![](/c49/99/10027982153734.jpg)
出版社:清華大學出版社 ISBN:9787302225003 商品編碼:10027982153734 包裝:平裝 出版時間:2010-08-01 代碼:35 作者:張學工
"基本信息 書名:模式識別 定價 作者:張學工 著 出版社:清華大學出版社 出版日期:2010-08-01 ISBN:9787302225003 字數:370000 頁碼:237 版次:3 裝幀:平裝 開本:16開 商品重量: 編輯推薦
內容提要
《模式識別(第三版)》是清華大學自動化繫國家精品課程“模式識別基礎”的教材,是在《模式識別》版和第二版基礎上重寫而成的。本教材繫統地討論了模式識別的基本概念和代表性方法,包括監督模式識別中的貝葉斯決策理論、概率密度函數的估計、線性判別函數、非線性判別函數、近鄰法、特征選擇與提取的典型方法以及非監督模式識別中的基於模型的方法、混合密度估計、動態聚類方法、分級聚類方法等,並在相應章節包括了人工神經網絡、支持向量機、決策樹與森林、羅傑斯特回歸、Boosting方法、模糊模式識別等較新進入模式識別領域的內容。整體內容安排力求繫統性和實用性,並覆蓋部分當前研究前沿。 目錄
章 概論 1.1 模式與模式識別 1.2 模式識別的主要方法 1.3 監督模式識別與非監督模式識別 1.4 模式識別繫統舉例 1.5 模式識別繫統的典型構成 1.6 本書的主要內容
第2章 統計決策方法 2.1 引言:一個簡單的例子 2.2 小錯誤率貝葉斯決策 2.3 小風險貝葉斯決策 2.4 兩類錯誤率、Neyman-Pearson決策與ROC曲線 2.5 正態分布時的統計決策 2.5.1 正態分布及其性質回顧 2.5.2 正態分布概率模型下的 小錯誤率貝葉斯決策 2.6 錯誤率的計算 2.6.1 正態分布且各類協方差矩陣相等情況下錯誤率的計算 2.6.2 高維獨立變量時錯誤率的估計 2.7 離散概率模型下的統計決策舉例 2.8 小結與討論
第3章 概率密度函數的估計 3.1 引言 3.2 似然估計 3.2.1 似然估計的基本原理 3.2.2 似然估計的求解 3.2.3 正態分布下的似然估計 3.3 貝葉斯估計與貝葉斯學習 3.3.1 貝葉斯估計 3.3.2 貝葉斯學習 3.3.3 正態分布時的貝葉斯估計 3.3.4 其他分布的情況 3.4 概率密度估計的非參數方法 3.4.1 非參數估計的基本原理與直方圖方法 3.4.2 kN近鄰估計方法 3.4.3 Parzen窗法 3.5 討論
第4章 線性分類器 4.1 引言 4.2 線性判別函數的基本概念 4.3 Fisher線性判別分析 4.4 感知器 4.5 小平方誤差判別 4.6 分類超平面與線性支持向量機 4.6.1 分類超平面 4.6.2 大間隔與推廣能力 4.6.3 線性不可分情況 4.7 多類線性分類器 4.7.1 多個兩類分類器的組合 4.7.2 多類線性判別函數 4.8 小結與討論
第5章 非線性分類器 5.1 引言 5.2 分段線性判別函數 5.2.1 分段線性距離分類器 5.2.2 一般的分段線性判別函數 5.3 二次判別函數 5.4 多層感知器神經網絡 5.4.1與感知器 5.4.2 用多個感知器實現非線性分類 5.4.3 采用反向傳播算法的多層感知器 …… 第6章 其他分類方法 第7章 特征選擇 第8章 特征提取 第9章 非監督模式識別 0章 模式識別繫統的評價 索引 參考文獻 作者介紹
張學工,1989年畢業於清華大學自動化繫,1994年於清華大學獲得模式識別與智能繫統專業博士學位,後留校任教,現為清華大學自動化繫教授,清華信息科學與技術國家實驗室生物信息學研究部主任。長期從事模式識別與生物信息學研究與教學工作,曾獲國家科技進步二等獎、國家教學成果獎二等獎等,2006年獲國家傑出青年基金。主講的“模式識別基礎”課程2008年被評為國家精品課程。 序言
章 概論 1.1 模式與模式識別 1.2 模式識別的主要方法 1.3 監督模式識別與非監督模式識別 1.4 模式識別繫統舉例 1.5 模式識別繫統的典型構成 1.6 本書的主要內容
第2章 統計決策方法 2.1 引言:一個簡單的例子 2.2 小錯誤率貝葉斯決策 2.3 小風險貝葉斯決策 2.4 兩類錯誤率、Neyman-Pearson決策與ROC曲線 2.5 正態分布時的統計決策 2.5.1 正態分布及其性質回顧 2.5.2 正態分布概率模型下的 小錯誤率貝葉斯決策 2.6 錯誤率的計算 2.6.1 正態分布且各類協方差矩陣相等情況下錯誤率的計算 2.6.2 高維獨立變量時錯誤率的估計 2.7 離散概率模型下的統計決策舉例 2.8 小結與討論
第3章 概率密度函數的估計 3.1 引言 3.2 似然估計 3.2.1 似然估計的基本原理 3.2.2 似然估計的求解 3.2.3 正態分布下的似然估計 3.3 貝葉斯估計與貝葉斯學習 3.3.1 貝葉斯估計 3.3.2 貝葉斯學習 3.3.3 正態分布時的貝葉斯估計 3.3.4 其他分布的情況 3.4 概率密度估計的非參數方法 3.4.1 非參數估計的基本原理與直方圖方法 3.4.2 kN近鄰估計方法 3.4.3 Parzen窗法 3.5 討論
第4章 線性分類器 4.1 引言 4.2 線性判別函數的基本概念 4.3 Fisher線性判別分析 4.4 感知器 4.5 小平方誤差判別 4.6 分類超平面與線性支持向量機 4.6.1 分類超平面 4.6.2 大間隔與推廣能力 4.6.3 線性不可分情況 4.7 多類線性分類器 4.7.1 多個兩類分類器的組合 4.7.2 多類線性判別函數 4.8 小結與討論
第5章 非線性分類器 5.1 引言 5.2 分段線性判別函數 5.2.1 分段線性距離分類器 5.2.2 一般的分段線性判別函數 5.3 二次判別函數 5.4 多層感知器神經網絡 5.4.1與感知器 5.4.2 用多個感知器實現非線性分類 5.4.3 采用反向傳播算法的多層感知器 …… 第6章 其他分類方法 第7章 特征選擇 第8章 特征提取 第9章 非監督模式識別 0章 模式識別繫統的評價 索引 參考文獻
" |