模式識別(原理應用及實現微課視頻版高等學校電子信息類專業系列教材)
內容大鋼
本書主要介紹模式識別的基礎知識、基本方法、原理實現和典型工程應用。全書共10章。第1章介紹模式識別的基礎知識；第2章介紹貝葉斯決策理論；第3章介紹概率密度函數的參數估計；第4章介紹非參數判別分類方法；第5章介紹聚類分析；第6章介紹特徵提取與選擇；第7章介紹模糊模式識別；第8章介紹神經網路在模式識別中的應用；第9章介紹典型深度學習模型及應用；第10章介紹模式識別的工程應用。每章的內容安排從問題背景引入，系統講述基本原理、方法和實踐應用（通過Python軟體編程）。本書內容傳統與前沿結合，理論與實踐並重，做到基本理論、實際編程與工程應用的統一。本書已入選「武漢理工大學本科教材建設專項基金項目」
本書可作為高等院校電子信息類、電腦類、自動化類等相關專業本科生的教材，以及信息與通信工程、控制科學與工程、電腦科學與技術等專業研究生的教材；也可作為從事人工智慧相關研究與開發的工程技術人員的參考書。
作者介紹
編者:郭志強|責編:范德一
郭志強
武漢理工大學信息工程學院教授，電子信息工程國家級一流本科專業建設點負責人，「模式識別」全國工程類專業學位研究生在線開放課程負責人，「數字信號處理」湖北省一流本科課程負責人，「數字圖像處理」國家級線上一流本科課程主要成員。主要研究方向為智能信號處理、圖像處理與模式識別、數據挖掘與機器學習。編著普通高等教育「十一五」國家級規劃教材1部，主編、參編教材8部。近年來先後主持或參與包括國家自然科學基金、湖北省自然科學基金、教育部留學回國人員科研啟動基金、湖北省科技計劃項目、武漢市重點研發計劃項目等10余項科研項目。獲湖北省教學成果獎一等獎2項、二等獎1項。在國內外重要學術期刊和國際學術會議上發表論文80余篇，其中SCI、EI收錄論文40余篇，授權發明專利4項。
目錄
第1章 緒論
1.1 模式識別的基本概念
1.1.1 生物的識別能力
1.1.2 模式識別的概念
1.1.3 模式識別的特點
1.1.4 模式的描述方法及特徵空間
1.2 模式識別系統的組成和主要方法
1.2.1 模式識別系統的組成
1.2.2 模式識別的方法
1.3 模式識別的應用舉例
1.3.1 文字識別
1.3.2 語音識別
1.3.3 指紋識別
1.3.4 遙感圖像識別
1.3.5 醫學診斷
1.3.6 無損檢測
1.4 全書結構內容
第2章 貝葉斯決策理論
微課視頻39分鐘
2.1 幾個重要的概念
2.2 幾種常用的決策規則
2.2.1 基於最小錯誤率的貝葉斯決策
2.2.2 最小風險判別規則
2.2.3 最大似然比判別規則
2.2.4 Neyman-Pearson判別規則
2.3 正態分佈中的貝葉斯分類方法
2.4 Python程序實現
習題及思考題
第3章 概率密度函數的參數估計
微課視頻8分鐘
3.1 概率密度函數估計概述
3.2 最大似然估計
3.3 貝葉斯估計與貝葉斯學習
3.4 非參數估計
3.4.1 非參數估計的基本方法
3.4.2 Parzen窗法
3.4.3 kN-近鄰估計法
3.5 Python示例
習題及思考題
第4章 非參數判別分類方法
微課視頻71分鐘
4.1 線性分類器
4.1.1 線性判別函數的基本概念
4.1.2 多類問題中的線性判別函數
4.1.3 廣義線性判別函數
4.1.4 線性分類器的主要特性及設計步驟
4.1.5 感知器演算法
4.1.6 Fisher線性判別函數
4.2 非線性判別函數
4.2.1 非線性判別函數與分段線性判別函數
4.2.2 基於距離的分段線性判別函數
4.3 支持向量機
4.3.1 線性可分情況
4.3.2 線性不可分情況
4.4 Python示例
習題及思考題
第5章 聚類分析
微課視頻53分鐘
5.1 模式相似性測度
5.1.1 距離測度
5.1.2 相似測度
5.1.3 匹配測度
5.2 類間距離測度方法
5.2.1 最短距離法
5.2.2 最長距離法
5.2.3 中間距離法
5.2.4 重心法
5.2.5 平均距離法(類平均距離法)
5.3 聚類準則函數
5.3.1 誤差平方和準則
5.3.2 加權平均平方距離和準則
5.3.3 類間距離和準則
5.3.4 離散度矩陣
5.4 基於距離閾值的聚類演算法
5.4.1 最近鄰規則的聚類演算法
5.4.2 最大最小距離聚類演算法
5.5 動態聚類演算法
5.5.1 C均值聚類演算法
5.5.2 ISODATA聚類演算法
5.6 Python示例
習題及思考題
第6章 特徵提取與選擇
微課視頻39分鐘
6.1 類別可分性判據
6.2 基於距離的可分性判據
6.3 按概率距離判據的特徵提取方法
6.4 基於熵函數的可分性判據
6.5 基於Karhunen-Loeve變換的特徵提取
6.5.1 Karhunen-Loeve變換
6.5.2 使用Karhunen-Loeve變換進行特徵提取
6.6 特徵選擇
6.6.1 次優搜索法
6.6.2 最優搜索法
6.7 Python示例
習題及思考題
第7章 模糊模式識別
微課視頻44分鐘
7.1 模糊數學的基礎知識
7.1.1 集合及其特徵函數
7.1.2 模糊集合
7.1.3 模糊集合的λ水平截集
7.1.4 模糊關係及模糊矩陣
7.2 模糊模式識別方法
7.2.1 最大隸屬度識別法
7.2.2 擇近原則識別法
7.2.3 基於模糊等價關係的聚類方法
7.2.4 模糊C均值聚類
7.3 Python示例
習題及思考題
第8章 神經網路在模式識別中的應用
微課視頻106分鐘
8.1 人工神經網路的基礎知識
8.1.1 人工神經網路的發展歷史
8.1.2 生物神經元
8.1.3 人工神經元
8.1.4 人工神經網路的特點
8.2 前饋神經網路
8.2.1 感知器
8.2.2 多層感知器
8.3 自組織特徵映射網路
8.3.1 自組織神經網路結構
8.3.2 自組織神經網路的識別過程
8.3.3 自組織神經網路的學習過程
8.4 徑向基函數(RBF)神經網路
8.4.1 RBF神經網路結構
8.4.2 徑向基函數
8.4.3 RBF神經網路的學習過程
8.5 Python示例
習題及思考題
第9章 典型深度學習模型及應用
9.1 深度學習
9.1.1 深度學習介紹
9.1.2 受限玻爾茲曼機
9.1.3 深度置信網路
9.1.4 卷積神經網路
9.2 R-CNN系列原理及方法
9.2.1 R-CNN原理及方法
9.2.2 Fast R-CNN原理及方法
9.3 LSTM模型
9.4 Transformer模型
9.4.1 編碼器結構
9.4.2 解碼器結構
9.5 深度學習應用實例
習題及思考題
第10章 模式識別的工程應用
微課視頻68分鐘
10.1 基於樸素貝葉斯的中文文本分類
10.1.1 文本分類原理
10.1.2 文本特徵提取
10.1.3 樸素貝葉斯分類器設計
&
[