模式识别刘明堂电子工业出版社9787121384288

图书标准信息

• 作者 刘明堂 著
• 出版社 电子工业出版社
• 出版时间 2021-03
• 版次 1
• ISBN 9787121384288
• 定价 88.00元
• 装帧 平装
• 开本 16开
• 页数 336页
• 字数 474千字

【内容简介】

本书围绕模式识别的基本概念、基础理论和典型方法，从实际应用问题出发，系统描述了模式识别的常用方法和常见技巧，并给出了一系列实验及应用案例。本书首先介绍了机器视觉的概念及特征提取的概念和方法；其次介绍了线性分类模型、非线性分类模型、时间序列预测模型和混合模型等理论知识与实践操作；最后重点介绍了图像识别、视频目标检测与跟踪、语音识别、生物特征识别和医学图像检索等典型应用。

【作者简介】

刘鹏：博士毕业于清华大学，教授，现任南京大数据研究院院长、中国大数据应用联盟人工智能专家委员会主任、中国大数据专家委员会委员。曾率队夺得2002 PennySort国际计算机排序比赛冠军（这是我国获得的第一个大数据比赛世界冠军），两次夺得全国高校科技比赛*高奖，三次夺得清华大学科技比赛*高奖。主持完成科研项目25项，发表论文80余篇，出版专业图书20部。获部级科技进步二等奖4项、三等奖4项。2002年开创性地提出了“计算池”模式，被2007年开始流行的“云计算”所证实。2003年开创性地提出了“反垃圾邮件网格”，被2008年开始流行的“云安全”所证实。荣获“全军十大学习成才标兵”、南京市“十大杰出青年”、江苏省中青年科学技术带头人、清华大学“学术新秀”等称号。刘河，现就职于重庆市教育科学研究院，中国计算机学会会员，重庆市教育信息化专家委员会成员；主要研究领域为大数据、人工智能等；独立开发了10余个软件系统，主持主研了多项省部级重点课题，编著了多部教材，获得了多个计算机软件著作权登记证书。

【目录】

第1章  绪论1
1．1  机器感知与视觉信息1
1．1．1  机器感知1
1．1．2  视觉信息感知2
1．1．3  视觉机理2
1．2  特征选择与提取3
1．2．1  特征3
1．2．2  特征选择3
1．2．3  特征提取4
1．3  模式识别系统4
1．3．1  模式与模式识别4
1．3．2  模式识别系统5
1．4  机器感知与模式识别5
1．5  机器感知与人工智能的关系6
1．6  章节安排6
习题7
参考文献8
第2章  机器视觉9
2．1  视觉系统9
2．1．1  机器视觉的发展9
2．1．2  机器视觉系统的构成与评价指标10
2．1．3  机器视觉的应用12
2．2  硬件系统14
2．2．1  工业相机15
2．2．2  镜头20
2．2．3  光源24
2．2．4  其他组成部分29
2．3  视觉软件30
2．4  实验：车牌识别31
2．4．1  实验目的31
2．4．2  实验要求31
2．4．3  实验原理31
2．4．4  实验环境31
2．4．5  实验步骤31
习题32
参考文献33
第3章  特征提取35
3．1  特征提取简述35
3．2  特征选择37
3．2．1  特征方差38
3．2．2  特征相关系数38
3．2．3  类间距离38
3．2．4  降维38
3．3  降维39
3．3．1  基于PCA的特征提取40
3．3．2  PCA的步骤41
3．4  类脑智能42
3．4．1  模式识别与人工智能42
3．4．2  类脑智能的概念43
3．4．3  类脑智能的技术框架44
3．5  模式识别系统设计45
3．6  计算学习理论46
3．6．1  基本的PAC模型47
3．6．2  基本概念47
3．6．3  问题框架48
3．6．4  小结49
3．7  实验：基于PCA的特征脸提取49
3．7．1  实验目的49
3．7．2  实验要求49
3．7．3  实验原理49
3．7．4  实验步骤50
3．7．5  实验结果51
习题53
参考文献53
第4章  线性分类模型55
4．1  线性判别函数55
4．1．1  两类问题55
4．1．2  多类问题57
4．2  Fisher线性判别函数59
4．3  感知器算法62
4．4  最小平方误差算法64
4．5  Logistic回归65
4．6  基于Python实现感知器算法69
4．6．1  基于sklearn库实现感知器算法69
4．6．2  实验结果分析73
4．7  实验：感知器算法实现74
4．7．1  实验目的74
4．7．2  实验要求75
4．7．3  实验原理及具体步骤75
4．7．4  实验结果77
习题79
参考文献79
第5章  非线性分类81
5．1  分段线性判别函数81
5．1．1  最小距离分类器81
5．1．2  一般的分段线性判别函数82
5．2  决策树和随机森林85
5．2．1  树状分类过程85
5．2．2  构造决策树86
5．2．3  森林分类过程89
5．3  支持向量机90
5．3．1  线性可分情况90
5．3．2  线性不可分情况91
5．4  贝叶斯分类网络93
5．4．1  贝叶斯决策的相关概念93
5．4．2  最小错误率贝叶斯决策94
5．4．3  最小风险贝叶斯决策95
5．4．4  正态分布贝叶斯分类96
5．5  神经网络97
5．5．1  神经网络基本单元97
5．5．2  前馈神经网络98
5．5．3  Hopfield反馈神经网络102
5．6  基于Python实现决策树和随机森林算法103
5．6．1  决策树和随机森林算法的基本特征103
5．6．2  实验结果分析106
5．7  实验：决策树和随机森林算法实现107
5．7．1  实验目的107
5．7．2  实验要求107
5．7．3  实验原理及步骤107
5．7．4  实验结果111
习题113
参考文献113
第6章  时间序列预测115
6．1  时间序列预测概述115
6．1．1  时间序列115
6．1．2  编制时间序列的原则117
6．1．3  时间序列预测方法118
6．1．4  时间序列预测流程120
6．1．5  时间序列预测模型评估121
6．2  指数平滑法122
6．2．1  一次指数平滑123
6．2．2  二次指数平滑123
6．2．3  三次指数平滑124
6．2．4  平滑系数的选择124
6．3  自回归滑动平均模型124
6．3．1  自回归模型125
6．3．2  移动平均模型125
6．3．3  自回归滑动平均模型表示125
6．3．4  自回归滑动平均模型建模126
6．4  自回归积分滑动平均模型128
6．4．1  自回归积分滑动平均模型表示128
6．4．2  自回归积分滑动平均模型建模128
6．4．3  案例分析129
6．5  长短期记忆网络模型133
6．5．1  循环神经网络134
6．5．2  长短期记忆网络134
6．6  实验：基于LSTM的股票最高价预测135
6．6．1  实验目的135
6．6．2  实验要求135
6．6．3  实验原理136
6．6．4  实验步骤137
6．6．5  实验结果141
习题143
参考文献143
第7章  混合模型145
7．1  高斯模型与高斯混合模型145
7．1．1  高斯模型145
7．1．2  高斯混合模型146
7．2  贝叶斯混合模型147
7．3  集成学习148
7．3．1  Boosting149
7．3．2  AdaBoost149
7．4  实验：基于AdaBoost集成学习的乳腺癌分类153
7．4．1  实验目的153
7．4．2  实验要求154
7．4．3  实验原理154
7．4．4  实验内容156
7．4．5 实验结果162
习题163
参考文献163
第8章  图像识别164
8．1  数字图像处理系统164
8．1．1  图像感知与获取164
8．1．2  图像处理硬件165
8．1．3  图像处理软件166
8．1．4  图像的显示和存储166
8．2  图像特征描述167
8．2．1  几何特征167
8．2．2  形状特征170
8．2．3  颜色特征172
8．2．4  纹理特征173
8．3  图像特征提取175
8．3．1  基于Hu不变矩的形状特征提取175
8．3．2  基于联合概率矩阵法的纹理特征提取177
8．3．3  分块颜色直方图特征提取178
8．3．4  基于小波变换的图像特征提取179
8．4  目标识别180
8．4．1  结构判别方法181
8．4．2  决策理论方法183
8．5  基于区域生长法的图像识别186
8．5．1  区域生长法的基本原理186
8．5．2  基于区域生长法的裂缝识别系统188
8．5．3  实验结果分析189
8．6  实验：水泥面裂缝检测191
8．6．1  实验目的191
8．6．2  实验要求191
8．6．3  实验原理191
8．6．4  实验步骤192
8．6．5  实验结果192
习题193
参考文献194
第9章  视频目标检测与跟踪196
9．1  视频目标检测196
9．1．1  帧间差分法196
9．1．2  光流法197
9．1．3  背景减除法198
9．1．4  目标检测在复杂场景中应用的困难202
9．2  运动目标跟踪202
9．2．1  MeanShift跟踪算法202
9．2．2  卡尔曼滤波跟踪算法205
9．2．3  多目标跟踪算法208
9．3  运动目标检测的性能评价211
9．3．1  主观评价212
9．3．2  客观评价212
9．4  图像视频数据集214
9．4．1  MOT16数据集214
9．4．2  PETS2016数据集215
9．4．3  ChangeDetection．net数据集216
9．4．4  OTCBVS红外图像数据集216
9．4．5  KITTI自动驾驶数据集217
9．4．6  Cityscapes Dataset数据集217
9．5  实验：多目标跟踪实验218
9．5．1  实验目的218
9．5．2  实验要求218
9．5．3  实验原理218
9．5．4  实验步骤及实验结果219
习题222
参考文献222
第10章  语音识别224
10．1  语音识别概述224
10．1．1  语音识别的研究背景224
10．1．2  语音识别的现状与问题225
10．1．3  语音识别系统的基本结构226
10．2  声学模型227
10．2．1  混合高斯模型227
10．2．2  隐马尔可夫模型228
10．3  语言模型229
10．3．1  语言模型的基础理论229
10．3．2  基于知识的语言模型229
10．3．3  基于统计方法的语言模型230
10．3．4  基于知识的语言模型和基于统计方法的语言模型比较231
10．4  解码器232
10．5  深度学习模型234
10．5．1  深度神经网络234
10．5．2  DNN前向传播算法235
10．5．3  DNN反向传播算法236
10．5．4  DNN中的激活函数236
10．6  基于MFCC的语音识别237
10．6．1  MFCC特征提取237
10．6．2  MFCC的基本原理237
10．7  基于DNN-MFCC混合系统的语音识别242
10．7．1  DNN和MFCC结合的原理242
10．7．2  DNN-MFCC混合系统244
10．8  实验：基于MFCC特征和THCHS-30数据集的语音识别246
10．8．1  实验目的246
10．8．2  实验要求246
10．8．3  实验原理247
10．8．4  实验步骤248
10．8．5  实验结果248
习题249
参考文献250
第11章  生物特征识别252
11．1  生物特征识别概述252
11．1．1  生物特征252
11．1．2  生物特征识别系统253
11．1．3  应用概况和发展趋势255
11．2  指纹识别256
11．2．1  指纹特征257
11．2．2  指纹采集设备258
11．2．3  指纹图像预处理259
11．2．4  指纹特征提取264
11．2．5  指纹特征匹配266
11．3  人脸识别267
11．3．1  人脸识别概述267
11．3．2  人脸检测269
11．3．3  人脸特征提取271
11．3．4  人脸特征匹配273
11．4  虹膜识别274
11．4．1  虹膜识别概述274
11．4．2  虹膜定位275
11．4．3  虹膜图像归一化277
11．4．4  虹膜特征提取278
11．4．5  虹膜特征匹配279
11．5  步态识别280
11．5．1  步态识别概述280
11．5．2  步态特征提取281
11．5．3  步态特征匹配282
11．6  实验：人脸识别283
11．6．1  实验目的283
11．6．2  实验要求283
11．6．3  实验原理283
11．6．4  实验步骤283
习题284
参考文献285
第12章  医学图像检索287
12．1  医学图像检索概述287
12．1．1  医学图像的特点287
12．1．2  基于内容的医学图像检索288
12．1．3  医学图像检索框架290
12．1．4  医学图像检索中的关键技术292
12．2  多媒体内容描述标准MPEG-7292
12．2．1  MPEG-7的基本概念293
12．2．2  MPEG-7的主要元素293
12．2．3  MPEG-7的组成294
12．2．4  MPEG-7视觉描述工具295
12．3  基于MPEG-7纹理描述子的X射线胸片图像检索297
12．3．1  X射线胸片图像297
12．3．2  基于同构型纹理描述子的X射线胸片图像检索298
12．4  图像检索系统性能评价301
12．5  实验：基于颜色直方图的医学图像检索302
12．5．1  实验目的302
12．5．2  实验要求302
12．5．3  实验原理302
12．5．4  实验步骤302
12．5．5  实验结果310
习题311
参考文献312
附录A  人工智能实验环境314