模式识别 / 战略性新兴领域“十四五”高等教育系列教材
￥49.00定价
作者： 龚道雄，毕盛
出版时间：2025-02-25
出版社：机械工业出版社
- 机械工业出版社
- 9787111771234
- 1-1
- 547209
- 平装
- 2025-02-25
- 315
内容简介
本书面向人工智能相关专业（智能科学与技术、控制科学与工程、计算机科学与技术）的本科生，以“从人工智能角度理解模式识别”和“用模式识别原理解决工程问题”为目标，将内容分为基础知识、模式分类和模式聚类三大部分，突出简明和实用的特点。书中穿插大量案例，可以帮助学生在掌握基本概念的基础上理解基本原理，熟悉典型方法，做到“知其然，知其所以然”。本书注重引导学生充分利用样本数据库和算法库等各种网络资源，通过课程学习、案例计算和算法实现，分析来自生产和生活实际中的模式识别问题，采用合适的模式识别算法和技术，通过Python和MATLAB 编程构建自己的模式识别系统来解决这些问题，并能够评估模式识别系统的性能和不足，理解不同模式识别算法的针对性和局限性，从而提高学生理论和实践相结合、综合运用所学知识解决具体模式识别问题的能力，培养学生深入学习更新、更先进的模式识别知识的兴趣。
本书可作为普通高等院校自动化、人工智能、计算机相关专业的教材，也可作为从事人工智能和自动化系统开发应用人员的参考书。
本书可作为普通高等院校自动化、人工智能、计算机相关专业的教材，也可作为从事人工智能和自动化系统开发应用人员的参考书。
目录
目录
前言
第1部分基 础 知 识
第1章模式识别系统的构成和基本概念
1.1模式和模式识别
1.1.1模式识别范畴
1.1.2模式识别问题的数学表达
1.2模式识别系统的基本构成
1.3模式识别的基本概念
1.3.1模式识别的分类和聚类
1.3.2样本、特征和特征空间
1.3.3特征选择与降维
1.3.4距离与相似性度量
1.4模式识别系统的性能指标
1.4.1评估和优化模型性能的关键指标
1.4.2泛化、欠拟合与过拟合
1.4.3评估方法
本章小结
习题
参考文献
第2部分模 式 分 类
第2章基于判别函数的模式分类
2.1线性分类器
2.1.1线性判别函数与决策面
2.1.2最小二乘误差分类（LMSE)
2.1.3Fisher线性判别分析（FLDA）
2.1.4支持向量机（SVM）
2.2非线性分类器
2.2.1多项式分类器
2.2.2分段线性函数分类器
2.2.3k近邻算法
2.2.4决策树算法
2.3组合分类器
2.3.1Bagging算法
2.3.2Boosting算法（含AdaBoost算法）
2.3.3随机森林
本章小结
习题
参考文献
第3章基于统计理论的模式分类
3.1贝叶斯决策和贝叶斯分类器
3.1.1最小风险决策
3.1.2最小错误率决策
3.1.3朴素贝叶斯分类器
3.1.4正态分布下的贝叶斯分类器
3.2Neyman-Pearson决策
3.2.1Neyman-Pearson决策的算法原理
3.2.2Neyman-Pearson决策的模式分类应用举例
3.3最大似然估计
3.3.1最大似然估计的算法原理
3.3.2最大似然估计的模式分类应用举例
3.4期望最大化（EM）方法
3.4.1期望最大化方法
3.4.2期望最大化方法的模式分类应用举例
本章小结
习题
参考文献
第4章基于神经网络的模式分类
4.1基于多层前馈神经网络的模式分类
4.1.1神经元模型
4.1.2多层前馈神经网络
4.1.3BP算法
4.1.4多层前馈神经网络的模式分类应用举例
4.2基于卷积神经网络的模式分类
4.2.1卷积神经网络的结构
4.2.2卷积神经网络的训练和模式分类应用举例
4.3基于循环神经网络的模式分类
4.3.1循环神经网络的结构
4.3.2循环神经网络的训练和模式分类应用举例
4.4基于Transformer的模式分类
4.4.1Transformer的结构
4.4.2Transformer的训练和模式分类应用举例
4.5基于YOLOvX的视觉模式识别
4.5.1YOLOvX网络的基本原理
4.5.2YOLOv8网络的训练和目标检测应用举例
本章小结
习题
参考文献
第3部分模 式 聚 类
第5章动态聚类
5.1动态聚类的算法特点和适用场合
5.2典型的动态聚类算法
5.2.1k均值算法
5.2.2ISODATA聚类算法
5.3动态聚类应用举例
本章小结
习题
参考文献
第6章层次聚类
6.1层次聚类的算法特点和适用场合
6.2典型的层次聚类算法
6.2.1自下而上的聚集聚类算法（Agglomerative）
6.2.2自上而下的分裂聚类算法（Divisive）
6.3层次聚类算法应用举例
本章小结
习题
参考文献
第7章高斯混合模型聚类
7.1GMM的算法特点和适用场合
7.2GMM算法
7.2.1高斯分布
7.2.2GMM的算法原理
7.2.3GMM的参数学习
7.2.4应用EM算法训练GMM模型
7.2.5GMM组件个数的确定
7.3GMM聚类的应用举例
7.4GMM聚类的函数指令和编程实现
7.4.1MATLAB常用的GMM聚类函数
7.4.2Python常用的GMM聚类指令
7.4.3GMM聚类的Python程序代码举例
本章小结
习题
参考文献
第8章密度聚类
8.1基于密度的聚类
8.2DBSCAN算法
8.2.1算法基本思想
8.2.2确定参数Eps和MinPts
8.2.3性能评估
8.3OPTICS聚类
8.3.1基于密度的聚类排序
8.3.2识别聚类结构
本章小结
习题
参考文献
前言
第1部分基 础 知 识
第1章模式识别系统的构成和基本概念
1.1模式和模式识别
1.1.1模式识别范畴
1.1.2模式识别问题的数学表达
1.2模式识别系统的基本构成
1.3模式识别的基本概念
1.3.1模式识别的分类和聚类
1.3.2样本、特征和特征空间
1.3.3特征选择与降维
1.3.4距离与相似性度量
1.4模式识别系统的性能指标
1.4.1评估和优化模型性能的关键指标
1.4.2泛化、欠拟合与过拟合
1.4.3评估方法
本章小结
习题
参考文献
第2部分模 式 分 类
第2章基于判别函数的模式分类
2.1线性分类器
2.1.1线性判别函数与决策面
2.1.2最小二乘误差分类（LMSE)
2.1.3Fisher线性判别分析（FLDA）
2.1.4支持向量机（SVM）
2.2非线性分类器
2.2.1多项式分类器
2.2.2分段线性函数分类器
2.2.3k近邻算法
2.2.4决策树算法
2.3组合分类器
2.3.1Bagging算法
2.3.2Boosting算法（含AdaBoost算法）
2.3.3随机森林
本章小结
习题
参考文献
第3章基于统计理论的模式分类
3.1贝叶斯决策和贝叶斯分类器
3.1.1最小风险决策
3.1.2最小错误率决策
3.1.3朴素贝叶斯分类器
3.1.4正态分布下的贝叶斯分类器
3.2Neyman-Pearson决策
3.2.1Neyman-Pearson决策的算法原理
3.2.2Neyman-Pearson决策的模式分类应用举例
3.3最大似然估计
3.3.1最大似然估计的算法原理
3.3.2最大似然估计的模式分类应用举例
3.4期望最大化（EM）方法
3.4.1期望最大化方法
3.4.2期望最大化方法的模式分类应用举例
本章小结
习题
参考文献
第4章基于神经网络的模式分类
4.1基于多层前馈神经网络的模式分类
4.1.1神经元模型
4.1.2多层前馈神经网络
4.1.3BP算法
4.1.4多层前馈神经网络的模式分类应用举例
4.2基于卷积神经网络的模式分类
4.2.1卷积神经网络的结构
4.2.2卷积神经网络的训练和模式分类应用举例
4.3基于循环神经网络的模式分类
4.3.1循环神经网络的结构
4.3.2循环神经网络的训练和模式分类应用举例
4.4基于Transformer的模式分类
4.4.1Transformer的结构
4.4.2Transformer的训练和模式分类应用举例
4.5基于YOLOvX的视觉模式识别
4.5.1YOLOvX网络的基本原理
4.5.2YOLOv8网络的训练和目标检测应用举例
本章小结
习题
参考文献
第3部分模 式 聚 类
第5章动态聚类
5.1动态聚类的算法特点和适用场合
5.2典型的动态聚类算法
5.2.1k均值算法
5.2.2ISODATA聚类算法
5.3动态聚类应用举例
本章小结
习题
参考文献
第6章层次聚类
6.1层次聚类的算法特点和适用场合
6.2典型的层次聚类算法
6.2.1自下而上的聚集聚类算法（Agglomerative）
6.2.2自上而下的分裂聚类算法（Divisive）
6.3层次聚类算法应用举例
本章小结
习题
参考文献
第7章高斯混合模型聚类
7.1GMM的算法特点和适用场合
7.2GMM算法
7.2.1高斯分布
7.2.2GMM的算法原理
7.2.3GMM的参数学习
7.2.4应用EM算法训练GMM模型
7.2.5GMM组件个数的确定
7.3GMM聚类的应用举例
7.4GMM聚类的函数指令和编程实现
7.4.1MATLAB常用的GMM聚类函数
7.4.2Python常用的GMM聚类指令
7.4.3GMM聚类的Python程序代码举例
本章小结
习题
参考文献
第8章密度聚类
8.1基于密度的聚类
8.2DBSCAN算法
8.2.1算法基本思想
8.2.2确定参数Eps和MinPts
8.2.3性能评估
8.3OPTICS聚类
8.3.1基于密度的聚类排序
8.3.2识别聚类结构
本章小结
习题
参考文献
