| 作者 |
| 刘明堂 |
| 丛书名 |
| 高级人工智能人才培养丛书 |
| 出版社 |
| 电子工业出版社 |
| ISBN |
| 9787121384288 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 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。 |
| 目录 |
| 第1章 绪论\t1 1．1 机器感知与视觉信息\t1 1．1．1 机器感知\t1 1．1．2 视觉信息感知\t2 1．1．3 视觉机理\t2 1．2 特征选择与提取\t3 1．2．1 特征\t3 1．2．2 特征选择\t3 1．2．3 特征提取\t4 1．3 模式识别系统\t4 1．3．1 模式与模式识别\t4 1．3．2 模式识别系统\t5 1．4 机器感知与模式识别\t5 1．5 机器感知与人工智能的关系\t6 1．6 章节安排\t6 习题\t7 参考文献\t8 第2章 机器视觉\t9 2．1 视觉系统\t9 2．1．1 机器视觉的发展\t9 2．1．2 机器视觉系统的构成与评价指标\t10 2．1．3 机器视觉的应用\t12 2．2 硬件系统\t14 2．2．1 工业相机\t15 2．2．2 镜头\t20 2．2．3 光源\t24 2．2．4 其他组成部分\t29 2．3 视觉软件\t30 2．4 实验：车牌识别\t31 2．4．1 实验目的\t31 2．4．2 实验要求\t31 2．4．3 实验原理\t31 2．4．4 实验环境\t31 2．4．5 实验步骤\t31 习题\t32 参考文献\t33 第3章 特征提取\t35 3．1 特征提取简述\t35 3．2 特征选择\t37 3．2．1 特征方差\t38 3．2．2 特征相关系数\t38 3．2．3 类间距离\t38 3．2．4 降维\t38 3．3 降维\t39 3．3．1 基于PCA的特征提取\t40 3．3．2 PCA的步骤\t41 3．4 类脑智能\t42 3．4．1 模式识别与人工智能\t42 3．4．2 类脑智能的概念\t43 3．4．3 类脑智能的技术框架\t44 3．5 模式识别系统设计\t45 3．6 计算学习理论\t46 3．6．1 基本的PAC模型\t47 3．6．2 基本概念\t47 3．6．3 问题框架\t48 3．6．4 小结\t49 3．7 实验：基于PCA的特征脸提取\t49 3．7．1 实验目的\t49 3．7．2 实验要求\t49 3．7．3 实验原理\t49 3．7．4 实验步骤\t50 3．7．5 实验结果\t51 习题\t53 参考文献\t53 第4章 线性分类模型\t55 4．1 线性判别函数\t55 4．1．1 两类问题\t55 4．1．2 多类问题\t57 4．2 Fisher线性判别函数\t59 4．3 感知器算法\t62 4．4 最小平方误差算法\t64 4．5 Logistic回归\t65 4．6 基于Python实现感知器算法\t69 4．6．1 基于sklearn库实现感知器算法\t69 4．6．2 实验结果分析\t73 4．7 实验：感知器算法实现\t74 4．7．1 实验目的\t74 4．7．2 实验要求\t75 4．7．3 实验原理及具体步骤\t75 4．7．4 实验结果\t77 习题\t79 参考文献\t79 第5章 非线性分类\t81 5．1 分段线性判别函数\t81 5．1．1 最小距离分类器\t81 5．1．2 一般的分段线性判别函数\t82 5．2 决策树和随机森林\t85 5．2．1 树状分类过程\t85 5．2．2 构造决策树\t86 5．2．3 森林分类过程\t89 5．3 支持向量机\t90 5．3．1 线性可分情况\t90 5．3．2 线性不可分情况\t91 5．4 贝叶斯分类网络\t93 5．4．1 贝叶斯决策的相关概念\t93 5．4．2 最小错误率贝叶斯决策\t94 5．4．3 最小风险贝叶斯决策\t95 5．4．4 正态分布贝叶斯分类\t96 5．5 神经网络\t97 5．5．1 神经网络基本单元\t97 5．5．2 前馈神经网络\t98 5．5．3 Hopfield反馈神经网络\t102 5．6 基于Python实现决策树和随机森林算法\t103 5．6．1 决策树和随机森林算法的基本特征\t103 5．6．2 实验结果分析\t106 5．7 实验：决策树和随机森林算法实现\t107 5．7．1 实验目的\t107 5．7．2 实验要求\t107 5．7．3 实验原理及步骤\t107 5．7．4 实验结果\t111 习题\t113 参考文献\t113 第6章 时间序列预测\t115 6．1 时间序列预测概述\t115 6．1．1 时间序列\t115 6．1．2 编制时间序列的原则\t117 6．1．3 时间序列预测方法\t118 6．1．4 时间序列预测流程\t120 6．1．5 时间序列预测模型评估\t121 6．2 指数平滑法\t122 6．2．1 一次指数平滑\t123 6．2．2 二次指数平滑\t123 6．2．3 三次指数平滑\t124 6．2．4 平滑系数的选择\t124 6．3 自回归滑动平均模型\t124 6．3．1 自回归模型\t125 6．3．2 移动平均模型\t125 6．3．3 自回归滑动平均模型表示\t125 6．3．4 自回归滑动平均模型建模\t126 6．4 自回归积分滑动平均模型\t128 6．4．1 自回归积分滑动平均模型表示\t128 6．4．2 自回归积分滑动平均模型建模\t128 6．4．3 案例分析\t129 6．5 长短期记忆网络模型\t133 6．5．1 循环神经网络\t134 6．5．2 长短期记忆网络\t134 6．6 实验：基于LSTM的股票最高价预测\t135 6．6．1 实验目的\t135 6．6．2 实验要求\t135 6．6．3 实验原理\t136 6．6．4 实验步骤\t137 6．6．5 实验结果\t141 习题\t143 参考文献\t143 第7章 混合模型\t145 7．1 高斯模型与高斯混合模型\t145 7．1．1 高斯模型\t145 7．1．2 高斯混合模型\t146 7．2 贝叶斯混合模型\t147 7．3 集成学习\t148 7．3．1 Boosting\t149 7．3．2 AdaBoost\t149 7．4 实验：基于AdaBoost集成学习的乳腺癌分类\t153 7．4．1 实验目的\t153 7．4．2 实验要求\t154 7．4．3 实验原理\t154 7．4．4 实验内容\t156 7．4．5 实验结果\t162 习题\t163 参考文献\t163 第8章 图像识别\t164 8．1 数字图像处理系统\t164 8．1．1 图像感知与获取\t164 8．1．2 图像处理硬件\t165 8．1．3 图像处理软件\t166 8．1．4 图像的显示和存储\t166 8．2 图像特征描述\t167 8．2．1 几何特征\t167 8．2．2 形状特征\t170 8．2．3 颜色特征\t172 8．2．4 纹理特征\t173 8．3 图像特征提取\t175 8．3．1 基于Hu不变矩的形状特征提取\t175 8．3．2 基于联合概率矩阵法的纹理特征提取\t177 8．3．3 分块颜色直方图特征提取\t178 8．3．4 基于小波变换的图像特征提取\t179 8．4 目标识别\t180 8．4．1 结构判别方法\t181 8．4．2 决策理论方法\t183 8．5 基于区域生长法的图像识别\t186 8．5．1 区域生长法的基本原理\t186 8．5．2 基于区域生长法的裂缝识别系统\t188 8．5．3 实验结果分析\t189 8．6 实验：水泥面裂缝检测\t191 8．6．1 实验目的\t191 8．6．2 实验要求\t191 8．6．3 实验原理\t191 8．6．4 实验步骤\t192 8．6．5 实验结果\t192 习题\t193 参考文献\t194 第9章 视频目标检测与跟踪\t196 9．1 视频目标检测\t196 9．1．1 帧间差分法\t196 9．1．2 光流法\t197 9．1．3 背景减除法\t198 9．1．4 目标检测在复杂场景中应用的困难\t202 9．2 运动目标跟踪\t202 9．2．1 MeanShift跟踪算法\t202 9．2．2 卡尔曼滤波跟踪算法\t205 9．2．3 多目标跟踪算法\t208 9．3 运动目标检测的性能评价\t211 9．3．1 主观评价\t212 9．3．2 客观评价\t212 9．4 图像视频数据集\t214 9．4．1 MOT16数据集\t214 9．4．2 PETS2016数据集\t215 9．4．3 ChangeDetection．net数据集\t216 9．4．4 OTCBVS红外图像数据集\t216 9．4．5 KITTI自动驾驶数据集\t217 9．4．6 Cityscapes Dataset数据集\t217 9．5 实验：多目标跟踪实验\t218 9．5．1 实验目的\t218 9．5．2 实验要求\t218 9．5．3 实验原理\t218 9．5．4 实验步骤及实验结果\t219 习题\t222 参考文献\t222 第10章 语音识别\t224 10．1 语音识别概述\t224 10．1．1 语音识别的研究背景\t224 10．1．2 语音识别的现状与问题\t225 10．1．3 语音识别系统的基本结构\t226 10．2 声学模型\t227 10．2．1 混合高斯模型\t227 10．2．2 隐马尔可夫模型\t228 10．3 语言模型\t229 10．3．1 语言模型的基础理论\t229 10．3．2 基于知识的语言模型\t229 10．3．3 基于统计方法的语言模型\t230 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\t231 10．4 解码器\t232 10．5 深度学习模型\t234 10．5．1 深度神经网络\t234 10．5．2 DNN前向传播算法\t235 10．5．3 DNN反向传播算法\t236 10．5．4 DNN中的激活函数\t236 10．6 基于MFCC的语音识别\t237 10．6．1 MFCC特征提取\t237 10．6．2 MFCC的基本原理\t237 10．7 基于DNN-MFCC混合系统的语音识别\t242 10．7．1 DNN和MFCC结合的原理\t242 10．7．2 DNN-MFCC混合系统\t244 10．8 实验：基于MFCC特征和THCHS-30数据集的语音识别\t246 10．8．1 实验目的\t246 10．8．2 实验要求\t246 10．8．3 实验原理\t247 10．8．4 实验步骤\t248 10．8．5 实验结果\t248 习题\t249 参考文献\t250 第11章 生物特征识别\t252 11．1 生物特征识别概述\t252 11．1．1 生物特征\t252 11．1．2 生物特征识别系统\t253 11．1．3 应用概况和发展趋势\t255 11．2 指纹识别\t256 11．2．1 指纹特征\t257 11．2．2 指纹采集设备\t258 11．2．3 指纹图像预处理\t259 11．2．4 指纹特征提取\t264 11．2．5 指纹特征匹配\t266 11．3 人脸识别\t267 11．3．1 人脸识别概述\t267 11．3．2 人脸检测\t269 11．3．3 人脸特征提取\t271 11．3．4 人脸特征匹配\t273 11．4 虹膜识别\t274 11．4．1 虹膜识别概述\t274 11．4．2 虹膜定位\t275 11．4．3 虹膜图像归一化\t277 11．4．4 虹膜特征提取\t278 11．4．5 虹膜特征匹配\t279 11．5 步态识别\t280 11．5．1 步态识别概述\t280 11．5．2 步态特征提取\t281 11．5．3 步态特征匹配\t282 11．6 实验：人脸识别\t283 11．6．1 实验目的\t283 11．6．2 实验要求\t283 11．6．3 实验原理\t283 11．6．4 实验步骤\t283 习题\t284 参考文献\t285 第12章 医学图像检索\t287 12．1 医学图像检索概述\t287 12．1．1 医学图像的特点\t287 12．1．2 基于内容的医学图像检索\t288 12．1．3 医学图像检索框架\t290 12．1．4 医学图像检索中的关键技术\t292 12．2 多媒体内容描述标准MPEG-7\t292 12．2．1 MPEG-7的基本概念\t293 12．2．2 MPEG-7的主要元素\t293 12．2．3 MPEG-7的组成\t294 12．2．4 MPEG-7视觉描述工具\t295 12．3 基于MPEG-7纹理描述子的X射线胸片图像检索\t297 12．3．1 X射线胸片图像\t297 12．3．2 基于同构型纹理描述子的X射线胸片图像检索\t298 12．4 图像检索系统性能评价\t301 12．5 实验：基于颜色直方图的医学图像检索\t302 12．5．1 实验目的\t302 12．5．2 实验要求\t302 12．5．3 实验原理\t302 12．5．4 实验步骤\t302 12．5．5 实验结果\t310 习题\t311 参考文献\t312 附录A 人工智能实验环境\t314 |