幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

目標識別原理與應用/目標信息獲取與處理叢書

  • 作者：編者:黃潔//劉偉//駱麗萍//王建濤//張克|責編:王九賢
  • 出版社：國防工業
  • ISBN：9787118133110
  • 出版日期：2024/07/01
  • 裝幀：平裝
  • 頁數：226
人民幣：RMB 106 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書以目標識別理論、方法為主線，注重基礎，緊跟前沿，突出應用。在詳細介紹目標識別涉及的特徵提取、分類器設計技術基礎上，給出目標識別應用實例，有利於讀者將理論與實際相結合．加深對目標識別技術的理解。本書共11章，主要內容包括目標特徵提取和選擇、線性分類器、貝葉斯分類器、近鄰法、決策樹、集成學習方法、聚類分析、神經網路分類器等基礎理論，雷達目標識別、雷達輻射源信號識別、SAR圖像目標識別、文本命名實體識別等應用實例。
    本書可供從事目標識別領域相關工作的工程技術人員和研究人員參考，也可作為高校相關專業課程教材使用。
作者介紹
編者:黃潔//劉偉//駱麗萍//王建濤//張克|責編:王九賢
目錄
第1章  緒論
  1.1  引言
  1.2  目標識別相關概念
    1.2.1  模式與模式識別
    1.2.2  模式識別與機器學習
    1.2.3  監督學習與非監督學習
  1.3  目標識別系統組成
  1.4  目標識別基本方法
  1.5  評估方法與性能指標
    1.5.1  評估方法
    1.5.2  性能指標
第2章  目標特徵提取和選擇
  2.1  引言
  2.2  特徵評價準則
    2.2.1  基於距離的可分性判據
    2.2.2  基於概率密度函數的可分性判據
    2.2.3  基於熵函數的可分性判據
  2.3  特徵提取方法
    2.3.1  基於距離可分性判據的特徵提取方法
    2.3.2  基於概率密度函數可分性判據的特徵提取方法
    2.3.3  基於熵函數可分性判據的特徵提取方法
  2.4  特徵選擇方法
    2.4.1  最優搜索演算法——分支定界法
    2.4.2  次優搜索演算法
  2.5  基於主成分分析的特徵提取
  2.6  基於離散K-L變換的特徵提取
    2.6.1  K-L變換基本原理
    2.6.2  基於總的類內、類間離散度矩陣的K-L變換
第3章  線性分類器
  3.1  引言
  3.2  線性判別函數
    3.2.1  線性判別函數的幾何意義
    3.2.2  廣義線性判別函數
    3.2.3  線性判別函數設計的一般步驟
  3.3  Fisher線性判別分析
  3.4  感知準則函數
    3.4.1  基本概念
    3.4.2  感知準則演算法
    3.4.3  感知準則演算法在多類中應用
  3.5  最小平方誤差準則函數
  3.6  線性支持向量機
第4章  貝葉斯分類器
  4.1  引言
  4.2  貝葉斯分類器設計
    4.2.1  最大后驗概率判決準則
    4.2.2  最小風險貝葉斯判決準則
    4.2.3  N-P判決準則
  4.3  正態分佈時的貝葉斯分類
    4.3.1  正態分佈及其性質回顧
    4.3.2  正態分佈概率模型下的最小錯誤概率決策

  4.4  概率密度函數參數估計
    4.4.1  最大似然估計
    4.4.2  貝葉斯估計
    4.4.3  貝葉斯學習
  4.5  樸素貝葉斯分類器
第5章  非線性分類器
  5.1  引言
  5.2  近鄰法
    5.2.1  最近鄰法
    5.2.2  k-近鄰法
    5.2.3  剪輯近鄰法
    5.2.4  壓縮近鄰法
  5.3  決策樹
    5.3.1  CLS學習演算法
    5.3.2  ID3演算法
      5.3.3 C4.5  演算法
    5.3.4  樹剪枝
  5.4  集成學習方法
    5.4.1  集成學習概述
    5.4.2  AdaBoost演算法
    5.4.3  隨機森林
第6章  聚類分析
  6.1  引言
  6.2  相似性測度與聚類準則
    6.2.1  相似性測度
    6.2.2  聚類準則
  6.3  基於劃分的聚類方法
    6.3.1  K—Means演算法
    6.3.2  迭代自組織數據分析演算法
  6.4  基於層次的聚類方法
    6.4.1  層次聚類法基本思想
    6.4.2  類與類之間的距離
    6.4.3  BIRCH層次聚類演算法
  6.5  基於密度的聚類方法
    6.5.1  DBSCAN演算法基本概念
    6.5.2  DBSCAN演算法思路
  6.6  基於網格的聚類方法
    6.6.1  STI.NG演算法
    6.6.2  CLIQUE演算法
  6.7  基於模型的聚類方法
    6.7.1  高斯混合模型
    6.7.2  模型求解演算法——EM演算法
第7章  神經網路分類器
  7.1  引言
  7.2  神經網路的基本要素
    7.2.1  人工神經元模型
    7.2.2  神經網路結構
    7.2.3  神經網路學習
  7.3  前饋神經網路
    7.3.1  感知器

    7.3.2  BP網路
    7.3.3  徑向基函數網路
  7.4  離散型Hopfield網路
  7.5  自組織特徵映射神經網路
    7.5.1  網路結構
    7.5.2  自組織特徵映射演算法
  7.6  深度學習網路
    7.6.1  卷積神經網路(CNN)
    7.6.2  循環神經網路(RNN)
  7.7  神經網路應用於識別的基本思路
第8章  雷達目標識別
  8.1  引言
  8.2  雷達目標識別特徵
    8.2.1  目標RCS特徵
    8.2.2  目標極化特徵
    8.2.3  目標運動特徵
    8.2.4  目標微動特徵
    8.2.5  目標高分辨雷達特徵
  8.3  基於運動特性的飛機目標識別
    8.3.1  飛機目標運動特徵
    8.3.2  飛機目標類型識別
第9章  雷達輻射源信號識別
  9.1  引言
  9.2  雷達輻射源信號及特徵
    9.2.1  雷達輻射源信號模型
    9.2.2  雷達輻射源信號特徵參數
  9.3  雷達輻射源調製類型識別
    9.3.1  基於瞬時頻率圖的雷達輻射源調製類型識別
    9.3.2  基於CNN的雷達輻射源調製類型識別
第lO章  SAR圖像目標識別
  10.1  引言
  10.2  高解析度SAR圖像艦船目標檢測
    10.2.1  影響艦船目標檢測的因素
    10.2.2  基於統計模型的CFAR艦船檢測
    10.2.3  SAR圖像艦船目標快速檢測演算法
  10.3  高解析度SAR圖像艦船目標識別
    10.3.1  典型艦船目標特徵分析
    10.3.2  SAR圖像艦船目標識別方法
第11章  文本命名實體識別
  11.1  引言
  11.2  詞嵌入
    11.2.1  One-Hot編碼
    11.2.2  TF-IDF方法
    11.2.3  Word2vec
    11.2.4  Bert
  11.3  命名實體識別常用方法
    11.3.1  基於規則詞典的方法
    11.3.2  基於統計模型的方法
    11.3.3  基於深度學習的方法
  11.4  命名實體識別實例

    11.4.1  基於ALBERT的詞嵌入表示層
    11.4.2  BiLSTM層
    11.4.3  CRF層
    11.4.4  實驗結果與分析
附錄A  概率統計知識
  A.1  概率
    A.1.1  隨機事件與概率
    A.1.2  隨機變數
  A.2  概率分佈
  A.3  貝葉斯定理
附錄B  矩陣知識
  B.1  基本概念
  B.2  基本運算
  B.3  矩陣導數
  B.4  矩陣分解
附錄C  優化理論
  C.1  拉格朗日乘數法
    C.1.1  等式約束優化問題
    C.1.2  不等式約束優化問題
    C.1.3  拉格朗日對偶
    C.1.4  KKT條件
  C.2  梯度下降法
參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032