模式识别 第4版2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

模式识别 第4版PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 导论1

1.1 模式识别的重要性1

1.2 特征、特征向量和分类器3

1.3 有监督、无监督和半监督学习4

1.4 MATLAB程序6

1.5 本书的内容安排6

第2章 基于贝叶斯决策理论的分类器8

2.1 引言8

2.2 贝叶斯决策理论8

2.3 判别函数和决策面12

2.4 正态分布的贝叶斯分类13

2.5 未知概率密度函数的估计23

2.6 最近邻规则42

2.7 贝叶斯网络44

习题49

MATLAB编程和练习55

参考文献60

第3章 线性分类器63

3.1 引言63

3.2 线性判别函数和决策超平面63

3.3 感知器算法64

3.4 最小二乘法70

3.5 均方估计的回顾75

3.6 逻辑识别80

3.7 支持向量机81

习题97

MATLAB编程和练习99

参考文献100

第4章 非线性分类器104

4.1 引言104

4.2 异或问题104

4.3 两层感知器105

4.4 三层感知器108

4.5 基于训练集准确分类的算法109

4.6 反向传播算法110

4.7 反向传播算法的改进115

4.8 代价函数选择117

4.9 神经网络大小的选择119

4.10 仿真实例123

4.11 具有权值共享的网络124

4.12 线性分类器的推广125

4.13 线性二分法中l维空间的容量126

4.14 多项式分类器127

4.15 径向基函数网络129

4.16 通用逼近131

4.17 概率神经元网络132

4.18 支持向量机：非线性情况134

4.19 超越SVM的范例137

4.20 决策树146

4.21 合并分类器150

4.22 合并分类器的增强法155

4.23 类的不平衡问题160

4.24 讨论161

习题161

MATLAB编程和练习164

参考文献168

第5章 特征选择178

5.1 引言178

5.2 预处理178

5.3 峰值现象180

5.4 基于统计假设检验的特征选择182

5.5 接收机操作特性（ROC）曲线187

5.6 类可分性测量188

5.7 特征子集的选择193

5.8 最优特征生成196

5.9 神经网络和特征生成／选择203

5.10 推广理论的提示204

5.11 贝叶斯信息准则210

习题211

MATLAB编程和练习213

参考文献216

第6章 特征生成Ⅰ：线性变换221

6.1 引言221

6.2 基本向量和图像221

6.3 Karhunen-Loève变换223

6.4 奇异值分解229

6.5 独立成分分析234

6.6 非负矩阵因子分解239

6.7 非线性维数降低240

6.8 离散傅里叶变换（DFT）248

6.9 离散正弦和余弦变换251

6.10 Hadamard变换252

6.11 Haar变换253

6.12 回顾Haar展开式254

6.13 离散时间小波变换（DTWT）257

6.14 多分辨解释264

6.15 小波包265

6.16 二维推广简介266

6.17 应用268

习题271

MATLAB编程和练习273

参考文献275

第7章 特征生成Ⅱ282

7.1 引言282

7.2 区域特征282

7.3 字符形状和大小的特征298

7.4 分形概述304

7.5 语音和声音分类的典型特征309

习题320

MATLAB编程和练习322

参考文献325

第8章 模板匹配331

8.1 引言331

8.2 基于最优路径搜索技术的测度331

8.3 基于相关的测度342

8.4 可变形的模板模型346

8.5 基于内容的信息检索：相关反馈349

习题352

MATLAB编程和练习353

参考文献355

第9章 上下文相关分类358

9.1 引言358

9.2 贝叶斯分类器358

9.3 马尔可夫链模型358

9.4 Viterbi算法359

9.5 信道均衡362

9.6 隐马尔可夫模型365

9.7 状态驻留的HMM373

9.8 用神经网络训练马尔可夫模型378

9.9 马尔可夫随机场的讨论379

习题381

MATLAB编程和练习382

参考文献384

第10章 监督学习：尾声389

10.1 引言389

10.2 误差计算方法389

10.3 探讨有限数据集的大小390

10.4 医学图像实例研究393

10.5 半监督学习395

习题404

参考文献404

第11章 聚类：基本概念408

11.1 引言408

11.2 近邻测度412

习题427

参考文献428

第12章 聚类算法Ⅰ：顺序算法430

12.1 引言430

12.2 聚类算法的种类431

12.3 顺序聚类算法433

12.4 BSAS的改进436

12.5 两个阈值的顺序方法437

12.6 改进阶段439

12.7 神经网络的实现440

习题443

MATLAB编程和练习444

参考文献445

第13章 聚类算法Ⅱ：层次算法448

13.1 引言448

13.2 合并算法448

13.3 cophenetic矩阵465

13.4 分裂算法466

13.5 用于大数据集的层次算法467

13.6 最佳聚类数的选择472

习题474

MATLAB编程和练习475

参考文献477

第14章 聚类算法Ⅲ：基于函数最优方法480

14.1 引言480

14.2 混合分解方法481

14.3 模糊聚类算法487

14.4 可能性聚类502

14.5 硬聚类算法506

14.6 向量量化513

附录514

习题515

MATLAB编程和练习516

参考文献519

第15章 聚类算法Ⅳ523

15.1 引言523

15.2 基于图论的聚类算法523

15.3 竞争学习算法533

15.4 二值形态聚类算法540

15.5 边界检测算法546

15.6 谷点搜索聚类算法548

15.7 通过代价最优聚类（回顾）550

15.8 核聚类方法555

15.9 对大数据集的基于密度算法558

15.10 高维数据集的聚类算法562

15.11 其他聚类算法572

15.12 聚类组合573

习题578

MATLAB编程和练习580

参考文献582

第16章 聚类有效性591

16.1 引言591

16.2 假设检验回顾591

16.3 聚类有效性中的假设检验593

16.4 相关准则600

16.5 单独聚类有效性612

16.6 聚类趋势613

习题620

参考文献622

附录A 概率论和统计学的相关知识626

附录B 线性代数基础635

附录C 代价函数的优化637

附录D 线性系统理论的基本定义649

索引652