模式识别及MATLAB实现PDF电子书下载

第1章 绪论 1

1.1 模式识别的基本概念 1

1.1.1 生物的识别能力 1

1.1.2 模式识别的概念 2

1.1.3 模式识别的特点 2

1.1.4 模式的描述方法及特征空间 4

1.2 模式识别系统的组成和主要方法 5

1.2.1 模式识别系统的组成 5

1.2.2 模式识别的方法 7

1.3 模式识别的应用 9

1.3.1 文字识别 9

1.3.2 语音识别 10

1.3.3 指纹识别 10

1.3.4 遥感图像识别 11

1.3.5 医学诊断 11

1.4 全书内容简介 12

习题及思考题 13

第2章 贝叶斯决策理论 14

2.1 几个重要的概念 14

2.2 几种常用的决策规则 15

2.2.1 基于最小错误率的贝叶斯决策 16

2.2.2 最小风险判别规则 18

2.2.3 最大似然比判别规则 20

2.2.4 Neyman-Pearson判别规则 22

2.3 正态分布中的Bayes分类方法 26

2.4 MATLAB程序实现 33

习题及思考题 37

第3章 概率密度函数的参数估计 39

3.1 概率密度函数估计概述 39

3.2 最大似然估计 40

3.3 贝叶斯估计与贝叶斯学习 42

3.4 非参数估计 47

3.4.1 非参数估计的基本方法 48

3.4.2 Parzen窗法 50

3.4.3 kN-近邻估计法 54

3.5 MATLAB示例 55

习题及思考题 60

第4章 非参数判别分类方法 62

4.1 线性分类器 62

4.1.1 线性判别函数的基本概念 62

4.1.2 多类问题中的线性判别函数 64

4.1.3 广义线性判别函数 68

4.1.4 线性分类器的主要特性及设计步骤 70

4.1.5 感知器算法 74

4.1.6 Fisher线性判别函数 79

4.2 非线性判别函数 84

4.2.1 非线性判别函数与分段线性判别函数 84

4.2.2 基于距离的分段线性判别函数 85

4.3 支持向量机 87

4.3.1 线性可分情况 87

4.3.2 线性不可分情况 89

4.4 MATLAB示例 91

习题及思考题 94

第5章 聚类分析 95

5.1 模式相似性测度 95

5.1.1 距离测度 96

5.1.2 相似测度 99

5.1.3 匹配测度 100

5.2 类间距离测度方法 102

5.2.1 最短距离法 102

5.2.2 最长距离法 102

5.2.3 中间距离法 102

5.2.4 重心法 103

5.2.5 平均距离法（类平均距离法） 103

5.3 聚类准则函数 105

5.3.1 误差平方和准则 105

5.3.2 加权平均平方距离和准则 106

5.3.3 类间距离和准则 107

5.3.4 离散度矩阵 107

5.4 基于距离阈值的聚类算法 108

5.4.1 最近邻规则的聚类算法 109

5.4.2 最大最小距离聚类算法 109

5.5 动态聚类算法 111

5.5.1 C-均值聚类算法 111

5.5.2 ISODATA聚类算法 115

5.6 MATLAB示例 121

习题及思考题 126

第6章 特征提取与选择 128

6.1 类别可分性判据 128

6.2 基于距离的可分性判据 129

6.3 按概率距离判据的特征提取方法 131

6.4 基于熵函数的可分性判据 134

6.5 基于Karhunen-Loeve变换的特征提取 135

6.5.1 Karhunen-Loeve变换 135

6.5.2 使用K-L变换进行特征提取 138

6.6 特征选择 141

6.6.1 次优搜索法 142

6.6.2 最优搜索法 143

6.7 MALAB举例 145

习题及思考题 147

第7章 模糊模式识别 148

7.1 模糊数学的基础知识 148

7.1.1 集合及其特征函数 148

7.1.2 模糊集合 149

7.1.3 模糊集合的λ水平截集 154

7.1.4 模糊关系及模糊矩阵 155

7.2 模糊模式识别方法 156

7.2.1 最大隶属度识别法 157

7.2.2 择近原则识别法 157

7.2.3 基于模糊等价关系的聚类方法 159

7.2.4 模糊C-均值聚类 161

7.3 MATLAB程序设计 163

习题及思考题 165

第8章 神经网络在模式识别中的应用 167

8.1 人工神经网络的基础知识 167

8.1.1 人工神经网络的发展历史 167

8.1.2 生物神经元 168

8.1.3 人工神经元 168

8.1.4 人工神经网络的特点 169

8.2 前馈神经网络 169

8.2.1 感知器 170

8.2.2 多层感知器 171

8.3 自组织特征映射网络 173

8.3.1 网络结构 173

8.3.2 网络的识别过程 174

8.3.3 网络的学习过程 174

8.4 径向基函数（RBF）神经网络 175

8.4.1 网络结构 175

8.4.2 径向基函数 176

8.4.3 网络的学习过程 176

8.5 深度学习 177

8.5.1 深度学习介绍 178

8.5.2 受限玻尔兹曼机 178

8.5.3 深度置信网络 180

8.5.4 卷积神经网络 181

8.6 MATLAB举例 183

习题及思考题 188

第9章 模式识别的工程应用 190

9.1 基于BP神经网络的手写数字识别 190

9.1.1 整体方案设计 190

9.1.2 字符图像的特征提取 191

9.1.3 BP神经网络的设计 195

9.1.4 BP神经网络的训练 197

9.1.5 BP神经网络的识别 197

9.2 基于朴素贝叶斯的中文文本分类 198

9.2.1 文本分类原理 199

9.2.2 文本特征提取 199

9.2.3 朴素贝叶斯分类器设计 201

9.2.4 测试文本分类 202

9.3 基于PCA（主要成分分析）和SVM（支持向量机）的人脸识别 205

9.3.1 人脸图像获取 205

9.3.2 人脸图像预处理 206

9.3.3 人脸图像特征提取 207

9.3.4 SVM分类器的设计和分类 209

9.4 基于隐马尔科夫模型的语音识别 210

9.4.1 语音识别的原理 210

9.4.2 语音采集 211

9.4.3 语音信号的预处理 212

9.4.4 MFCC特征参数提取 216

9.4.5 HMM模型训练 217

9.4.6 识别处理 218

参考文献 219