考文献 157

第9章 基于红外火焰探测的火灾识别 159

9.1 红外火焰探测的基本原理及组成 159

9.1.1 火灾探测简介 159

9.1.2 红外火焰探测基本原理 160

9.1.3 红外火焰探测硬件基本组成 161

9.2 基于时频结合的火灾信号特征提取 162

9.2.1 数据获取过程 162

9.2.2 数据预处理及正确分析 163

9.. 数据正确初步分析 163

9.2.4 火灾时域特征提取 165

9.2.5 火灾频域特征提取 167

9.3 基于决策树的火灾识别 171

9.3.1 决策树基本思想 171

9.3.2 决策树特点 173

9.3.3 基于决策树的火灾识别 173

参考文献 175

0章 基于K-L变换的人脸识别 176

10.1 人脸识别技术简介 176

10.1.1 人脸识别技术背景及其应用价值 176

10.1.2人脸识别技术的研究内容 177

10.1.3 自动人脸识别系统的组成 178

10.1.4 常用的人脸识别数据库 179

10.2 K-L变换的基本原理 180

10.3 基于K-L变换的人脸识别方法 181

10.3.1 人脸图像的预处理 181

10.3.2 特征向量的计算 184

10.3.3 选取特征向量张成人脸空间 185

10.3.4 基于距离法的分类识别 187

参考文献 190

1章 基于深度数据的运动目标检测 191

11.1 研究背景 191

11.2 Kinect深度数据的获取 192

11.3 单高斯模型运动目标检测算法 193

11.3.1 单高斯模型背景参数建立 193

11.3.2 前景点及背景点判断 194

11.3.3 背景参数更新 194

11.4 实验结果 194

11.5本章小结 195

参考文献 196

2章 基于指纹的生物识别 198

12.1 基于指纹的生物识别概念 198

12.2 指纹识别的过程及主要特征 199

12.2.1 总体特征 199

12.2.2 局部特征 200

1. 指纹识别的实现步骤与实验结果 201

1..1 指纹图像采集 201

1..2 指纹图像预处理 202

1.. 特征提取 203

1..4 指纹库数据存储 204

1..5 指纹识别 205

1.. 指纹识别实验结果 205

参考文献 205

3章 基于虹膜的生物识别 207

13.1 研究背景 207

13.1.1 常见的生物特征识别技术 207

13.1.2 虹膜及识别系统组成 208

13.1.3 虹膜识别典型应用 209

13.2 虹膜识别算法原理 210

13.2.1 预处理-虹膜定位 210

13.2.2 特征提取 215

13.. 虹膜匹配——汉明距离分类器 218

13.2.4 识别结果 218

13.3 本章小结 219

参考文献 219

4章 电影中吸烟镜头识别 220

14.1 研究背景及现状概述 220

14.2 基于SIFT与STIP的吸烟检测 221

14.2.1 SIFT特征描述 221

14.2.2 STIP特征描述 222

14.. 纯贝叶斯互信息优选化 2

14.2.4 识别系统框架 224

14.3 实验结果分析 225

14.3.1 训练数据与测试数据 225

14.3.2 测试结果 226

14.4 本章小结 227

参考文献 227

5章 黄瓜病害识别 228

15.1 研究背景 228

15.2 基于图像的黄瓜病害识别 229

15.2.1 图像采集 229

15.2.2 图像预处理 229

15.. 特征参数提取

15.2.4 黄瓜病虫害的模糊模式识别 5

15.2.5 黄瓜病虫害的模糊模式识别结果分析 5

15.3 本章小结

参考文献

6章 昆虫识别

16.1 研究背景

16.2 基于图像的昆虫识别

16.2.1 图像预处理

16.2.2 特征提取 241

16.. 分类器设计 245

16.2.4 识别结果 246

16.3 本章小结 246

参考文献 247