模式识别：第四版

图书标准信息

• 作者 [美]西奥多里蒂斯（SergiosTheodoridis） 著
• 出版社 电子工业出版社
• 出版时间 2010-02
• 版次 1
• ISBN 9787121102783
• 定价 75.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 660页
• 正文语种 简体中文
• 原版书名 Pattern Recognition, 4th Edition

【内容简介】

　　《模式识别（第4版）》全面阐述了模式识别的基础理论、全新方法以及各种应用。模式识别是信息科学和人工智能的重要组成部分，主要应用领域有图像分析、光学字符识别、信道均衡、语言识别和音频分类等。《模式识别（第4版）》在完美地结合当前的理论与实践的基础上，讨论了贝叶斯分类、贝叶斯网络、线性和非线性分类器设计、上下文相关分类、特征生成、特征选取技术、学习理论的基本概念以及聚类概念与算法。与前一版相比，增加了大数据集和高维数据相关的全新算法，这些算法适用于Web挖掘和生物信息等应用；提供了全新的分类器和鲁棒回归的核方法；分类器组合技术，包括Boosting方法。新增一些热点问题，如非线性降维、非负矩阵因数分解、关联性反馈、鲁棒回归、半监督学习、谱聚类和聚类组合技术。每章均提供有习题与练习，用MATLAB求解问题，给出一些例题的多种求解方法：且支持网站上提供有习题解答，以便于读者增加实际经验。
　　《模式识别（第4版）》可作为高等院校自动化、计算机、电子和通信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。

【作者简介】

　　SergiosTheodoridis于1973年在雅典大学获得物理学学士学位，又分别于1975和1978年在英国伯明翰大学获得信号处理与通信硕士和博士学位。自1995年，他是希腊雅典大学信息与通信系教授。他有4篇论文获得IEEE的神经网络会刊的卓越论文奖，他是IET和IEEE高级会员。
　　KonstantinosKoutroumbas1989年毕业于希腊佩特雷大学的计算机工程与信息学院，1990年在英国伦敦大学获得计算机科学硕士学位，1995年在希腊雅典大学获得博士学位。自2001年任职于希腊雅典国家天文台空间应用与遥感研究院，是国际知名的专家。

【目录】

第1章导论1
1.1模式识别的重要性1
1.2特征、特征向量和分类器3
1.3有监督、无监督和半监督学习4
1.4MATLAB程序6
1.5本书的内容安排6

第2章基于贝叶斯决策理论的分类器8
2.1引言8
2.2贝叶斯决策理论8
2.3判别函数和决策面12
2.4正态分布的贝叶斯分类13
2.5未知概率密度函数的估计23
2.6最近邻规则42
2.7贝叶斯网络44
习题49
MATLAB编程和练习55
参考文献60

第3章线性分类器63
3.1引言63
3.2线性判别函数和决策超平面63
3.3感知器算法64
3.4最小二乘法70
3.5均方估计的回顾75
3.6逻辑识别80
3.7支持向量机81
习题97
MATLAB编程和练习99
参考文献100

第4章非线性分类器104
4.1引言104
4.2异或问题104
4.3两层感知器105
4.4三层感知器108
4.5基于训练集准确分类的算法109
4.6反向传播算法110
4.7反向传播算法的改进115
4.8代价函数选择117
4.9神经网络大小的选择119
4.10仿真实例123
4.11具有权值共享的网络124
4.12线性分类器的推广125
4.13线性二分法中维空间的容量126
4.14多项式分类器127
4.15径向基函数网络129
4.16通用逼近131
4.17概率神经元网络132
4.18支持向量机：非线性情况134
4.19超越SVM的范例137
4.20决策树146
4.21合并分类器150
4.22合并分类器的增强法155
4.23类的不平衡问题160
4.24讨论161
习题161
MATLAB编程和练习164
参考文献168

第5章特征选择178
5.1引言178
5.2预处理178
5.3峰值现象180
5.4基于统计假设检验的特征选择182
5.5接收机操作特性（ROC）曲线187
5.6类可分性测量188
5.7特征子集的选择193
5.8最优特征生成196
5.9神经网络和特征生成/选择203
5.10推广理论的提示204
5.11贝叶斯信息准则210
习题211
MATLAB编程和练习213
参考文献216

第6章特征生成I：线性变换221
6.1引言221
6.2基本向量和图像221
6.3Karhunen-Loève变换223
6.4奇异值分解229
6.5独立成分分析234
6.6非负矩阵因子分解239
6.7非线性维数降低240
6.8离散傅里叶变换（DFT）248
6.9离散正弦和余弦变换251
6.10Hadamard变换252
6.11Haar变换253
6.12回顾Haar展开式254
6.13离散时间小波变换（DTWT）257
6.14多分辨解释264
6.15小波包265
6.16二维推广简介266
6.17应用268
习题271
MATLAB编程和练习273
参考文献275

第7章特征生成II282
7.1引言282
7.2区域特征282
7.3字符形状和大小的特征298
7.4分形概述304
7.5语音和声音分类的典型特征309
习题320
MATLAB编程和练习322
参考文献325

第8章模板匹配331
8.1引言331
8.2基于最优路径搜索技术的测度331
8.3基于相关的测度342
8.4可变形的模板模型346
8.5基于内容的信息检索：相关反馈349
习题352
MATLAB编程和练习353
参考文献355

第9章上下文相关分类358
9.1引言358
9.2贝叶斯分类器358
9.3马尔可夫链模型358
9.4Viterbi算法359
9.5信道均衡362
9.6隐马尔可夫模型365
9.7状态驻留的HMM373
9.8用神经网络训练马尔可夫模型378
9.9马尔可夫随机场的讨论379
习题381
MATLAB编程和练习382
参考文献384

第10章监督学习：尾声389
10.1引言389
10.2误差计算方法389
10.3探讨有限数据集的大小390
10.4医学图像实例研究393
10.5半监督学习395
习题404
参考文献404

第11章聚类：基本概念408
11.1引言408
11.2近邻测度412
习题427
参考文献428

第12章聚类算法I：顺序算法430
12.1引言430
12.2聚类算法的种类431
12.3顺序聚类算法433
12.4BSAS的改进436
12.5两个阈值的顺序方法437
12.6改进阶段439
12.7神经网络的实现440
习题443
MATLAB编程和练习444
参考文献445

第13章聚类算法II：层次算法448
13.1引言448
13.2合并算法448
13.3cophenetic矩阵465
13.4分裂算法466
13.5用于大数据集的层次算法467
13.6最佳聚类数的选择472
习题474
MATLAB编程和练习475
参考文献477

第14章聚类算法III：基于函数最优方法480
14.1引言480
14.2混合分解方法481
14.3模糊聚类算法487
14.4可能性聚类502
14.5硬聚类算法506
14.6向量量化513
附录514
习题515
MATLAB编程和练习516
参考文献519

第15章聚类算法IV523
15.1引言523
15.2基于图论的聚类算法523
15.3竞争学习算法533
15.4二值形态聚类算法540
15.5边界检测算法546
15.6谷点搜索聚类算法548
15.7通过代价最优聚类（回顾）550
15.8核聚类方法555
15.9对大数据集的基于密度算法558
15.10高维数据集的聚类算法562
15.11其他聚类算法572
15.12聚类组合573
习题578
MATLAB编程和练习580
参考文献582

第16章聚类有效性591
16.1引言591
16.2假设检验回顾591
16.3聚类有效性中的假设检验593
16.4相关准则600
16.5单独聚类有效性612
16.6聚类趋势613
习题620
参考文献622
附录A概率论和统计学的相关知识626
附录B线性代数基础635
附录C代价函数的优化637
附录D线性系统理论的基本定义649
索引652