第1章 绪论 1__eol__1.1 机器感知与视觉信息 1__eol__1.1.1 机器感知 1__eol__1.1.2 视觉信息感知 2__eol__1.1.3 视觉机理 2__eol__1.2 特征选择与提取 3__eol__1.2.1 特征 3__eol__1.2.2 特征选择 3__eol__1.2.3 特征提取 4__eol__1.3 模式识别系统 4__eol__1.3.1 模式与模式识别 4__eol__1.3.2 模式识别系统 5__eol__1.4 机器感知与模式识别 5__eol__1.5 机器感知与人工智能的关系 6__eol__1.6 章节安排 6__eol__习题 7__eol__参考文献 8__eol__第2章 机器视觉 9__eol__2.1 视觉系统 9__eol__2.1.1 机器视觉的发展 9__eol__2.1.2 机器视觉系统的构成与评价指标 10__eol__2.1.3 机器视觉的应用 12__eol__2.2 硬件系统 14__eol__2.2.1 工业相机 15__eol__2.2.2 镜头 20__eol__2.2.3 光源 24__eol__2.2.4 其他组成部分 29__eol__2.3 视觉软件 30__eol__2.4 实验：车牌识别 31__eol__2.4.1 实验目的 31__eol__2.4.2 实验要求 31__eol__2.4.3 实验原理 31__eol__2.4.4 实验环境 31__eol__2.4.5 实验步骤 31__eol__习题 32__eol__参考文献 33__eol__第3章 特征提取 35__eol__3.1 特征提取简述 35__eol__3.2 特征选择 37__eol__3.2.1 特征方差 38__eol__3.2.2 特征相关系数 38__eol__3.2.3 类间距离 38__eol__3.2.4 降维 38__eol__3.3 降维 39__eol__3.3.1 基于PCA的特征提取 40__eol__3.3.2 PCA的步骤 41__eol__3.4 类脑智能 42__eol__3.4.1 模式识别与人工智能 42__eol__3.4.2 类脑智能的概念 43__eol__3.4.3 类脑智能的技术框架 44__eol__3.5 模式识别系统设计 45__eol__3.6 计算学习理论 46__eol__3.6.1 基本的PAC模型 47__eol__3.6.2 基本概念 47__eol__3.6.3 问题框架 48__eol__3.6.4 小结 49__eol__3.7 实验：基于PCA的特征脸提取 49__eol__3.7.1 实验目的 49__eol__3.7.2 实验要求 49__eol__3.7.3 实验原理 49__eol__3.7.4 实验步骤 50__eol__3.7.5 实验结果 51__eol__习题 53__eol__参考文献 53__eol__第4章 线性分类模型 55__eol__4.1 线性判别函数 55__eol__4.1.1 两类问题 55__eol__4.1.2 多类问题 57__eol__4.2 Fisher线性判别函数 59__eol__4.3 感知器算法 62__eol__4.4 最小平方误差算法 64__eol__4.5 Logistic回归 65__eol__4.6 基于Python实现感知器算法 69__eol__4.6.1 基于sklearn库实现感知器算法 69__eol__4.6.2 实验结果分析 73__eol__4.7 实验：感知器算法实现 74__eol__4.7.1 实验目的 74__eol__4.7.2 实验要求 75__eol__4.7.3 实验原理及具体步骤 75__eol__4.7.4 实验结果 77__eol__习题 79__eol__参考文献 79__eol__第5章 非线性分类 81__eol__5.1 分段线性判别函数 81__eol__5.1.1 最小距离分类器 81__eol__5.1.2 一般的分段线性判别函数 82__eol__5.2 决策树和随机森林 85__eol__5.2.1 树状分类过程 85__eol__5.2.2 构造决策树 86__eol__5.2.3 森林分类过程 89__eol__5.3 支持向量机 90__eol__5.3.1 线性可分情况 90__eol__5.3.2 线性不可分情况 91__eol__5.4 贝叶斯分类网络 93__eol__5.4.1 贝叶斯决策的相关概念 93__eol__5.4.2 最小错误率贝叶斯决策 94__eol__5.4.3 最小风险贝叶斯决策 95__eol__5.4.4 正态分布贝叶斯分类 96__eol__5.5 神经网络 97__eol__5.5.1 神经网络基本单元 97__eol__5.5.2 前馈神经网络 98__eol__5.5.3 Hopfield反馈神经网络 102__eol__5.6 基于Python实现决策树和随机森林算法 103__eol__5.6.1 决策树和随机森林算法的基本特征 103__eol__5.6.2 实验结果分析 106__eol__5.7 实验：决策树和随机森林算法实现 107__eol__5.7.1 实验目的 107__eol__5.7.2 实验要求 107__eol__5.7.3 实验原理及步骤 107__eol__5.7.4 实验结果 111__eol__习题 113__eol__参考文献 113__eol__第6章 时间序列预测 115__eol__6.1 时间序列预测概述 115__eol__6.1.1 时间序列 115__eol__6.1.2 编制时间序列的原则 117__eol__6.1.3 时间序列预测方法 118__eol__6.1.4 时间序列预测流程 120__eol__6.1.5 时间序列预测模型评估 121__eol__6.2 指数平滑法 122__eol__6.2.1 一次指数平滑 123__eol__6.2.2 二次指数平滑 123__eol__6.2.3 三次指数平滑 124__eol__6.2.4 平滑系数的选择 124__eol__6.3 自回归滑动平均模型 124__eol__6.3.1 自回归模型 125__eol__6.3.2 移动平均模型 125__eol__6.3.3 自回归滑动平均模型表示 125__eol__6.3.4 自回归滑动平均模型建模 126__eol__6.4 自回归积分滑动平均模型 128__eol__6.4.1 自回归积分滑动平均模型表示 128__eol__6.4.2 自回归积分滑动平均模型建模 128__eol__6.4.3 案例分析 129__eol__6.5 长短期记忆网络模型 133__eol__6.5.1 循环神经网络 134__eol__6.5.2 长短期记忆网络 134__eol__6.6 实验：基于LSTM的股票最高价预测 135__eol__6.6.1 实验目的 135__eol__6.6.2 实验要求 135__eol__6.6.3 实验原理 136__eol__6.6.4 实验步骤 137__eol__6.6.5 实验结果 141__eol__习题 143__eol__参考文献 143__eol__第7章 混合模型 145__eol__7.1 高斯模型与高斯混合模型 145__eol__7.1.1 高斯模型 145__eol__7.1.2 高斯混合模型 146__eol__7.2 贝叶斯混合模型 147__eol__7.3 集成学习 148__eol__7.3.1 Boosting 149__eol__7.3.2 AdaBoost 149__eol__7.4 实验：基于AdaBoost集成学习的乳腺癌分类 153__eol__7.4.1 实验目的 153__eol__7.4.2 实验要求 154__eol__7.4.3 实验原理 154__eol__7.4.4 实验内容 156__eol__7.4.5 实验结果 162__eol__习题 163__eol__参考文献 163__eol__第8章 图像识别 164__eol__8.1 数字图像处理系统 164__eol__8.1.1 图像感知与获取 164__eol__8.1.2 图像处理硬件 165__eol__8.1.3 图像处理软件 166__eol__8.1.4 图像的显示和存储 166__eol__8.2 图像特征描述 167__eol__8.2.1 几何特征 167__eol__8.2.2 形状特征 170__eol__8.2.3 颜色特征 172__eol__8.2.4 纹理特征 173__eol__8.3 图像特征提取 175__eol__8.3.1 基于Hu不变矩的形状特征提取 175__eol__8.3.2 基于联合概率矩阵法的纹理特征提取 177__eol__8.3.3 分块颜色直方图特征提取 178__eol__8.3.4 基于小波变换的图像特征提取 179__eol__8.4 目标识