-- 會員 / 註冊 --
 帳號:
 密碼:
  | 註冊 | 忘記密碼
站長推薦
NT售價: 250
NT定價: 420
優惠價:75315
NT售價: 195
NT售價: 245
NT售價: 340

1/12 新書到! 1/4 新書到! 12/29 新書到! 12/16 新書到!
C.G.Next購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUGRevit
PhotoShopCorelDrawIllustratorAutoCadMasterCamSolidWorksCreo
CC++Java遊戲程式Linux嵌入式PLCFPGAMatlabNuke
駭客資料庫Oracle搜索引擎影像處理FluentSPSSANSYSUnity
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
C#HadoopPythonstm32手機程式CortexLabviewAndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

模式識別(第四版)

( 簡體 字)
作者:李晶皎等類別:1. -> 程式設計 -> 綜合
譯者:
出版社:電子工業出版社模式識別(第四版) 3dWoo書號: 45501
詢問書籍請說出此書號!

有庫存
NT售價: 445

出版日:10/1/2016
頁數:672
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 簡體 版 )
加入購物車 加到我的最愛
(請先登入會員)
ISBN:9787121301100
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
作者序:

譯者序:

前言:

譯 者 序
模式識別誕生于20世紀20年代,隨著20世紀40年代計算機的出現,20世紀50年代人工智能的興起,模式識別在20世紀60年代初迅速發展成一門學科。模式識別研究的理論和方法在很多地方得到了成功的應用,從最初的光學字符識別(OCR),擴展到筆輸入計算機、生物身份認證、DNA序列分析、化學氣味識別、藥物分子識別、圖像理解、人臉辨識、表情識別、手勢識別、語音識別、說話人識別、信息檢索、數據挖掘和信號處理等。
盡管如此,與生物認知系統相比,模式識別系統的識別能力和魯棒性還遠不能讓人滿意。模式識別還有許多的基礎理論和基本方法等待人們解決,新問題也層出不窮。為此,相關人員很需要一本關于這一領域的高水平學術著作,它既有基礎知識的介紹,還有本領域研究現狀的介紹,以及未來發展的展望等。本書正是這樣一本經典著作。
本書是第四版,于2009年由模式識別領域的兩位頂級專家合著,他們是希臘雅典大學信息學院與通信系的Sergios Theodoridis教授和希臘雅典國家天文臺空間應用與遙感研究院的Konstantinos Koutroumbas博士。第四版的特點是:大部分章節增加了MATLAB編程和練習,新增了一些模式識別最新研究成果,如非線性降維、非負矩陣因數分解、關聯性反饋、魯棒回歸、半監督學習、譜聚類和聚類組合技術。
為了適用于電力電子工程、計算機工程、計算機科學和信息、以及自動控制等專業的研究生,以及高年級本科生各種不同知識背景的學生,本書內容安排既全面,又相對獨立。在各個章節中需要的一些數學工具,如概率、統計和約束優化等知識,在本書的4個附錄中做了簡單的講解。本書可以面向大學生和研究生,可以作為一學期或兩個學期的課程。本書也可以作為自學教材,或供研究人員和工程技術人員參考。
負責本書初譯人員有:東北大學信息學院的王驕、閆愛云、張瑤、王亮、李亮、薛長江、李鵬飛、宋光杰。
負責本書譯校人員有:東北大學信息學院的王愛俠、李貞妮。
東北大學李晶皎教授完成最后譯校。
在翻譯過程中,我們力求忠實、準確地把握原著,同時保留原著的風格。但由于譯者水平有限,書中難免有錯誤和不準確之處,懇請廣大讀者批評指正。

前 言
本書是作者在20年來給研究生和本科生教學的基礎上編寫的,該課程面向很多專業的學生,例如電力電子工程、計算機工程、計算機科學和信息以及自動控制等專業的研究生。這些經驗使我們得以把本書內容編寫得既全面又相對獨立,并且適用于各種不同知識背景的學生。讀者需要具備的知識包括:微積分學基礎、初等線性代數和概率論基礎。在各個章節中需要的一些數學工具,如概率、統計和約束優化等知識,在本書的4個附錄中做了簡單的講解。本書面向大學生和研究生,可以作為一個學期或兩個學期的課程。本書也可以作為自學教材,或供研究人員和工程技術人員參考。我們編寫本書的動力之一是,使這本書適合于所有從事模式識別相關研究的人員。
范圍和方法
本書采用統一的方式講述各種模式識別方法。模式識別是多個應用領域的核心,包括圖像分析、語音和聲音識別、生物統計學、生物信息學、數據挖掘和信息檢索等。盡管這些領域有很多不同點,但也有共同之處,對它們的研究也有統一的方法,例如數據分類、隱藏模式等。本書的重點在于講述現在常用的方法。讀者可以從本書獲得并理解相關的基礎知識,進而研究更多的與應用相關的方法。
本書的每一章都采用循序漸進的講解方式,從基礎開始過渡到比較高深的課題,最后對最新技術發表評論。我們盡量保持數學描述和直接敘述之間的平衡,這不是一件容易的任務。然而,我們堅信對于模式識別,如果試圖回避數學,將使讀者很難理解算法的本質、并喪失研究新算法的潛能;本書會使得讀者能夠很容易的解決遇到的問題。在模式識別中,最終采用的合適技術和算法在很大程度上依賴于所要解決的問題。根據我們的經驗,講解模式識別是一個使學生復習數學基礎知識的好方法。
新增內容
第四版新增內容如下:
● 大部分章節的最后新增了MATLAB代碼和計算機實驗。
● 更多的實例和新增的圖增強了本書的可讀性。
● 有關當前熱門問題的新增章節如下:
— 非線性降維
— 非負矩陣分解
— 關聯性反饋
— 魯棒回歸
— 半監督學習
— 譜聚類
— 聚類組合技術
部分章節被重寫,增加了更多的當前應用方面的內容。
補充內容
MATLAB文檔可從與本書相關的網站下載,網址是www.elsevierdirect.com/9781597492720。電子文檔的圖和每章后習題和練習的解答都可從網站上下載。讀者還可以下載相關問題的詳細證明和本書所有章節的課件。
我們定期在網站上增加和更新MATLAB示例,歡迎讀者多提建議。盡管網站上的內容經過多次仔細檢查,但有些地方還是不可避免地存在錯誤,歡迎讀者批評指正。
致謝
本書的出版離不開廣大師生多年來的支持和幫助。特別感謝Kostas Berberidis、Velissaris Gezerlis、Xaris Georgion、Kristina Georgoulakis、Leyteris Kofidis、Thanassis Liavas、Michalis Mavroforakis、Aggelos Pikrakis、Thanassis Rontogiannis、Margaritis Sdralis、Kostas Slavakis和Theodoros Yiannakoponlos。Yannis Kopsinis和Kostas Thernelis自始至終都給予了莫大的支持和幫助。對本書的再版仔細閱讀、提出大量批評和建議的有:Alexandros B?lnn、Dionissis Cavouras、Vassilis Digalakis、Vassilis Drakopoulos、Nikos Galatsanos、George Glentis、Spiros Hatzispyros、Evagelos Karkaletsis、Elias Koutsoupias、Aristides Likas、Gerassimos Mileounis、George Monstakides、George Paliouras、Stavros Perantonis、Takis Stamatoponlos、Nikos Vassilas、Manolis Zervakis和Vassilis Zissimopoulos。
本書的再版還要感謝讀者的批評和建議,提出批評和建議的讀者有:Tulay Adali, University of Maryland; Mehniet Celenk, Ohio University; Rama Chellappa, University of Maryland; Mark Clements, Georgia Institute of Technology; Robert Duin, Delft University of Technology; Miguel Figneroa, Villanueva University of Puerto Rico; Dimitris Gunopoulos, University of Athens; Mathias Kolsch, Naval Postgraduate School; Adam Krzyzak, Concordia University; Baoxiu Li, Arizona State University; David Miller, Pennsylvania State University; Bernhard Sch?lkopf, Max Planck Institute; Hari Sundaram, Arizona State University; Harry Wechsler, George Mason University和Alexander Zien,Max Planck Institute。
我們由衷地感謝這些同事所給予的批評和建議。非常感謝N. Kalouptsidis教授,長期以來我們的合作和友誼是本書靈感的來源。
最后,K. Koutroumbas要感謝Sophia、Dimitris-Marios和Valentini-Theodora的耐心與支持。同時,S. Theodoridis要感謝Despina、Eva和Eleni,她們是快樂和動力的源泉。
內容簡介:

本書全面闡述了模式識別的基礎理論、最新方法以及各種應用。討論了貝葉斯分類、貝葉斯網絡、線性和非線性分類器設計、特征生成、特征選取技術、學習理論的基本概念以及聚類概念與算法。與前一版相比,增加了大數據集和高維數據相關的最新算法,提供了最新的分類器和魯棒回歸的核方法。新增一些熱點問題,如非線性降維、非負矩陣因數分解、關聯性反饋、魯棒回歸、半監督學習、譜聚類和聚類組合技術。每章均提供有習題與練習,用MATLAB求解問題,給出一些例題的多種求解方法;且支持網站上提供有習題解答,以便于讀者增加實際經驗。

目錄:

第1章 導論 1
1.1 模式識別的重要性 1
1.2 特征、特征向量和分類器 3
1.3 有監督、無監督和半監督學習 4
1.4 MATLAB程序 6
1.5 本書的內容安排 6
第2章 基于貝葉斯決策理論的分類器 8
2.1 引言 8
2.2 貝葉斯決策理論 8
2.3 判別函數和決策面 12
2.4 正態分布的貝葉斯分類 13
2.5 未知概率密度函數的估計 23
2.6 最近鄰規則 42
2.7 貝葉斯網絡 44
習題 49
MATLAB編程和練習 55
參考文獻 60
第3章 線性分類器 63
3.1 引言 63
3.2 線性判別函數和決策超平面 63
3.3 感知器算法 64
3.4 最小二乘法 70
3.5 均方估計的回顧 75
3.6 邏輯識別 80
3.7 支持向量機 81
習題 97
MATLAB編程和練習 99
參考文獻 100
第4章 非線性分類器 104
4.1 引言 104
4.2 異或問題 104
4.3 兩層感知器 105
4.4 三層感知器 108
4.5 基于訓練集準確分類的算法 109
4.6 反向傳播算法 110
4.7 反向傳播算法的改進 115
4.8 代價函數選擇 117
4.9 神經網絡大小的選擇 119
4.10 仿真實例 123
4.11 具有權值共享的網絡 124
4.12 線性分類器的推廣 125
4.13 線性二分法中l維空間的容量 126
4.14 多項式分類器 127
4.15 徑向基函數網絡 129
4.16 通用逼近 131
4.17 概率神經元網絡 132
4.18 支持向量機:非線性情況 134
4.19 超越SVM的范例 137
4.20 決策樹 146
4.21 合并分類器 150
4.22 合并分類器的增強法 155
4.23 類的不平衡問題 160
4.24 討論 161
習題 161
MATLAB編程和練習 164
參考文獻 168
第5章 特征選擇 178
5.1 引言 178
5.2 預處理 178
5.3 峰值現象 180
5.4 基于統計假設檢驗的特征選擇 182
5.5 接收機操作特性(ROC)曲線 187
5.6 類可分性測量 188
5.7 特征子集的選擇 193
5.8 最優特征生成 196
5.9 神經網絡和特征生成/選擇 203
5.10 推廣理論的提示 204
5.11 貝葉斯信息準則 210
習題 211
MATLAB編程和練習 213
參考文獻 216
第6章 特征生成I:線性變換 221
6.1 引言 221
6.2 基本向量和圖像 221
6.3 Karhunen-Loeve變換 223
6.4 奇異值分解 229
6.5 獨立成分分析 234
6.6 非負矩陣因子分解 239
6.7 非線性維數降低 240
6.8 離散傅里葉變換(DFT) 248
6.9 離散正弦和余弦變換 251
6.10 Hadamard變換 252
6.11 Haar變換 253
6.12 回顧Haar展開式 254
6.13 離散時間小波變換(DTWT) 257
6.14 多分辨解釋 264
6.15 小波包 265
6.16 二維推廣簡介 266
6.17 應用 268
習題 271
MATLAB編程和練習 273
參考文獻 275
第7章 特征生成II 282
7.1 引言 282
7.2 區域特征 282
7.3 字符形狀和大小的特征 298
7.4 分形概述 304
7.5 語音和聲音分類的典型特征 309
習題 320
MATLAB編程和練習 322
參考文獻 325
第8章 模板匹配 331
8.1 引言 331
8.2 基于最優路徑搜索技術的測度 331
8.3 基于相關的測度 342
8.4 可變形的模板模型 346
8.5 基于內容的信息檢索:相關反饋 349
習題 352
MATLAB編程和練習 353
參考文獻 355
第9章 上下文相關分類 358
9.1 引言 358
9.2 貝葉斯分類器 358
9.3 馬爾可夫鏈模型 358
9.4 Viterbi算法 359
9.5 信道均衡 362
9.6 隱馬爾可夫模型 365
9.7 狀態駐留的HMM 373
9.8 用神經網絡訓練馬爾可夫模型 378
9.9 馬爾可夫隨機場的討論 379
習題 381
MATLAB編程和練習 382
參考文獻 384
第10章 監督學習:尾聲 389
10.1 引言 389
10.2 誤差計算方法 389
10.3 探討有限數據集的大小 390
10.4 醫學圖像實例研究 393
10.5 半監督學習 395
習題 404
參考文獻 404
第11章 聚類:基本概念 408
11.1 引言 408
11.2 近鄰測度 412
習題 427
參考文獻 428
第12章 聚類算法I:順序算法 430
12.1 引言 430
12.2 聚類算法的種類 431
12.3 順序聚類算法 433
12.4 BSAS的改進 436
12.5 兩個閾值的順序方法 437
12.6 改進階段 439
12.7 神經網絡的實現 440
習題 443
MATLAB編程和練習 444
參考文獻 445
第13章 聚類算法II:層次算法 448
13.1 引言 448
13.2 合并算法 448
13.3 cophenetic矩陣 465
13.4 分裂算法 466
13.5 用于大數據集的層次算法 467
13.6 最佳聚類數的選擇 472
習題 474
MATLAB編程和練習 475
參考文獻 477
第14章 聚類算法III:基于函數最優方法 480
14.1 引言 480
14.2 混合分解方法 481
14.3 模糊聚類算法 487
14.4 可能性聚類 502
14.5 硬聚類算法 506
14.6 向量量化 513
附錄 514
習題 515
MATLAB編程和練習 516
參考文獻 519
第15章 聚類算法IV 523
15.1 引言 523
15.2 基于圖論的聚類算法 523
15.3 競爭學習算法 533
15.4 二值形態聚類算法 540
15.5 邊界檢測算法 546
15.6 谷點搜索聚類算法 548
15.7 通過代價最優聚類(回顧) 550
15.8 核聚類方法 555
15.9 對大數據集的基于密度算法 558
15.10 高維數據集的聚類算法 562
15.11 其他聚類算法 572
15.12 聚類組合 573
習題 578
MATLAB編程和練習 580
參考文獻 582
第16章 聚類有效性 591
16.1 引言 591
16.2 假設檢驗回顧 591
16.3 聚類有效性中的假設檢驗 593
16.4 相關準則 600
16.5 單獨聚類有效性 612
16.6 聚類趨勢 613
習題 620
參考文獻 622
附錄A 概率論和統計學的相關知識 626
附錄B 線性代數基礎 635
附錄C 代價函數的優化 637
附錄D 線性系統理論的基本定義 649
索引 652
序: