 |
-- 會員 / 註冊 --
|
 |
|
|
|
模式識別 ( 簡體 字) |
| 作者：劉明堂 | 類別：1. -> 程式設計 -> 綜合 |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 54326
詢問書籍請說出此書號！【有庫存】
NT售價： 440 元 |
| 出版日：3/1/2021 |
| 頁數：336 |
| 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：9787121384288 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：各行各業不斷涌現人工智能應用，資本大量涌入人工智能領域，互聯網企業爭搶人工智能人才……人工智能正迎來發展“黃金期”。放眼全球，人工智能人才儲備告急，僅我國，人工智能的人才缺口即超過500萬人。據《人民日報》報道，國內人工智能人才供求比例僅為1:10。為此，加強人才培養、填補人才空缺成了當務之急。
2017年，國務院發布《新一代人工智能發展規劃》，明確將舉全國之力在2030年搶占人工智能全球制高點，要加快培養聚集人工智能高端人才，完善人工智能領域學科布局，設立人工智能專業。2018年，教育部印發《高等學校人工智能創新行動計劃》，要求“對照國家和區域產業需求布點人工智能相關專業……加大人工智能領域人才培養力度”。2019年，國家主席習近平在致2019中國國際智能產業博覽會的賀信中指出，以互聯網、大數據、人工智能為代表的新一代信息技術日新月異，中國高度重視智能產業發展，加快數字產業化、產業數字化，推動數字經濟和實體經濟深度融合。
在國家政策支持及人工智能發展新環境下，全國各大高校紛紛發力，設立人工智能專業，成立人工智能學院。根據教育部印發的通知，2019年，全國共有35所高校獲得建設“人工智能”本科新專業的資格，同時全國新設96個“智能科學與技術”專業，累計187所院校獲批“機器人工程”專業。2020年年初，經教育部批準，擁有“人工智能”本科專業的高校新增了180所，占全國新增專業的10.77%，排名第一。加上新增的80個“智能制造工程”、62個“機器人工程”、32個“智能科學與技術”、17個“智能建造”和16個“智能醫學工程”，與人工智能緊密相關的新增專業個數占到所有新增專業個數的23%以上。人工智能成為主流方向的趨勢已經不可逆轉！
然而，在人工智能人才培養和人工智能課程建設方面，大部分院校仍處于起步階段，需要探索的問題還有很多。例如，人工智能作為新專業，尚未形成系統的人工智能人才培養課程體系及配套資源；同時，人工智能教材大多內容老舊、晦澀難懂，大幅度提高了人工智能專業的學習門檻；再者，過多強調理論學習，以及實踐應用的缺失，使人工智能人才培養面臨新困境。
由此可見，人工智能作為注重實踐性的綜合型學科，對相應人才培養提出了易學性、實戰性和系統性的要求。高級人工智能人才培養叢書以此為出發點，尤其強調人工智能內容的易學性及對讀者動手能力的培養，并配套豐富的課程資源，解決易學性、實戰性和系統性難題。
易學性：能看得懂的書才是好書，本叢書在內容、描述、講解等方面始終從讀者的角度出發，緊貼讀者關心的熱點問題及行業發展前沿，注重知識體系的完整性及內容的易學性，賦予人工智能名詞與術語生命力，讓學習人工智能不再舉步維艱。
實戰性：與單純的理論講解不同，本叢書由國內一線師資和具備豐富人工智能實戰經驗的團隊攜手傾力完成，不僅內容貼近實際應用需求，保有高度的行業敏感性，同時幾乎每章都有配套實戰實驗，使讀者能夠在理論學習的基礎上，通過實驗進一步鞏固提高。云創大數據使用本叢書介紹的一些技術，已經在模糊人臉識別、超大規模人臉比對、模糊車牌識別、智能醫療、城市整體交通智能優化、空氣污染智能預測等應用場景取得了突破性進展。特別是在2020年年初，我受邀率云創大數據同事加入了鐘南山院士的團隊，我們使用大數據和人工智能技術對新冠肺炎疫情發展趨勢做出了不同于國際預測的準確預測，為國家的正確決策起到了支持作用，并發表了高水平論文。
系統性：本叢書配套免費教學PPT，無論是教師、學生，還是其他讀者，都能通過教學PPT更為清晰、直觀地了解和展示圖書內容。與此同時，云創大數據研發了配套的人工智能實驗平臺，以及基于人工智能的專業教學平臺，實驗內容和教學內容與本叢書完全對應。
本叢書非常適合作為“人工智能”和“智能科學與技術”專業的系列教材，也適合“智能制造工程”“機器人工程”“智能建造”“智能醫學工程”專業部分選用作為教材。
在此，特別感謝我的碩士生導師謝希仁教授和博士生導師李三立院士。謝希仁教授所著的《計算機網絡》已經更新到第7版，與時俱進且日臻完善，時時提醒學生要以這樣的標準來寫書。李三立院士為我國計算機事業做出了杰出貢獻，曾任國家攀登計劃項目首席科學家。他嚴謹治學，帶出了一大批杰出的學生。
本叢書是集體智慧的結晶，在此謹向付出辛勤勞動的各位作者致敬！書中難免會有不當之處，請讀者不吝賜教。
劉 鵬
2020年11月 |
內容簡介：本書圍繞模式識別的基本概念、基礎理論和典型方法，從實際應用問題出發，系統描述了模式識別的常用方法和常見技巧，并給出了一系列實驗及應用案例。本書首先介紹了機器視覺的概念及特征提取的概念和方法；其次介紹了線性分類模型、非線性分類模型、時間序列預測模型和混合模型等理論知識與實踐操作；最后重點介紹了圖像識別、視頻目標檢測與跟蹤、語音識別、生物特征識別和醫學圖像檢索等典型應用。 |
目錄：第1章 緒論 1
1.1 機器感知與視覺信息 1
1.1.1 機器感知 1
1.1.2 視覺信息感知 2
1.1.3 視覺機理 2
1.2 特征選擇與提取 3
1.2.1 特征 3
1.2.2 特征選擇 3
1.2.3 特征提取 4
1.3 模式識別系統 4
1.3.1 模式與模式識別 4
1.3.2 模式識別系統 5
1.4 機器感知與模式識別 5
1.5 機器感知與人工智能的關系 6
1.6 章節安排 6
習題 7
參考文獻 8
第2章 機器視覺 9
2.1 視覺系統 9
2.1.1 機器視覺的發展 9
2.1.2 機器視覺系統的構成與評價指標 10
2.1.3 機器視覺的應用 12
2.2 硬件系統 14
2.2.1 工業相機 15
2.2.2 鏡頭 20
2.2.3 光源 24
2.2.4 其他組成部分 29
2.3 視覺軟件 30
2.4 實驗：車牌識別 31
2.4.1 實驗目的 31
2.4.2 實驗要求 31
2.4.3 實驗原理 31
2.4.4 實驗環境 31
2.4.5 實驗步驟 31
習題 32
參考文獻 33
第3章 特征提取 35
3.1 特征提取簡述 35
3.2 特征選擇 37
3.2.1 特征方差 38
3.2.2 特征相關系數 38
3.2.3 類間距離 38
3.2.4 降維 38
3.3 降維 39
3.3.1 基于PCA的特征提取 40
3.3.2 PCA的步驟 41
3.4 類腦智能 42
3.4.1 模式識別與人工智能 42
3.4.2 類腦智能的概念 43
3.4.3 類腦智能的技術框架 44
3.5 模式識別系統設計 45
3.6 計算學習理論 46
3.6.1 基本的PAC模型 47
3.6.2 基本概念 47
3.6.3 問題框架 48
3.6.4 小結 49
3.7 實驗：基于PCA的特征臉提取 49
3.7.1 實驗目的 49
3.7.2 實驗要求 49
3.7.3 實驗原理 49
3.7.4 實驗步驟 50
3.7.5 實驗結果 51
習題 53
參考文獻 53
第4章 線性分類模型 55
4.1 線性判別函數 55
4.1.1 兩類問題 55
4.1.2 多類問題 57
4.2 Fisher線性判別函數 59
4.3 感知器算法 62
4.4 最小平方誤差算法 64
4.5 Logistic回歸 65
4.6 基于Python實現感知器算法 69
4.6.1 基于sklearn庫實現感知器算法 69
4.6.2 實驗結果分析 73
4.7 實驗：感知器算法實現 74
4.7.1 實驗目的 74
4.7.2 實驗要求 75
4.7.3 實驗原理及具體步驟 75
4.7.4 實驗結果 77
習題 79
參考文獻 79
第5章 非線性分類 81
5.1 分段線性判別函數 81
5.1.1 最小距離分類器 81
5.1.2 一般的分段線性判別函數 82
5.2 決策樹和隨機森林 85
5.2.1 樹狀分類過程 85
5.2.2 構造決策樹 86
5.2.3 森林分類過程 89
5.3 支持向量機 90
5.3.1 線性可分情況 90
5.3.2 線性不可分情況 91
5.4 貝葉斯分類網絡 93
5.4.1 貝葉斯決策的相關概念 93
5.4.2 最小錯誤率貝葉斯決策 94
5.4.3 最小風險貝葉斯決策 95
5.4.4 正態分布貝葉斯分類 96
5.5 神經網絡 97
5.5.1 神經網絡基本單元 97
5.5.2 前饋神經網絡 98
5.5.3 Hopfield反饋神經網絡 102
5.6 基于Python實現決策樹和隨機森林算法 103
5.6.1 決策樹和隨機森林算法的基本特征 103
5.6.2 實驗結果分析 106
5.7 實驗：決策樹和隨機森林算法實現 107
5.7.1 實驗目的 107
5.7.2 實驗要求 107
5.7.3 實驗原理及步驟 107
5.7.4 實驗結果 111
習題 113
參考文獻 113
第6章 時間序列預測 115
6.1 時間序列預測概述 115
6.1.1 時間序列 115
6.1.2 編制時間序列的原則 117
6.1.3 時間序列預測方法 118
6.1.4 時間序列預測流程 120
6.1.5 時間序列預測模型評估 121
6.2 指數平滑法 122
6.2.1 一次指數平滑 123
6.2.2 二次指數平滑 123
6.2.3 三次指數平滑 124
6.2.4 平滑系數的選擇 124
6.3 自回歸滑動平均模型 124
6.3.1 自回歸模型 125
6.3.2 移動平均模型 125
6.3.3 自回歸滑動平均模型表示 125
6.3.4 自回歸滑動平均模型建模 126
6.4 自回歸積分滑動平均模型 128
6.4.1 自回歸積分滑動平均模型表示 128
6.4.2 自回歸積分滑動平均模型建模 128
6.4.3 案例分析 129
6.5 長短期記憶網絡模型 133
6.5.1 循環神經網絡 134
6.5.2 長短期記憶網絡 134
6.6 實驗：基于LSTM的股票最高價預測 135
6.6.1 實驗目的 135
6.6.2 實驗要求 135
6.6.3 實驗原理 136
6.6.4 實驗步驟 137
6.6.5 實驗結果 141
習題 143
參考文獻 143
第7章 混合模型 145
7.1 高斯模型與高斯混合模型 145
7.1.1 高斯模型 145
7.1.2 高斯混合模型 146
7.2 貝葉斯混合模型 147
7.3 集成學習 148
7.3.1 Boosting 149
7.3.2 AdaBoost 149
7.4 實驗：基于AdaBoost集成學習的乳腺癌分類 153
7.4.1 實驗目的 153
7.4.2 實驗要求 154
7.4.3 實驗原理 154
7.4.4 實驗內容 156
7.4.5 實驗結果 162
習題 163
參考文獻 163
第8章 圖像識別 164
8.1 數字圖像處理系統 164
8.1.1 圖像感知與獲取 164
8.1.2 圖像處理硬件 165
8.1.3 圖像處理軟件 166
8.1.4 圖像的顯示和存儲 166
8.2 圖像特征描述 167
8.2.1 幾何特征 167
8.2.2 形狀特征 170
8.2.3 顏色特征 172
8.2.4 紋理特征 173
8.3 圖像特征提取 175
8.3.1 基于Hu不變矩的形狀特征提取 175
8.3.2 基于聯合概率矩陣法的紋理特征提取 177
8.3.3 分塊顏色直方圖特征提取 178
8.3.4 基于小波變換的圖像特征提取 179
8.4 目標識別 180
8.4.1 結構判別方法 181
8.4.2 決策理論方法 183
8.5 基于區域生長法的圖像識別 186
8.5.1 區域生長法的基本原理 186
8.5.2 基于區域生長法的裂縫識別系統 188
8.5.3 實驗結果分析 189
8.6 實驗：水泥面裂縫檢測 191
8.6.1 實驗目的 191
8.6.2 實驗要求 191
8.6.3 實驗原理 191
8.6.4 實驗步驟 192
8.6.5 實驗結果 192
習題 193
參考文獻 194
第9章 視頻目標檢測與跟蹤 196
9.1 視頻目標檢測 196
9.1.1 幀間差分法 196
9.1.2 光流法 197
9.1.3 背景減除法 198
9.1.4 目標檢測在復雜場景中應用的困難 202
9.2 運動目標跟蹤 202
9.2.1 MeanShift跟蹤算法 202
9.2.2 卡爾曼濾波跟蹤算法 205
9.2.3 多目標跟蹤算法 208
9.3 運動目標檢測的性能評價 211
9.3.1 主觀評價 212
9.3.2 客觀評價 212
9.4 圖像視頻數據集 214
9.4.1 MOT16數據集 214
9.4.2 PETS2016數據集 215
9.4.3 ChangeDetection.net數據集 216
9.4.4 OTCBVS紅外圖像數據集 216
9.4.5 KITTI自動駕駛數據集 217
9.4.6 Cityscapes Dataset數據集 217
9.5 實驗：多目標跟蹤實驗 218
9.5.1 實驗目的 218
9.5.2 實驗要求 218
9.5.3 實驗原理 218
9.5.4 實驗步驟及實驗結果 219
習題 222
參考文獻 222
第10章 語音識別 224
10.1 語音識別概述 224
10.1.1 語音識別的研究背景 224
10.1.2 語音識別的現狀與問題 225
10.1.3 語音識別系統的基本結構 226
10.2 聲學模型 227
10.2.1 混合高斯模型 227
10.2.2 隱馬爾可夫模型 228
10.3 語言模型 229
10.3.1 語言模型的基礎理論 229
10.3.2 基于知識的語言模型 229
10.3.3 基于統計方法的語言模型 230
10.3.4 基于知識的語言模型和基于統計方法的語言模型比較 231
10.4 解碼器 232
10.5 深度學習模型 234
10.5.1 深度神經網絡 234
10.5.2 DNN前向傳播算法 235
10.5.3 DNN反向傳播算法 236
10.5.4 DNN中的激活函數 236
10.6 基于MFCC的語音識別 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混合系統的語音識別 242
10.7.1 DNN和MFCC結合的原理 242
10.7.2 DNN-MFCC混合系統 244
10.8 實驗：基于MFCC特征和THCHS-30數據集的語音識別 246
10.8.1 實驗目的 246
10.8.2 實驗要求 246
10.8.3 實驗原理 247
10.8.4 實驗步驟 248
10.8.5 實驗結果 248
習題 249
參考文獻 250
第11章 生物特征識別 252
11.1 生物特征識別概述 252
11.1.1 生物特征 252
11.1.2 生物特征識別系統 253
11.1.3 應用概況和發展趨勢 255
11.2 指紋識別 256
11.2.1 指紋特征 257
11.2.2 指紋采集設備 258
11.2.3 指紋圖像預處理 259
11.2.4 指紋特征提取 264
11.2.5 指紋特征匹配 266
11.3 人臉識別 267
11.3.1 人臉識別概述 267
11.3.2 人臉檢測 269
11.3.3 人臉特征提取 271
11.3.4 人臉特征匹配 273
11.4 虹膜識別 274
11.4.1 虹膜識別概述 274
11.4.2 虹膜定位 275
11.4.3 虹膜圖像歸一化 277
11.4.4 虹膜特征提取 278
11.4.5 虹膜特征匹配 279
11.5 步態識別 280
11.5.1 步態識別概述 280
11.5.2 步態特征提取 281
11.5.3 步態特征匹配 282
11.6 實驗：人臉識別 283
11.6.1 實驗目的 283
11.6.2 實驗要求 283
11.6.3 實驗原理 283
11.6.4 實驗步驟 283
習題 284
參考文獻 285
第12章 醫學圖像檢索 287
12.1 醫學圖像檢索概述 287
12.1.1 醫學圖像的特點 287
12.1.2 基于內容的醫學圖像檢索 288
12.1.3 醫學圖像檢索框架 290
12.1.4 醫學圖像檢索中的關鍵技術 292
12.2 多媒體內容描述標準MPEG-7 292
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的組成 294
12.2.4 MPEG-7視覺描述工具 295
12.3 基于MPEG-7紋理描述子的X射線胸片圖像檢索 297
12.3.1 X射線胸片圖像 297
12.3.2 基于同構型紋理描述子的X射線胸片圖像檢索 298
12.4 圖像檢索系統性能評價 301
12.5 實驗：基于顏色直方圖的醫學圖像檢索 302
12.5.1 實驗目的 302
12.5.2 實驗要求 302
12.5.3 實驗原理 302
12.5.4 實驗步驟 302
12.5.5 實驗結果 310
習題 311
參考文獻 312
附錄A 人工智能實驗環境 314 |
| 序： |
|
