模式識別簡介，目錄書摘
2019-11-08 17:10
來源：京東
作者：京東
模式識別
暫無報價
10+評論
100%好評
編輯推薦: 《模式識別》打破了傳統(tǒng)程序類書籍的編排方法，將編程思路和編程過程與所附代碼有機結(jié)合在一起，分層次分模塊地予以講解。同時，以圖解的方式講解程序的運行過程和結(jié)果，并配有適當?shù)奈淖终f明，從而使讀者迅速理解所講述的內(nèi)容。
內(nèi)容簡介: 《模式識別》共分為8章。第一章為緒論，主要介紹了模式識別的概念，系統(tǒng)組成及常用方法。第二章～第五章主要介紹了統(tǒng)計模式識別的方法，有特征聚類，貝葉斯分類，fish線性判別以及近鄰法。第六章講述了幾種人工神經(jīng)網(wǎng)絡方法，第七章詳細介紹了一個三維識別的案例。
作者簡介:
宋麗梅，教學成果： 2012年獲得香港桑麻獎教金。 科研成果： 2011年天津市科技進步三等獎（排名第一）； 2013年天津市科技進步三等獎（排名第一）； 天津市“131”二層次人才； 天津市高?！爸星嗄旯歉蓜?chuàng)新人才培養(yǎng)計劃”。 主持完成的科研項目如下： 國家自然科學基金面上項目，61078041，基于視覺的織物疵點三維檢測和三維識別原理研究，2011/01－2013/12，26萬元，已結(jié)題，主持。 國家自然科學基金，60808020，單目高精度大型物體彩色三維數(shù)字化測量原理研究，2009/01－2011/12，20萬元，已結(jié)題，主持，該項目獲得2013年天津市科技進步三等獎，本人排名第一。 四川省杰出青年基金，07ZQ026-015，高精度便攜式三維全局坐標測量系統(tǒng)，2007/01－2009/12，12萬元，已結(jié)題，主持。 天津市中小企業(yè)創(chuàng)新基金，12ZXCXGX11800，基于BCCSL和SFMS的三維在線光學檢測系統(tǒng)，2012/01-2013/03，15萬元，已結(jié)題，主持。 天津市應用基礎(chǔ)及前沿技術(shù)研究計劃，10JCYBJC07200，雙目SFS彩色三維織物疵點在線檢測原理研究，2010/04－2013/03，10萬元，已結(jié)題，主持。 國家中小企業(yè)創(chuàng)新基金，06C26215100466，SFS三維重建及微小間隙精確測量的工業(yè)CT軟件系統(tǒng)，2006/01-2008/01，55萬元，已結(jié)題，參與，該項目獲得2008年綿陽市科技進步三等獎，本人排名第二。 國家中小企業(yè)創(chuàng)新基金，06C26225100462，基于單幅照片進行三維形貌恢復的軟件系統(tǒng)， 2006/01-2008/01，20萬元，已結(jié)題，參與。
目錄:、第1章 緒論
1.1模式識別基本概念
1.1.1模式和模式識別
1.1.2模式識別系統(tǒng)組成
1.2 特征描述
1.3 模式識別方法
1.3.1 統(tǒng)計法
1.3.2 聚類法
1.3.3 神經(jīng)網(wǎng)絡法
1.3.4 人工智能法
1.4模式識別工程設計
1.4.1 工程任務
1.4.2 訓練集和測試集選擇
1.4.3 模式識別軟件
習題
第2章 特征聚類
2.1 聚類的概念
2.1.1特征聚類的基本思想
2.1.2聚類的算法
2.2 數(shù)據(jù)的降維（PCA）
2.2.1 PCA基本概念
2.2.2 PCA原理
2.2.3 PCA的一般步驟
2.2.4數(shù)據(jù)的降維實例
2.3 模式相似性測度
2.3.1距離測度
2.3.2相似測度
2.3.3匹配測度
2.4 K-均值聚類
2.4.1 K-均值聚類算法簡介
2.4.2算法原理
2.4.3K均值算法的一般步驟
2.4.4 K-均值聚類實例
2.5本章小結(jié)
習題
第3章 貝葉斯分類
3.1 貝葉斯準則
3.1基于最小錯誤率的貝葉斯準則
3.2基于最小風險的貝葉斯準則
3.3最大最小決策規(guī)則
3.4紐曼—皮爾遜（Neyman—Pearson）決策規(guī)則
3.5 貝葉斯學習估計案例（手寫字符）
習題
第4章Fisher線性判別
4.1 判別域界面方程分類的概念
4.2線性判別函數(shù)
4.2.1 兩類問題
4.2.2 多類問題
4.3 判別函數(shù)數(shù)值的鑒別意義、權(quán)空間及解空間
4.3.1 判別函數(shù)值的大小、正負的數(shù)學意義
4.3.2 權(quán)空間、解矢量與解空間
4.4 Fisher線性判別
習題
第5章 近鄰法
5.1 最近鄰法
5.1.1最近鄰決策規(guī)則
5.1.2最近鄰法的錯誤率分析
5.2最近鄰法程序舉例
5.3 K近鄰法
5.3.1 K近鄰法原理及錯誤率分析
5.3.2 K近鄰法程序舉例
5.4剪輯近鄰法
5.4.1剪輯近鄰法
5.4.2剪輯k-NN近鄰法
5.4.3剪輯近鄰法的一般流程
5.5本章小結(jié)
習題
第6章 BP神經(jīng)網(wǎng)絡及案例
6.1 BP神經(jīng)網(wǎng)絡基本原理
6.2 網(wǎng)絡各層節(jié)點數(shù)的確定
6.3 網(wǎng)絡各層間激活函數(shù)的確定
6.4 LM算法
6.5基于BP神經(jīng)網(wǎng)絡的變壓器故障診斷
6.5.1變壓器常見故障類型
6.5.2 網(wǎng)絡的訓練與仿真
6.6本章小結(jié)
習題
第7章 模式識別案例分析
7.1電池表面劃痕識別案例
7.1.1電池圖像邊緣提取
7.1.2基于有效邊緣點和Hough變換的電池圓心提取方法
7.1.3 基于NMI特征和邊緣特征電池圖像配準算法
7.1.4 劃痕提取方法
7.2人臉識別案例
7.2.1 ORL人臉數(shù)據(jù)庫簡介
7.2.2 基于PCA的人臉圖像的特征提取
7.2.3 k-近鄰算法
7.2.4 BP神經(jīng)網(wǎng)絡法
7.2.5基于BP神經(jīng)網(wǎng)絡法和k-近鄰法的綜合決策分類
7.2.6實驗的結(jié)果
7.2.7簡單實例
7.3 SIFT算法提取特征點及特征點的匹配
7.3.1高斯尺度空間的極值檢測
7.3.2特征點位置的確定
7.3.3特征點方向的確定
7.3.4特征點描述子生成
7.3.5 SIFT特征向量的匹配
7.3.6實現(xiàn)運動姿態(tài)的解算
7.4氣泡識別案例
7.4.1 兩相流高速圖像采集
7.4.2 兩相流圖像紋理特征的提取
7.4.3 紋理特征的Lempel-Ziv復雜度分析
7.4.4 基于SVM的氣液兩相流型識別
7.5三維識別案例
7.5.1 三維模型中特征點的定義
7.5.2 特征提取方法
7.5.3 三維識別方法
7.6本章小結(jié)
習題
參考文獻
1.1模式識別基本概念
1.1.1模式和模式識別
1.1.2模式識別系統(tǒng)組成
1.2 特征描述
1.3 模式識別方法
1.3.1 統(tǒng)計法
1.3.2 聚類法
1.3.3 神經(jīng)網(wǎng)絡法
1.3.4 人工智能法
1.4模式識別工程設計
1.4.1 工程任務
1.4.2 訓練集和測試集選擇
1.4.3 模式識別軟件
習題
第2章 特征聚類
2.1 聚類的概念
2.1.1特征聚類的基本思想
2.1.2聚類的算法
2.2 數(shù)據(jù)的降維（PCA）
2.2.1 PCA基本概念
2.2.2 PCA原理
2.2.3 PCA的一般步驟
2.2.4數(shù)據(jù)的降維實例
2.3 模式相似性測度
2.3.1距離測度
2.3.2相似測度
2.3.3匹配測度
2.4 K-均值聚類
2.4.1 K-均值聚類算法簡介
2.4.2算法原理
2.4.3K均值算法的一般步驟
2.4.4 K-均值聚類實例
2.5本章小結(jié)
習題
第3章 貝葉斯分類
3.1 貝葉斯準則
3.1基于最小錯誤率的貝葉斯準則
3.2基于最小風險的貝葉斯準則
3.3最大最小決策規(guī)則
3.4紐曼—皮爾遜（Neyman—Pearson）決策規(guī)則
3.5 貝葉斯學習估計案例（手寫字符）
習題
第4章Fisher線性判別
4.1 判別域界面方程分類的概念
4.2線性判別函數(shù)
4.2.1 兩類問題
4.2.2 多類問題
4.3 判別函數(shù)數(shù)值的鑒別意義、權(quán)空間及解空間
4.3.1 判別函數(shù)值的大小、正負的數(shù)學意義
4.3.2 權(quán)空間、解矢量與解空間
4.4 Fisher線性判別
習題
第5章 近鄰法
5.1 最近鄰法
5.1.1最近鄰決策規(guī)則
5.1.2最近鄰法的錯誤率分析
5.2最近鄰法程序舉例
5.3 K近鄰法
5.3.1 K近鄰法原理及錯誤率分析
5.3.2 K近鄰法程序舉例
5.4剪輯近鄰法
5.4.1剪輯近鄰法
5.4.2剪輯k-NN近鄰法
5.4.3剪輯近鄰法的一般流程
5.5本章小結(jié)
習題
第6章 BP神經(jīng)網(wǎng)絡及案例
6.1 BP神經(jīng)網(wǎng)絡基本原理
6.2 網(wǎng)絡各層節(jié)點數(shù)的確定
6.3 網(wǎng)絡各層間激活函數(shù)的確定
6.4 LM算法
6.5基于BP神經(jīng)網(wǎng)絡的變壓器故障診斷
6.5.1變壓器常見故障類型
6.5.2 網(wǎng)絡的訓練與仿真
6.6本章小結(jié)
習題
第7章 模式識別案例分析
7.1電池表面劃痕識別案例
7.1.1電池圖像邊緣提取
7.1.2基于有效邊緣點和Hough變換的電池圓心提取方法
7.1.3 基于NMI特征和邊緣特征電池圖像配準算法
7.1.4 劃痕提取方法
7.2人臉識別案例
7.2.1 ORL人臉數(shù)據(jù)庫簡介
7.2.2 基于PCA的人臉圖像的特征提取
7.2.3 k-近鄰算法
7.2.4 BP神經(jīng)網(wǎng)絡法
7.2.5基于BP神經(jīng)網(wǎng)絡法和k-近鄰法的綜合決策分類
7.2.6實驗的結(jié)果
7.2.7簡單實例
7.3 SIFT算法提取特征點及特征點的匹配
7.3.1高斯尺度空間的極值檢測
7.3.2特征點位置的確定
7.3.3特征點方向的確定
7.3.4特征點描述子生成
7.3.5 SIFT特征向量的匹配
7.3.6實現(xiàn)運動姿態(tài)的解算
7.4氣泡識別案例
7.4.1 兩相流高速圖像采集
7.4.2 兩相流圖像紋理特征的提取
7.4.3 紋理特征的Lempel-Ziv復雜度分析
7.4.4 基于SVM的氣液兩相流型識別
7.5三維識別案例
7.5.1 三維模型中特征點的定義
7.5.2 特征提取方法
7.5.3 三維識別方法
7.6本章小結(jié)
習題
參考文獻
京公網(wǎng)安備 11000002000088號
