模式识别是人工智能的重要分支，其理论建立在矩阵论、概率论与数理统计等基础知识之上,其技术在人机交互、自动驾驶、工业制造、医学工程,以及基因技术等方面都发挥着重要作用,具有典型的理论性与实践性紧密结合的特点。本书涵盖统计决策论、线性分类器、概率密度函数估计等基础知识点,注重公式推导,同时将经典算法与前沿技术应用结合起来进行介绍。全书内容共分为13章:绪论、模板匹配、基于统计决策的概率分类方法、线性判别函数、非线性鉴别函数、特征选择与特征提取、统计学习理论及SVM、聚类分析、模糊模式识别法、句法模式识别、人工神经网络、深度学习,以及深度学习在生物特征识别领域的应用。

本书内容系统、案例丰富、阐述翔实,适合作为高等院校自动化类、计算机类、人工智能类等专业本科生、研究生的教材和教学参考书,也可作为高等院校各专业通识教育的教学用书。同时,本书还可供相关领域的科研人员、工程技术人员和管理人员参考阅读。

前辅文
第1章 绪论
  1.1 模式和模式识别的概念
  1.2 模式识别系统
  1.3 模式识别的基本方法
   1.3.1 有监督与无监督学习
   1.3.2 有监督模式识别方法分类
  1.4 关于模式识别的一些基本问题
  1.5 关于本书的内容安排
第2章 模板匹配
  2.1 模板匹配介绍
   2.1.1 模板匹配基本概念
   2.1.2 应用举例
   2.1.3 相似度度量
   2.1.4 分类准则
   2.1.5 困难和问题
  2.2 变形模板匹配
   2.2.1 变形模板基本概念
   2.2.2 弹性匹配
   2.2.3 变形模板应用
第3章 基于统计决策的概率分类方法
  3.1 相关概率基础
  3.2 贝叶斯决策
   3.2.1 最小错误率贝叶斯决策
   3.2.2 最小风险贝叶斯决策
  3.3 错误率
   3.3.1 错误率的概念
   3.3.2 错误率分析
   3.3.3 错误率的估计
  3.4 聂曼– 皮尔逊决策
  3.5 概率密度函数的参数估计
   3.5.1 最大似然估计
   3.5.2 贝叶斯估计与贝叶斯学习
   3.5.3 正态分布密度函数的贝叶斯估计
   3.5.4 高斯混合模型与期望最大化算法
  3.6 概率密度函数的非参数估计
   3.6.1 非参数估计的基本原理和直方图方法
   3.6.2 kN 近邻估计方法
   3.6.3 Parzen 窗法
第4章 线性判别函数
  4.1 判别函数
   4.1.1 判别函数的定义
   4.1.2 判别函数的确定
  4.2 线性判别函数
   4.2.1 二分类问题的线性判别函数
   4.2.2 多分类问题的线性判别函数
  4.3 广义线性判别函数
   4.3.1 二次判别函数
   4.3.2 广义线性判别函数
   4.3.3 广义线性判别函数的维数灾难问题
  4.4 线性判别函数的几何性质
   4.4.1 二分类问题的线性判别函数的几何性质
   4.4.2 多分类问题的线性判别函数的几何性质
  4.5 感知器算法
   4.5.1 神经元与感知器
   4.5.2 感知器算法描述
  4.6 梯度法
   4.6.1 梯度下降法
   4.6.2 随机梯度下降法最小化感知器损失函数
  4.7 最小平方误差算法
第5章 非线性鉴别函数
  5.1 多类情况
   5.1.1 处理多类情况的常见方法
   5.1.2 线性机实例
  5.2 决策树
   5.2.1 树和决策树定义
   5.2.2 二叉树分类树
   5.2.3 一般分类树
   5.2.4 决策树的特点
   5.2.5 随机森林
  5.3 分段线性鉴别函数
   5.3.1 基于距离的分段线性鉴别函数
   5.3.2 一般的分段线性鉴别函数
  5.4 最近邻规则
   5.4.1 样本距离的衡量
   5.4.2 k 近邻规则
   5.4.3 近邻规则的快速算法
  5.5 子空间模式识别
   5.5.1 基本思想
   5.5.2 线性变换方法——主成分分析
   5.5.3 非线性变换方法——核主成分分析
   5.5.4 基本分类规则
第6章 特征选择与特征提取
  6.1 基本概念
  6.2 类别可分性测度
  6.3 特征选择
   6.3.1 遗传算法
   6.3.2 模拟退火算法
  6.4 特征归一化
  6.5 基于K-L 变换的特征提取
   6.5.1 基于类内散度矩阵的单类模式特征提取
   6.5.2 基于K-L 变换的多类模式特征提取
  6.6 其他子空间特征提取方法
   6.6.1 独立成分分析
   6.6.2 线性判别分析
   6.6.3 核方法
  6.7 特征提取的相关应用
第7章 统计学习理论及SVM
  7.1 统计学习理论
   7.1.1 经验风险最小化原则
   7.1.2 学习一致性及条件
   7.1.3 函数的学习性能与VC维
   7.1.4 推广性的界
   7.1.5 结构风险最小化原则
  7.2 支持向量机(SVM)
   7.2.1 SVM 基础
   7.2.2 线性可分下的SVM
   7.2.3 核函数
   7.2.4 SVM 讨论
  7.3 支持向量回归(SVR)
   7.3.1 线性回归
   7.3.2 SVR 原理
  7.4 讨论
第8章 聚类分析
  8.1 无监督学习的基本概念
   8.1.1 基本思想
   8.1.2 聚类分析定义
   8.1.3 聚类分析流程与应用
  8.2 相似性/距离概念
   8.2.1 常见距离度量
   8.2.2 距离度量的不变性分析
   8.2.3 常见相似性度量
  8.3 聚类准则
   8.3.1 最小误差平方和准则
   8.3.2 相关最小方差准则
   8.3.3 散度准则
  8.4 简单聚类算法
   8.4.1 最小距离聚类算法
   8.4.2 最远距离聚类算法
   8.4.3 最大最小距离聚类算法
  8.5 层次聚类法
   8.5.1 层次聚类的定义
   8.5.2 基于合并的层次聚类
   8.5.3 逐步优化的层次聚类
   8.5.4 层次聚类的评估
  8.6 动态聚类法
   8.6.1 K 均值聚类
   8.6.2 ISODATA 算法
   8.6.3 核聚类
  8.7 基于密度峰值聚类算法
  8.8 聚类结果的评价
  8.9 聚类算法的应用
第9章 模糊模式识别法
  9.1 隶属度函数
   9.1.1 背景介绍
   9.1.2 隶属度函数
   9.1.3 模糊子集
   9.1.4 模糊集基本操作
  9.2 模糊特征和模糊分类
   9.2.1 模糊化的特征
   9.2.2 分类结果的模糊化
  9.3 特征的模糊评估
   9.3.1 模糊距离
   9.3.2 模糊集的模糊度
   9.3.3 模糊集的熵模糊度
   9.3.4 模糊集的π 度
  9.4 模糊K 均值聚类
   9.4.1 模糊K 均值聚类算法
   9.4.2 改进算法
  9.5 模糊k 近邻分类器
  9.6 本章 小结
第10章 句法模式识别
  10.1 句法模式识别概述
  10.2 形式语言的基本概念
   10.2.1 基本定义
   10.2.2 文法分类
  10.3 模式的描述方法
   10.3.1 基元的选择
   10.3.2 链描述法
   10.3.3 树描述法
   10.3.4 扩展树文法
  10.4 文法推断
   10.4.1 余码文法的推断
   10.4.2 扩展树文法推断
  10.5 句法分析
   10.5.1 参考匹配法
   10.5.2 填充树图法
   10.5.3 CYK 分析法
   10.5.4 厄利分析法
  10.6 句法结构的自动机识别
   10.6.1 有限态自动机和正则文法
   10.6.2 下推自动机与上下文无关文法
  10.7 串匹配
   10.7.1 暴力匹配法
   10.7.2 模式记忆法
   10.7.3 BM 算法
  10.8 图匹配
   10.8.1 最大流法
   10.8.2 匈牙利算法
  10.9 隐马尔可夫模型
  10.10 条件随机场
   10.10.1 马尔可夫随机场
   10.10.2 条件随机场
   10.10.3 条件随机场的学习算法
  10.11 句法模式识别的应用
第11章 人工神经网络
  11.1 神经网络介绍
  11.2 前馈操作和分类
   11.2.1 三层神经网络
   11.2.2 通用前馈操作
   11.2.3 多层神经网络的表达能力
  11.3 后向传播算法
   11.3.1 神经网络学习
   11.3.2 训练方法
   11.3.3 学习曲线
  11.4 错误平面
  11.5 特征映射
  11.6 Bayes 理论和概率
  11.7 后向传播的实用技巧
   11.7.1 激活函数
   11.7.2 sigmoid 参数
   11.7.3 输入数据的尺度变换
   11.7.4 目标值
   11.7.5 带噪声的训练
   11.7.6 制造数据
   11.7.7 隐层单元数目
   11.7.8 初始化权值
   11.7.9 学习率
   11.7.10 动量
   11.7.11 权值衰减
   11.7.12 带暗示的学习
   11.7.13 训练策略
   11.7.14 训练停止
   11.7.15 隐层数目
   11.7.16 评价函数
  11.8 RBF 网络
  11.9 递归网络
  11.10 级联网络
  11.11 神经网络的应用
   11.11.1 环境科学与工程
   11.11.2 地下水文预测
第12章 深度学习
  12.1 引言
  12.2 深度堆栈自编码网络
  12.3 深度卷积网络
   12.3.1 卷积与神经网络
   12.3.2 卷积神经网络中的卷积
   12.3.3 池化
   12.3.4 常见的卷积神经网络结构
  12.4 深度生成网络
   12.4.1 生成对抗网络
   12.4.2 GAN 的应用
  12.5 深度学习平台
   12.5.1 Caffe 平台
   12.5.2 TensorFlow 平台
   12.5.3 Keras 平台
   12.5.4 PyTorch 平台
   12.5.5 PAI 平台
  12.6 深度学习与非深度学习方法结合
第13章 模式识别在生物特征识别中的应用
  13.1 人脸识别
   13.1.1 人脸识别发展历史
   13.1.2 人脸识别主要方法
   13.1.3 人脸识别应用
  13.2 指纹识别
   13.2.1 指纹识别发展历史
   13.2.2 指纹识别主要方法
   13.2.3 指纹识别应用
  13.3 虹膜识别
   13.3.1 虹膜识别发展历史
   13.3.2 虹膜识别主要方法
   13.3.3 虹膜识别应用
  13.4 其他生物特征识别
   13.4.1 声音识别
   13.4.2 步态识别
   13.4.3 静脉识别
   13.4.4 掌纹识别
  13.5 生物特征识别训练平台
参考文献