编辑推荐
《模式识别及MATLAB实现》可作为高等院校电子信息工程、通信工程、计算机科学与技术、电子科学与技术、生物医学工程、电气工程及其自动化等相关专业本科生的教材，以及信息与通信工程、控制科学与工程、计算机科学与技术、生物医学工程、光学工程和电子科学与技术等专业的研究生教材；也可作为从事小模式识别、人工智能和计算机应用研究与开发的工程技术人员的参考书。
作者简介
武汉理工大学博导，教授，湖北省通信学会常务理事。主要学术经历： 教学：主要承担数字图像处理，模式识别，信息传输理论等课程的教学工作。科研：近几年先后承担了国家自然科学基金面上项目，湖北省科技攻关项目，海南科技厅项目，武汉市科技攻关项目，国家留学基金项目，交通部重点项目和企业合作项目30余项；在国内外学术刊物上发表学术论文60余篇，被SCI和EI收录论文40余篇，出版教材3部。 获武汉理工大学优秀硕士学位论文奖，优秀博士论文奖。 主要在研项目： 多维信息融合及智能识别与预警研究，嵌入式系统的智能视频识别开发研究，无源雷达关键技术研究及自动数字视频跟踪软件系统开发等。
目录
第1章绪论 1
1.1模式识别的基本概念 1
1.1.1生物的识别能力 1
1.1.2模式识别的概念 2
1.1.3模式识别的特点 2
1.1.4模式的描述方法及特征空间 4
1.2模式识别系统的组成和主要方法 5
1.2.1模式识别系统的组成 5
1.2.2模式识别的方法 7
1.3模式识别的应用 9
1.3.1文字识别 9
1.3.2语音识别 10
1.3.3指纹识别 10
1.3.4遥感图像识别 11
1.3.5医学诊断 11
1.4全书内容简介 12
习题及思考题 13
第2章贝叶斯决策理论 14
2.1几个重要的概念 14
2.2几种常用的决策规则 15
2.2.1基于最小错误率的贝叶斯决策 16
2.2.2最小风险判别规则 18
2.2.3最大似然比判别规则 20
2.2.4Neyman—Pearson判别规则 22
2.3正态分布中的Bayes分类方法 26
2.4MATLAB程序实现 33
习题及思考题 37
第3章概率密度函数的参数估计 39
3.1概率密度函数估计概述 39
3.2最大似然估计 40
3.3贝叶斯估计与贝叶斯学习 42
3.4非参数估计 47
3.4.1非参数估计的基本方法 48
3.4.2Parzen窗法 50
3.4.3KN—近邻估计法 54
3.5MATLAB示例 55
习题及思考题 60
第4章非参数判别分类方法 62
4.1线性分类器 62
4.1.1线性判别函数的基本概念 62
4.1.2多类问题中的线性判别函数 64
4.1.3广义线性判别函数 68
4.1.4线性分类器的主要特性及设计步骤 70
4.1.5感知器算法 74
4.1.6Fisher线性判别函数 79
4.2非线性判别函数 84
4.2.1非线性判别函数与分段线性判别函数 84
4.2.2基于距离的分段线性判别函数 85
4.3支持向量机 87
4.3.1线性可分情况 87
4.3.2线性不可分情况 89
4.4MATLAB示例 91
习题及思考题 94
第5章聚类分析 95
5.1模式相似性测度 95
5.1.1距离测度 96
5.1.2相似测度 99
5.1.3匹配测度 100
5.2类间距离测度方法 102
5.2.1最短距离法 102
5.2.2最长距离法 102
5.2.3中间距离法 102
5.2.4重心法 103
5.2.5平均距离法（类平均距离法） 103
5.3聚类准则函数 105
5.3.1误差平方和准则 105
5.3.2加权平均平方距离和准则 106
5.3.3类间距离和准则 107
5.3.4离散度矩阵 107
5.4基于距离阈值的聚类算法 108
5.4.1最近邻规则的聚类算法 109
5.4.2最大最小距离聚类算法 109
5.5动态聚类算法 111
5.5.1C—均值聚类算法 111
5.5.2ISODATA聚类算法 115
5.6MATLAB示例 121
习题及思考题 126
第6章特征提取与选择 128
6.1类别可分性判据 128
6.2基于距离的可分性判据 129
6.3按概率距离判据的特征提取方法 131
6.4基于熵函数的可分性判据 134
6.5基于Karhunen—Loeve变换的特征提取 135
6.5.1Karhunen—Loeve变换 135
6.5.2使用K—L变换进行特征提取 138
6.6特征选择 141
6.6.1次优搜索法 142
6.6.2最优搜索法 143
6.7MATLAB举例 145
习题及思考题 147
第7章模糊模式识别 148
7.1模糊数学的基础知识 148
7.1.1集合及其特征函数 148
7.1.2模糊集合 149
7.1.3模糊集合的水平截集 154
7.1.4模糊关系及模糊矩阵 155
7.2模糊模式识别方法 156
7.2.1最大隶属度识别法 157
7.2.2择近原则识别法 157
7.2.3基于模糊等价关系的聚类方法 159
7.2.4模糊C—均值聚类 161
7.3MATLAB程序设计 163
习题及思考题 165
第8章神经网络在模式识别中的应用 167
8.1人工神经网络的基础知识 167
8.1.1人工神经网络的发展历史 167
8.1.2生物神经元 168
8.1.3人工神经元 168
8.1.4人工神经网络的特点 169
8.2前馈神经网络 169
8.2.1感知器 170
8.2.2多层感知器 171
8.3自组织特征映射网络 173
8.3.1网络结构 173
8.3.2网络的识别过程 174
8.3.3网络的学习过程 174
8.4径向基函数（RBF）神经网络 175
8.4.1网络结构 175
8.4.2径向基函数 176
8.4.3网络的学习过程 176
8.5深度学习 177
8.5.1深度学习介绍 178
8.5.2受限玻尔兹曼机 178
8.5.3深度置信网络 180
8.5.4卷积神经网络 181
8.6MATLAB举例 183
习题及思考题 188
第9章模式识别的工程应用 190
9.1基于BP神经网络的手写数字识别 190
9.1.1整体方案设计 190
9.1.2字符图像的特征提取 191
9.1.3BP神经网络的设计 195
9.1.4BP神经网络的训练 197
9.1.5BP神经网络的识别 197
9.2基于朴素贝叶斯的中文文本分类 198
9.2.1文本分类原理 199
9.2.2文本特征提取 199
9.2.3朴素贝叶斯分类器设计 201
9.2.4测试文本分类 202
9.3基于PCA（主要成分分析）和SVM（支持向量机）的人脸识别 205
9.3.1人脸图像获取 205
9.3.2人脸图像预处理 206
9.3.3人脸图像特征提取 207
9.3.4SVM分类器的设计和分类 209
9.4基于隐马尔科夫模型的语音识别 210
9.4.1语音识别的原理 210
9.4.2语音采集 211
9.4.3语音信号的预处理 212
9.4.4MFCC特征参数提取 216
9.4.5HMM模型训练 217
9.4.6识别处理 218
参考文献 219
文摘
版权页：
插图：
1965年，美国著名控制论专家L.A.Zadeh（1965）提出模糊集（fuzzy sets）概念，建立了模糊集理论，开创了研究不确定性问题的理论方法。近年来，模糊理论与技术得到了迅猛发展，以模糊集理论为基础的应用学科已在工业、农业、医学、军事、计算机科学、信息科学、管理科学、系统科学、工程技术等学科领域中发挥着非常重要的作用，带来了巨大的经济效益。由于人类对模式识别过程的机理目前仍然不是很清楚，客观事物的特征也存在不同程度的模糊性，使得经典的模式识别方法在实际应用中有很大的局限性，模糊模式识别在这一背景下应运而生。模糊模式识别以模糊数学为理论基础，能对模糊事物进行识别和判断。用模糊技术来设计模式识别系统，可简化识别系统的结构，更准确地模拟人脑的思维过程，从而对客观事物进行更为有效的分类与识别。模糊模式识别是对传统模式识别方法的有用补充。
7.1 模糊数学的基础知识
模糊模式识别的理论基础是模糊数学，模糊数学又称为“模糊集理论”，是在康托尔（Georg Cantor）的经典集合理论基础上发展起来的一个数学分支。为了更好理解模糊模式识别的方法，在介绍模糊模式识别之前，我们先介绍模糊数学中的一些重要概念。
7.1.1 集合及其特征函数
集合是数学中的一个基本概念，也是近代数学的理论基础。在具体的模式识别系统中，常常将研究的对象抽象成数学表达，并将其限定在一定的范围内，这个范围被称为“论域”，论域中包含的对象称为元素，在此基础上定义出集合的概念。
《模式识别及MATLAB实现》可作为高等院校电子信息工程、通信工程、计算机科学与技术、电子科学与技术、生物医学工程、电气工程及其自动化等相关专业本科生的教材，以及信息与通信工程、控制科学与工程、计算机科学与技术、生物医学工程、光学工程和电子科学与技术等专业的研究生教材；也可作为从事小模式识别、人工智能和计算机应用研究与开发的工程技术人员的参考书。
作者简介
武汉理工大学博导，教授，湖北省通信学会常务理事。主要学术经历： 教学：主要承担数字图像处理，模式识别，信息传输理论等课程的教学工作。科研：近几年先后承担了国家自然科学基金面上项目，湖北省科技攻关项目，海南科技厅项目，武汉市科技攻关项目，国家留学基金项目，交通部重点项目和企业合作项目30余项；在国内外学术刊物上发表学术论文60余篇，被SCI和EI收录论文40余篇，出版教材3部。 获武汉理工大学优秀硕士学位论文奖，优秀博士论文奖。 主要在研项目： 多维信息融合及智能识别与预警研究，嵌入式系统的智能视频识别开发研究，无源雷达关键技术研究及自动数字视频跟踪软件系统开发等。
目录
第1章绪论 1
1.1模式识别的基本概念 1
1.1.1生物的识别能力 1
1.1.2模式识别的概念 2
1.1.3模式识别的特点 2
1.1.4模式的描述方法及特征空间 4
1.2模式识别系统的组成和主要方法 5
1.2.1模式识别系统的组成 5
1.2.2模式识别的方法 7
1.3模式识别的应用 9
1.3.1文字识别 9
1.3.2语音识别 10
1.3.3指纹识别 10
1.3.4遥感图像识别 11
1.3.5医学诊断 11
1.4全书内容简介 12
习题及思考题 13
第2章贝叶斯决策理论 14
2.1几个重要的概念 14
2.2几种常用的决策规则 15
2.2.1基于最小错误率的贝叶斯决策 16
2.2.2最小风险判别规则 18
2.2.3最大似然比判别规则 20
2.2.4Neyman—Pearson判别规则 22
2.3正态分布中的Bayes分类方法 26
2.4MATLAB程序实现 33
习题及思考题 37
第3章概率密度函数的参数估计 39
3.1概率密度函数估计概述 39
3.2最大似然估计 40
3.3贝叶斯估计与贝叶斯学习 42
3.4非参数估计 47
3.4.1非参数估计的基本方法 48
3.4.2Parzen窗法 50
3.4.3KN—近邻估计法 54
3.5MATLAB示例 55
习题及思考题 60
第4章非参数判别分类方法 62
4.1线性分类器 62
4.1.1线性判别函数的基本概念 62
4.1.2多类问题中的线性判别函数 64
4.1.3广义线性判别函数 68
4.1.4线性分类器的主要特性及设计步骤 70
4.1.5感知器算法 74
4.1.6Fisher线性判别函数 79
4.2非线性判别函数 84
4.2.1非线性判别函数与分段线性判别函数 84
4.2.2基于距离的分段线性判别函数 85
4.3支持向量机 87
4.3.1线性可分情况 87
4.3.2线性不可分情况 89
4.4MATLAB示例 91
习题及思考题 94
第5章聚类分析 95
5.1模式相似性测度 95
5.1.1距离测度 96
5.1.2相似测度 99
5.1.3匹配测度 100
5.2类间距离测度方法 102
5.2.1最短距离法 102
5.2.2最长距离法 102
5.2.3中间距离法 102
5.2.4重心法 103
5.2.5平均距离法（类平均距离法） 103
5.3聚类准则函数 105
5.3.1误差平方和准则 105
5.3.2加权平均平方距离和准则 106
5.3.3类间距离和准则 107
5.3.4离散度矩阵 107
5.4基于距离阈值的聚类算法 108
5.4.1最近邻规则的聚类算法 109
5.4.2最大最小距离聚类算法 109
5.5动态聚类算法 111
5.5.1C—均值聚类算法 111
5.5.2ISODATA聚类算法 115
5.6MATLAB示例 121
习题及思考题 126
第6章特征提取与选择 128
6.1类别可分性判据 128
6.2基于距离的可分性判据 129
6.3按概率距离判据的特征提取方法 131
6.4基于熵函数的可分性判据 134
6.5基于Karhunen—Loeve变换的特征提取 135
6.5.1Karhunen—Loeve变换 135
6.5.2使用K—L变换进行特征提取 138
6.6特征选择 141
6.6.1次优搜索法 142
6.6.2最优搜索法 143
6.7MATLAB举例 145
习题及思考题 147
第7章模糊模式识别 148
7.1模糊数学的基础知识 148
7.1.1集合及其特征函数 148
7.1.2模糊集合 149
7.1.3模糊集合的水平截集 154
7.1.4模糊关系及模糊矩阵 155
7.2模糊模式识别方法 156
7.2.1最大隶属度识别法 157
7.2.2择近原则识别法 157
7.2.3基于模糊等价关系的聚类方法 159
7.2.4模糊C—均值聚类 161
7.3MATLAB程序设计 163
习题及思考题 165
第8章神经网络在模式识别中的应用 167
8.1人工神经网络的基础知识 167
8.1.1人工神经网络的发展历史 167
8.1.2生物神经元 168
8.1.3人工神经元 168
8.1.4人工神经网络的特点 169
8.2前馈神经网络 169
8.2.1感知器 170
8.2.2多层感知器 171
8.3自组织特征映射网络 173
8.3.1网络结构 173
8.3.2网络的识别过程 174
8.3.3网络的学习过程 174
8.4径向基函数（RBF）神经网络 175
8.4.1网络结构 175
8.4.2径向基函数 176
8.4.3网络的学习过程 176
8.5深度学习 177
8.5.1深度学习介绍 178
8.5.2受限玻尔兹曼机 178
8.5.3深度置信网络 180
8.5.4卷积神经网络 181
8.6MATLAB举例 183
习题及思考题 188
第9章模式识别的工程应用 190
9.1基于BP神经网络的手写数字识别 190
9.1.1整体方案设计 190
9.1.2字符图像的特征提取 191
9.1.3BP神经网络的设计 195
9.1.4BP神经网络的训练 197
9.1.5BP神经网络的识别 197
9.2基于朴素贝叶斯的中文文本分类 198
9.2.1文本分类原理 199
9.2.2文本特征提取 199
9.2.3朴素贝叶斯分类器设计 201
9.2.4测试文本分类 202
9.3基于PCA（主要成分分析）和SVM（支持向量机）的人脸识别 205
9.3.1人脸图像获取 205
9.3.2人脸图像预处理 206
9.3.3人脸图像特征提取 207
9.3.4SVM分类器的设计和分类 209
9.4基于隐马尔科夫模型的语音识别 210
9.4.1语音识别的原理 210
9.4.2语音采集 211
9.4.3语音信号的预处理 212
9.4.4MFCC特征参数提取 216
9.4.5HMM模型训练 217
9.4.6识别处理 218
参考文献 219
文摘
版权页：
插图：
1965年，美国著名控制论专家L.A.Zadeh（1965）提出模糊集（fuzzy sets）概念，建立了模糊集理论，开创了研究不确定性问题的理论方法。近年来，模糊理论与技术得到了迅猛发展，以模糊集理论为基础的应用学科已在工业、农业、医学、军事、计算机科学、信息科学、管理科学、系统科学、工程技术等学科领域中发挥着非常重要的作用，带来了巨大的经济效益。由于人类对模式识别过程的机理目前仍然不是很清楚，客观事物的特征也存在不同程度的模糊性，使得经典的模式识别方法在实际应用中有很大的局限性，模糊模式识别在这一背景下应运而生。模糊模式识别以模糊数学为理论基础，能对模糊事物进行识别和判断。用模糊技术来设计模式识别系统，可简化识别系统的结构，更准确地模拟人脑的思维过程，从而对客观事物进行更为有效的分类与识别。模糊模式识别是对传统模式识别方法的有用补充。
7.1 模糊数学的基础知识
模糊模式识别的理论基础是模糊数学，模糊数学又称为“模糊集理论”，是在康托尔（Georg Cantor）的经典集合理论基础上发展起来的一个数学分支。为了更好理解模糊模式识别的方法，在介绍模糊模式识别之前，我们先介绍模糊数学中的一些重要概念。
7.1.1 集合及其特征函数
集合是数学中的一个基本概念，也是近代数学的理论基础。在具体的模式识别系统中，常常将研究的对象抽象成数学表达，并将其限定在一定的范围内，这个范围被称为“论域”，论域中包含的对象称为元素，在此基础上定义出集合的概念。
| ISBN | 9787121321276 |
|---|---|
| 出版社 | 电子工业出版社 |
| 作者 | 杨杰 |
| 尺寸 | 16 |