模式識別

魯繼文，鄭文釗

模式識別 預覽內頁
  • 模式識別-preview-1
  • 模式識別-preview-2
  • 模式識別-preview-3
  • 模式識別-preview-4
模式識別-preview-1

相關主題

商品描述

本書系統介紹模式識別領域的核心理論和技術，內容涵蓋從基礎概念到前沿應用的各個方面。全書分為三個主要部分：第1章至第5章為基礎理論部分，介紹了模式識別中的經典方法，包括線性模型、支持向量機、決策樹、貝葉斯分類等；第6章至第10章為方法應用部分，深入探討神經網絡、集成學習、數據聚類、數據降維等重要技術；第11章和第12章為應用實例部分，重點介紹模式識別在實際問題中的應用，如人臉識別、情感識別等。內容的特點在於，結合了模式識別的傳統方法與近年來深度學習的**發展，特別是在計算機視覺和度量學習方面的突破。 本書適合計算機科學、電子工程、自動化、人工智能等相關專業的本科生、研究生及學者使用。同時，具備一定數學基礎（如微積分、線性代數、概率論）和編程能力（熟悉C/Python語言）的讀者，在閱讀本書時會更加得心應手。對於從事模式識別、機器學習或計算機視覺研究的工程技術人員，本書也具有一定的參考價值。此外，本書內容涵蓋了許多前沿技術，適合希望深入了解模式識別領域及其應用前景的讀者。

作者簡介

魯繼文，清華大學長聘教授，博士生導師，自動化系副主任，國家傑出青年科學基金獲得者，IEEE Fellow，IAPR Fellow，國際期刊Pattern Recognition Letters主編。主要研究方向包括計算機視覺、模式識別、智能機器人，發表PAMI/CVPR/ICCV/ECCV論文160余篇，獲授權國家發明專利50余項，主持國家重點研發計劃項目1項和國家自然科學基金重點項目2項，獲國家級教學成果獎二等獎1項、北京市高等教育教學成果一等獎1項、和中國電子學會自然科學一等獎1項。曾/現任IEEE T-IP、T-CSVT、T-BIOM等10多個國內外期刊編委，ACCV2026、FG2023、ICME2022、VCIP2022等國際會議大會主席/程序主席，中國仿真學會視覺計算與仿真專委會主任，中國自動化學會專家咨詢工作委員會副主任，模式識別與機器智能專委會常務委員，中國計算機學會計算機視覺專委會常務委員，中國人工智能學會模式識別專委會常務委員。

目錄大綱

目錄

第1章課程緒論1

1.1基本概念1

1.1.1相關概念2

1.1.2研究意義4

1.2發展歷史5

1.2.1學科發展歷史5

1.2.2學術大事件7

1.2.3未來發展趨勢9

1.3應用舉例9

1.3.1人臉識別10

1.3.2指紋識別11

1.3.3量化金融13

1.3.4社交網絡14

1.3.5目標檢測15

1.3.6其他應用17

參考文獻19

第2章線性模型21

2.1背景知識21

2.2線性回歸23

2.2.1簡單線性回歸23

2.2.2多元線性回歸24

2.2.3廣義線性回歸25

2.3應用舉例25

2.3.1理論推導25

2.3.2二分類問題26

2.3.3多分類問題29

2.3.4不平衡樣本30

課後習題32

參考文獻32第3章支持向量機34

3.1背景知識34

3.1.1問題引入35

3.1.2間隔與支持向量36

3.2支持向量機37

3.2.1理論推導37

3.2.2對偶問題40

3.3方法擴展44

3.3.1核函數44

3.3.2軟間隔與正則化51

課後習題54

參考文獻55

第4章決策樹57

4.1決策樹模型57

4.1.1問題背景58

4.1.2模型定義59

4.2決策樹模型61

4.2.1劃分選擇61

4.2.2剪枝策略66

4.2.3應用舉例73

課後習題77

參考文獻79

第5章貝葉斯分類80

5.1背景知識80

5.2貝葉斯決策82

5.2.1貝葉斯決策理論82

5.2.2正態分布下的貝葉斯決策87

5.3概率密度函數估計95

5.3.1最大似然估計95

5.3.2貝葉斯估計97

5.3.3非參數估計99

課後習題103

參考文獻104

第6章神經網絡106

6.1神經網絡基礎106

6.1.1問題引入107

6.1.2神經網絡的概念定義108

6.1.3MP神經元模型109

6.2多層感知機112

6.2.1問題引入112

6.2.2多層前饋網絡115

6.2.3反向傳播算法118

6.3深度神經網絡124

6.3.1基本概念124

6.3.2典型方法127

6.3.3應用舉例137

課後習題143

參考文獻145

第7章集成學習146

7.1背景知識146

7.1.1問題引入147

7.1.2個體與集成147

7.2學習策略148

7.2.1Boosting149

7.2.2Bagging151

7.2.3Stacking154

課後習題158

參考文獻159

第8章數據聚類161

8.1背景知識161

8.1.1問題引入162

8.1.2聚類的數學定義162

8.2聚類算法164

8.2.1均值聚類算法164

8.2.2高斯混合模型聚類算法167

8.2.3層次化聚類算法170

8.3應用舉例173

8.3.1非監督圖像分割173

8.3.2基因表達數據分析175

8.3.3客戶分群分析176

課後習題177

參考文獻177

第9章數據降維180

9.1問題引入180

9.1.1問題背景181

9.1.2數據降維作用182

9.2線性降維184

9.2.1主成分分析184

9.2.2線性判別分析188

9.3非線性降維191

9.3.1核方法191

9.3.2流形學習193

課後習題195

參考文獻196

第10章特征選擇198

10.1問題引入198

10.1.1維度災難199

10.1.2特征選擇200

10.2子集搜索201

10.2.1前向搜索202

10.2.2後向搜索202

10.2.3雙向搜索202

10.3子集評價203

10.3.1基於信息熵的判據203

10.3.2基於類內類間距離的判據204

10.3.3基於隨機變量關聯性的判據205

10.3.4概率分布可分性206

10.4常用算法208

10.4.1過濾式特征選擇208

10.4.2包裹式特征選擇209

10.4.3嵌入式特征選擇210

課後習題212

參考文獻212

第11章度量學習214

11.1基本概念214

11.2傳統度量學習219

11.2.1強監督度量學習——大間隔最近鄰度量學習219

11.2.2弱監督度量學習——基於信息論的度量學習222

11.3深度度量學習225

11.3.1方法概述225

11.3.2三元組損失227

11.3.3非均衡采樣228

課後習題230

參考文獻230

第12章應用舉例232

12.1人臉識別系統232

12.1.1人臉識別任務概述232

12.1.2人臉識別發展歷史233

12.1.3人臉識別發展應用235

12.1.4模式識別系統回顧236

12.1.5人臉識別系統組成237

12.2面向人臉識別系統的分類器設計237

12.2.1基於線性模型的人臉識別237

12.2.2基於支持向量機的人臉識別239

12.2.3決策樹241

12.2.4貝葉斯分類器242

12.2.5神經網絡243

12.2.6基於集成學習的人臉識別245

12.3面向人臉識別系統的模式分析248

12.3.1數據聚類249

12.3.2數據降維250

12.3.3特征選擇251

12.3.4度量學習252

參考文獻254

類似商品