人工智能前沿技术丛书 模式识别PDF|Epub|txt|kindle电子书版本网盘下载

人工智能前沿技术丛书 模式识别PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第一部分 经典模式识别3

第1章 模式识别概述3

1.1 模式识别的基本概念3

1.2 模式识别系统5

1.2.1 信息获取5

1.2.2 数据处理5

1.2.3 特征选择和提取6

1.2.4 分类识别和分类决策6

1.2.5 模式识别系统实例7

1.3 模式识别的历史与现状10

1.4 模式识别方法11

1.4.1 模板匹配11

1.4.2 统计模式识别11

1.4.3 结构句法模式识别12

1.4.4 模糊模式识别方法12

1.4.5 人工神经网络方法13

1.5 模式识别应用领域14

1.5.1 文本识别14

1.5.2 语音识别14

1.5.3 指纹识别15

1.5.4 视频识别15

习题16

参考文献16

第2章 贝叶斯决策17

2.1 最小错误率贝叶斯决策17

2.2 最小风险贝叶斯决策21

2.3 判别函数和决策面23

2.4 正态分布下的贝叶斯决策26

2.4.1 正态分布概率密度函数的定义26

2.4.2 多元正态概率型下的贝叶斯分类器28

习题32

参考文献32

第3章 线性和非线性判别分析33

3.1 Fisher线性判别分析33

3.2 感知器准则36

3.2.1 基本概念36

3.2.2 感知准则函数及其学习方法37

3.3 广义线性判别分析39

3.4 k近邻40

3.4.1 k近邻算法简介40

3.4.2 k近邻算法模型41

3.4.3 k近邻算法中距离度量41

3.4.4 k近邻算法中k值的选择41

3.4.5 k近邻算法分类决策规则42

3.5 决策树42

3.5.1 问题集43

3.5.2 决策树分支准则43

3.5.3 停止分支准则44

3.5.4 类分配规则44

3.5.5 过拟合与决策树的剪枝45

习题46

参考文献46

第4章 无监督模式识别47

4.1 高斯混合模型47

4.1.1 单高斯模型48

4.1.2 高斯混合模型48

4.1.3 EM算法求解高斯混合模型50

4.2 动态聚类算法51

4.2.1 K均值算法52

4.2.2 模糊聚类算法55

4.3 层次聚类算法57

4.3.1 自上而下的算法58

4.3.2 自下而上的算法59

习题62

参考文献62

第5章 特征选择63

5.1 基本概念63

5.2 类别可分离性判据64

5.2.1 基于距离的可分离性判据64

5.2.2 基于概率分布的可分离性判据66

5.2.3 基于熵的可分性判据68

5.2.4 基于最小冗余最大相关性判据69

5.3 特征子集的选择70

5.3.1 单独最优特征选择70

5.3.2 顺序后向选择71

5.3.3 顺序前向选择72

5.3.4 增ι减r选择72

5.3.5 浮动搜索73

5.3.6 分支定界搜索74

5.4 基于随机搜索的特征选择75

习题77

参考文献77

第6章 特征提取78

6.1 主成分分析78

6.2 核主成分分析80

6.3 线性判别分析81

6.4 多维缩放83

6.5 流形学习84

6.5.1 等度量映射85

6.5.2 局部线性嵌入86

习题88

参考文献88

第7章 经典人工神经网络89

7.1 人工神经网络89

7.1.1 神经元结构90

7.1.2 感知器93

7.1.3 反向传播95

7.2 常见神经网络98

7.2.1 SOM网络98

7.2.2 RBF网络99

7.2.3 BP神经网络100

7.2.4 Hopfield网络101

习题102

参考文献103

第二部分 现代模式识别107

第8章 支持向量机107

8.1 基本概念107

8.1.1 间隔的概念107

8.1.2 最大间隔分离超平面110

8.2 线性可分支持向量机的学习110

8.2.1 线性可分支持向量机学习算法110

8.2.2 线性可分支持向量机的对偶学习111

8.3 线性支持向量机的学习113

8.4 非线性支持向量机的学习115

8.4.1 核函数的定义116

8.4.2 核函数有效性判定116

8.4.3 常用的核函数117

8.4.4 非线性支持向量机的学习118

8.5 SMO算法118

习题123

参考文献124

第9章 组合分类器125

9.1 组合分类概述125

9.1.1 个体与组合间的关系125

9.1.2 分类器组合评价126

9.2 Bagging算法127

9.2.1 Bagging127

9.2.2 随机森林130

9.3 Boosting算法130

9.4 XGBoost算法135

习题141

参考文献142

第10章 半监督学习143

10.1 什么是半监督学习143

10.2 半监督分类145

10.2.1 生成式模型146

10.2.2 半监督支持向量机147

10.2.3 基于图的半监督学习149

10.2.4 基于分歧的方法150

10.3 半监督聚类152

习题153

参考文献153

第三部分 深度学习模式识别157

第11章 深度神经网络157

11.1 深度堆栈自编码网络157

11.1.1 自编码网络157

11.1.2 深度堆栈网络158

11.2 受限玻尔兹曼机与深度置信网络159

11.2.1 受限玻尔兹曼机159

11.2.2 深度置信网络160

11.3 卷积神经网络161

11.3.1 卷积神经网络概述161

11.3.2 卷积操作介绍与感受野的计算163

11.3.3 深度卷积神经网络结构的发展166

11.4 深度循环神经网络171

11.4.1 循环神经元172

11.4.2 RNN网络173

11.4.3 LSTM网络176

11.4.4 循环网络应用180

11.5 生成对抗网络181

11.5.1 概述181

11.5.2 基本思想181

11.5.3 基本模型及训练过程182

11.5.4 GAN的优缺点及变体183

11.5.5 GAN的应用185

习题185

参考文献186

第12章 强化学习187

12.1 强化学习简介187

12.2 强化学习的数学基础188

12.2.1 马尔可夫决策过程189

12.2.2 状态值函数与状态动作值函数190

12.3 强化学习算法192

12.3.1 基于模型的动态规划方法193

12.3.2 基于无模型的强化学习方法194

12.3.3 基于策略梯度的强化学习方法197

12.3.4 深度强化学习198

习题200

参考文献201

第13章 宽度学习202

13.1 宽度学习提出背景202

13.2 宽度学习系统简介与随机向量函数链接神经网络203

13.2.1 随机向量函数链接神经网络与宽度学习系统203

13.2.2 岭回归算法204

13.2.3 函数链接神经网络的动态逐步更新算法204

13.3 宽度学习基本模型205

13.3.1 宽度学习基本模型205

13.3.2 BLS增量形式207

13.4 宽度学习的优势特性209

习题210

参考文献210

第14章 图卷积神经网络211

14.1 图卷积理论基础211

14.2 图卷积推导213

14.2.1 卷积提取图特征213

14.2.2 GCN推导214

14.3 图卷积应用217

14.3.1 自适应图卷积网络简介217

14.3.2 基于时空图卷积网络的骨架识别220

习题222

参考文献222

第15章 语音、文本、图像与视频模式识别224

15.1 基于SVM的手写体数字识别技术224

15.1.1 手写体数字识别背景224

15.1.2 手写体数字识别流程225

15.1.3 手写体数字识别算法225

15.1.4 基于SVM的手写体数字识别230

15.2 基于BP神经网络的图像识别技术232

15.2.1 图像识别背景232

15.2.2 图像识别基本原理232

15.2.3 BP神经网络的设计233

15.2.4 基于BP神经网络的图像识别234

15.3 基于高斯混合模型的说话人识别技术238

15.3.1 说话人识别背景238

15.3.2 说话人识别的基本流程238

15.3.3 基于高斯混合模型的说话人识别240

15.4 基于VGG19的视频行人检测技术240

15.4.1 视频检测背景240

15.4.2 视频行人检测流程240

习题244

参考文献244