定 價:52 元
叢書名:普通高等教育人工智能與大數(shù)據(jù)系列教材
- 作者:吳陳等編著
- 出版時間:2020/3/1
- ISBN:9787111642411
- 出 版 社:機(jī)械工業(yè)出版社
- 中圖法分類:O235
- 頁碼:322
- 紙張:膠版紙
- 版次:1
- 開本:16K
本書主要介紹了模式識別的相關(guān)內(nèi)容,涉及模式識別的基本概念、聚類分析、線性判別函數(shù)、貝葉斯分類器、特征選擇和提取、非參數(shù)模式識別方法、神經(jīng)網(wǎng)絡(luò)模式識別方法、模糊模式識別方法、句法模式識別方法,以及新型模式識別方法,如決策樹方法、支持向量機(jī)方法、粗糙集方法等一些基本方法,并介紹了基于遺傳算法、模擬退火算法和禁忌搜索算法進(jìn)行特征選擇的基本思想。書中算法采用MATLAB語言描述,便于讀者編程實驗。
人類自進(jìn)入科技高速發(fā)展的信息社會以來,處理信息的方式和方法越來越智能化。計算機(jī)科學(xué)與技術(shù)作為智能信息技術(shù)的核心基礎(chǔ)正在使人類的學(xué)習(xí)、生活和工作越來越方便,如各種門禁系統(tǒng)、驗證真?zhèn)窝b置以及磁卡都在為人類提供安全保障服務(wù)。智能信息處理已滲透到人類社會活動的各個領(lǐng)域。要實現(xiàn)智能信息系統(tǒng)的軟件,僅靠使用高級程序設(shè)計語言的知識是遠(yuǎn)遠(yuǎn)不夠的。要學(xué)會分析和研究所需處理的信息對象的特性,選擇合適的模式識別方法即分類聚類技術(shù)和相應(yīng)的數(shù)據(jù)或信息的表示和存儲,設(shè)計相應(yīng)的模式識別算法,進(jìn)而編制實現(xiàn)才能較好地完成智能信息系統(tǒng)的軟件開發(fā)任務(wù)。模式識別技術(shù)是從事計算機(jī)科學(xué)與技術(shù)進(jìn)行智能信息工作的相關(guān)人員不可缺少的知識。模式識別正是通過建立智能信息處理的基本概念,從而培養(yǎng)學(xué)生將現(xiàn)實世界中的智能信息處理問題轉(zhuǎn)化為模式識別模型的能力,進(jìn)而提高分析問題和解決問題的技能,以達(dá)到利用計算機(jī)進(jìn)行智能信息處理目的的一門重要課程。
目前,模式識別是高校計算機(jī)類專業(yè)(包括計算機(jī)科學(xué)與技術(shù)、軟件工程、網(wǎng)絡(luò)工程、信息安全、智能控制等)的專業(yè)課程,也是其他信息類專業(yè)(包括信息管理與信息系統(tǒng)、通信工程、信息工程、信息與計算科學(xué)等)的選修課程。學(xué)好模式識別,可以使讀者掌握更多的程序設(shè)計以及設(shè)計和實現(xiàn)模式識別系統(tǒng)的技巧,為以后學(xué)習(xí)其他專業(yè)課程,以及為今后走上工作崗位從事計算機(jī)大型智能信息系統(tǒng)的軟件開發(fā)打下良好的基礎(chǔ)。
本書共11章。第1章介紹模式識別的基本概念、基本原理和基本方法。第2章介紹聚類分析的基本知識以及聚類的各種算法。第3章介紹線性分類器以及其他的代數(shù)域幾何分類法,同時給出了分段線性和非線性分類器設(shè)計的方法,還介紹了費歇爾方法、勢函數(shù)法。第4章介紹貝葉斯決策分類器的設(shè)計方法,包括基本的方法,基于正態(tài)分布的分類器設(shè)計法,參數(shù)估計的最大似然估計法、貝葉斯估計法、貝葉斯學(xué)習(xí)法,非參數(shù)估計的Parzen窗法和kN近鄰法,后驗概率的勢函數(shù)估計方法等。第5章介紹特征選擇和特征提取,包括類別可分性測度、單類模式特征提取、多類模式特征提取、特征選擇準(zhǔn)則、特征選擇方法、幾種全局特征選擇的搜索方法如遺傳算法、模擬退火算法、禁忌搜索算法。第6章介紹句法模式識別法,包括基本概念、文法分類、模式的描述方法、文法推斷、句法分析及模式識別、句法結(jié)構(gòu)的自動機(jī)識別,并對各型自動機(jī)和文法間的關(guān)系進(jìn)行了較為詳細(xì)的討論。第7章介紹模糊模式識別法,包括模糊集合的定義、與模糊集合相關(guān)的概念、模糊集合的運算、模糊關(guān)系與模糊矩陣、模糊模式分類的直接方法和間接方法、模糊聚類分析法如模糊等價關(guān)系和模糊相似關(guān)系的聚類分析法、模糊K均值算法、模糊ISODATA算法。第8章介紹神經(jīng)網(wǎng)絡(luò)模式識別法,包括神經(jīng)網(wǎng)絡(luò)的基本概念、前向神經(jīng)網(wǎng)絡(luò)感知器網(wǎng)絡(luò)和BP網(wǎng)絡(luò)、競爭學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)如基本的競爭學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)、漢明競爭神經(jīng)網(wǎng)絡(luò)、自組織特征映射神經(jīng)網(wǎng)絡(luò)。第9章介紹決策樹,包括決策樹的基本概念、屬性選擇的幾個度量、決策樹的建立算法如ID3算法、C45算法等。第10章介紹支持向量機(jī)模式識別法,包括支持向量機(jī)的理論基礎(chǔ)、線性判別函數(shù)和判別面、線性不可分下的判別面、非線性可分下的判別函數(shù)。第11章介紹粗糙集方法,包括粗糙集中的基本概念、信息系統(tǒng)和決策表及其約簡、基于粗糙集的分類器設(shè)計。
書中算法采用MATLAB語言加以描述,強(qiáng)調(diào)算法思想的良好簡潔描述,體現(xiàn)良好的代碼設(shè)計風(fēng)格。算法后配有例題。每章后配有習(xí)題。
本書內(nèi)容的理論性和實踐性都很強(qiáng),讀者在進(jìn)行理論學(xué)習(xí)的同時,需要多動手編寫程序上機(jī)調(diào)試,以加深對所學(xué)知識的理解,將一些基本算法和程序作為“積木塊”供今后使用,以提高編程效率和能力。本書可作為高校計算機(jī)類或信息類相關(guān)專業(yè)模式識別課程教材,建議理論課時為48~64學(xué)時,上機(jī)實踐課時為20~30學(xué)時,課程設(shè)計時間2~3周,可根據(jù)本專業(yè)特點和具體情況適當(dāng)增刪內(nèi)容加以使用。書中標(biāo)有星號“*”的部分內(nèi)容,初學(xué)者可在首次閱讀時跳過,留作以后要了解的內(nèi)容。本書假定讀者已掌握了MATLAB。
本書在內(nèi)容組織安排上遵循認(rèn)知規(guī)律,合理安排知識點,突出核心概念,提煉基礎(chǔ)內(nèi)容,細(xì)化難點,把握重點,側(cè)重應(yīng)用實踐,減少形式化描述,注重算法設(shè)計與程序?qū)崿F(xiàn)(書中代碼在MATLAB語言中調(diào)試運行通過),容易學(xué)習(xí)理解和使用,從實用性和培養(yǎng)工程應(yīng)用能力的角度培養(yǎng)讀者運用模式識別的能力以及編程能力。
本書是作者在多年講授模式識別課程的基礎(chǔ)上,針對模式識別教學(xué)的特點編寫的。參加本書編寫工作的有:吳陳(第1、7~11章)、王麗娟(第2章)、陳蓉(第3章)、許有權(quán)(第4章)、吳文俊(第5章)、夏瓊?cè)A(第6章)。參加習(xí)題編寫的有夏冰瑩、姜雯、許霞等。
本書由段先華教授審閱,在此表示衷心感謝。
由于作者知識和寫作水平有限,書中難免存在缺點或錯誤之處,希望讀者批評指正。
吳陳
目錄
前言
第1章緒論
1.1模式識別的基本概念
1.2模式識別的內(nèi)容、特點和方法
1.3模式識別的應(yīng)用和發(fā)展
習(xí)題1
第2章聚類分析
2.1引言
2.2相似性度量和聚類準(zhǔn)則
2.3基于距離閾值的聚類算法
2.4層次聚類法
2.5動態(tài)聚類法
2.6聚類結(jié)果的評價
習(xí)題2
第3章判別函數(shù)法
3.1概述
3.2線性判別函數(shù)
3.3線性判別函數(shù)的幾何性質(zhì)
3.4感知器算法
3.5梯度法
3.6最小平方誤差算法
3.7費歇爾線性判別法
3.8非線性判別函數(shù)
3.9勢函數(shù)法
3.10分類器應(yīng)用實例及代碼
習(xí)題3
第4章基于統(tǒng)計決策的概率分類
4.1貝葉斯決策
4.2貝葉斯決策方法的應(yīng)用
4.3貝葉斯分類器的錯誤率
4.4聶曼皮爾遜決策
4.5類條件概率密度函數(shù)的參數(shù)估計
4.6概率密度的非參數(shù)估計
4.7后驗概率密度函數(shù)的勢函數(shù)估計法
習(xí)題4
第5章特征選擇與特征提取
5.1基本概念
5.2類別可分性測度
5.3基于類內(nèi)散布矩陣的單類模式特征提取
5.4基于KL變換的多類模式特征提取
5.5特征選擇
5.6特征選擇的幾種全局搜索方法
習(xí)題5
第6章句法模式識別
6.1概述
6.2形式語言概述
6.3模式的描述方法
6.4文法推斷
6.5句法分析及模式識別
6.6句法結(jié)構(gòu)的自動機(jī)識別
習(xí)題6
第7章模糊模式識別
7.1模糊集合
7.2模糊集合的運算
7.3模糊關(guān)系與模糊矩陣
7.4模糊模式分類的直接方法和間接方法
7.5模糊聚類分析法
習(xí)題7
第8章神經(jīng)網(wǎng)絡(luò)模式識別法
8.1人工神經(jīng)網(wǎng)絡(luò)概述
8.2神經(jīng)網(wǎng)絡(luò)的基本概念
8.3前向神經(jīng)網(wǎng)絡(luò)
8.4競爭學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)
8.5反饋型神經(jīng)網(wǎng)絡(luò)
習(xí)題8
第9章決策樹
9.1什么是決策樹
9.2屬性選擇的幾個度量
9.3決策樹的建立算法
習(xí)題9
第10章支持向量機(jī)
10.1支持向量機(jī)的理論基礎(chǔ)
10.2線性判別函數(shù)和判別面
10.3線性不可分下的判別面
10.4非線性可分下的判別函數(shù)
習(xí)題10
第11章粗糙集方法
11.1基本概念
11.2信息系統(tǒng)和決策表及其約簡
11.3基于粗糙集的分類器設(shè)計
習(xí)題11
參考文獻(xiàn)