模式识别(大本32开名三)

图书标准信息

• 作者 [希腊]西奥多里德斯 著
• 出版社 机械工业出版社
• 出版时间 2009-08
• 版次 4
• ISBN 9787111268963
• 定价 89.00元
• 装帧 平装
• 开本 32开
• 纸张 胶版纸
• 页数 961页
• 正文语种 英语
• 丛书 经典原版书库

【内容简介】

　　《模式识别（英文版）（第4版）》是享誉世界的名著，内容既全面又相对独立，既有基础知识的介绍，又有本领域研究现状的介绍，还有对未来发展的展望，是本领域最全面的参考书，被世界众多高校选用为教材。《模式识别（英文版）（第4版）》可作为高等院校计算机。电子、通信。自动化等专业研究生和高年级本科生的教材，也可作为计算机信息处理、自动控制等相关领域的工程技术人员的参考用书。《模式识别（英文版）（第4版）》主要特点提供了大型数据集和高维数据的聚类算法以及网络挖掘和生物信息学应用的最新资料。涵盖了基于图像分析、光学字符识别，信道均衡，语音识别和音频分类的多种应用。呈现了解决分类和稳健回归问题的内核方法取得的最新成果。介绍了带有Boosting方法的分类器组合技术。提供更多处理过的实例和图例，加深读者对各种方法的了解。增加了关于热点话题的新的章节，包括非线性维数约减、非负矩阵分解、实用性反馈。稳健回归、半监督学习，谱聚类和聚类组合技术。

【作者简介】

西奥多里德斯，希腊雅典大学信息系教授。主要研究方向是自适应信号处理、通信与模式识别。他是欧洲并行结构及语言协会（PARLE-95）的主席和欧洲信号处理协会（EUSIPCO-98）的常务主席、《信号处理》杂志编委。

【目录】

Preface
CHAPTER1Introduction
1.1IsPatternRecognitionImportant?
1.2Features,FeatureVectors,andClassifiers
1.3Supervised,Unsupervised,andSemi-SupervisedLearning
1.4MATLABPrograms
1.5OutlineofTheBook

CHAPTER2ClassifiersBasedonBayesDecisionTheory
2.1Introduction
2.2BayesDecisionTheory
2.3DiscriminantFunctionsandDecisionSurfaces
2.4BayesianClassificationforNormalDistributions
2.5EstimationofUnknownProbabilityDensityFunctions
2.6TheNearestNeighborRule
2.7BayesianNetworks
2.8Problems
References

CHAPTER3LinearClassifiers
3.1Introduction
3.2LinearDiscriminantFunctionsandDecisionHyperplanes
3.3ThePerceptronAlgorithm
3.4LeastSquaresMethods
3.5MeanSquareEstimationRevisited
3.6LogisticDiscrimination
3.7SupportVectorMachines
3.8Problems
References

CHAPTER4NonlinearClassifiers
4.1Introduction
4.2TheXORProblem
4.3TheTwo-LayerPerceptron
4.4Three-LayerPerceptrons
4.5AlgorithmsBasedonExactClassificationoftheTrainingSet
4.6TheBackpropagationAlgorithm
4.7VariationsontheBackpropagationTheme
4.8TheCostFunctionChoice
4.9ChoiceoftheNetworkSize
4.10ASimulationExample
4.11NetworkswithWeightSharing
4.12GeneralizedLinearClassifiers
4.13Capacityofthe/-DimensionalSpaceinLinearDichotomies
4.14PolynomialClassifiers
4.15RadialBasisFunctionNetworks
4.16UniversalApproximators
4.17ProbabilisticNeuralNetworks
4.18SupportVectorMachines:TheNonlinearCase
4.19BeyondtheSVMParadigm
4.20DecisionTrees
4.21CombiningClassifiers
4.22TheBoostingApproachtoCombineClassifiers
4.23TheClassImbalanceProblem
4.24Discussion
4.25Problems
References

CHAPTER5FeatureSelection
5.1Introduction
5.2Preprocessing
5.3ThePeakingPhenomenon
5.4FeatureSelectionBasedonStatisticalHypothesisTesting
5.5TheReceiverOperatingCharacteristics(ROC)Curve
5.6ClassSeparabilityMeasures
5.7FeatureSubsetSelection
5.8OptimalFeatureGeneration
5.9NeuralNetworksandFeatureGeneration/Selection
5.10AHintOnGeneralizationTheory
5.11TheBayesianInformationCriterion
5.12Problems
References

CHAPTER6FEATUREGENERATIONⅠ：LINEARTRANSFORMS
CHAPTER7FEATUREGENERATIONⅡ
CHAPTER8TEMPLATEMATCHING
CHAPTER9CONTEXT-DEPENDENTCLASIFICATION
CHAPTER10SYSTEMEVALUATION
CHAPTER11CLUSTERING：BASICCONCEPTS
CHAPTER12CLUSTERINGALGORITHMSⅠ：SEQUENTIALALGORITHMS
CHAPTER13CLUSTERINGALGORITHMSⅡ：HIERARCHICALALGORITHMS
CHAPTER14CLUSTERINGALGORITHMSⅢ：SCHEMESBASEDONFUNCTIONOPTIMIZATION
CHAPTER15CLUSTERINGALGORITHMSⅣ
CHAPTER16CLUSTERVALIDITY
AppendixAHintsformProbabilityandStatistics
AppendixBLinearAlgebraBasics