掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
深度學習
-
>
Unreal Engine 4藍圖完全學習教程
-
>
深入理解計算機系統-原書第3版
-
>
Word/Excel PPT 2013辦公應用從入門到精通-(附贈1DVD.含語音視頻教學+辦公模板+PDF電子書)
模式分類(原書第2版·典藏版) 版權信息
- ISBN：9787111704287
- 條形碼：9787111704287 ; 978-7-111-70428-7
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
模式分類(原書第2版·典藏版) 本書特色
模式識別領域經典著作，被斯坦福大學等眾多名校選作教材
模式分類(原書第2版·典藏版) 內容簡介
本書是模式識別和場景分析領域奠基性的經典名著。在第2版中，除了保留了第1版的關于統計模式識別和結構模式識別的主要內容以外，讀者將會發現新增了許多新理論和新方法，其中包括神經網絡、機器學習、數據挖掘、進化計算、不變量理論、隱馬爾可夫模型、統計學習理論和支持向量機等。
模式分類(原書第2版·典藏版) 目錄
譯者序
前言
第1章緒論1
1.1機器感知1
1.2一個例子1
1.3模式識別系統7
1.3.1傳感器7
1.3.2分割和組織8
1.3.3特征提取8
1.3.4分類器9
1.3.5后處理10
1.4設計循環11
1.4.1數據采集11
1.4.2特征選擇11
1.4.3模型選擇12
1.4.4訓練12
1.4.5評價12
1.4.6計算復雜度12
1.5學習和適應12
1.5.1有監督學習13
1.5.2無監督學習13
1.5.3強化學習13
1.6本章小結13
全書各章概要13
文獻和歷史評述14
參考文獻15
第2章貝葉斯決策論16
2.1引言16
2.2貝葉斯決策論——連續特征18
2.3*小誤差率分類20
2.3.1極小化極大準則21
2.3.2NeymanPearson準則22
2.4分類器、判別函數及判定面23
2.4.1多類情況23
2.4.2兩類情況24
2.5正態密度25
2.5.1單變量密度函數25
2.5.2多元密度函數26
2.6正態分布的判別函數28
2.6.1情況1：Σi=σ2I28
2.6.2情況2：Σi=Σ30
2.6.3情況3：Σi＝任意32
2.7誤差概率和誤差積分35
2.8正態密度的誤差上界36
2.8.1Chernoff界36
2.8.2Bhattacharyya界37
2.8.3信號檢測理論和操作特性38
2.9貝葉斯決策論——離散特征40
2.9.1獨立的二值特征41
2.10丟失特征和噪聲特征43
2.10.1丟失特征43
2.10.2噪聲特征44
2.11貝葉斯置信網44
2.12復合貝葉斯決策論及上下文49
本章小結50
文獻和歷史評述51
習題52
上機練習63
參考文獻65
第3章*大似然估計和貝葉斯參數估計67
3.1引言67
3.2*大似然估計68
3.2.1基本原理68
3.2.2高斯情況：μ未知70
3.2.3高斯情況：μ和Σ均未知 71
3.2.4估計的偏差72
3.3貝葉斯估計73
3.3.1類條件密度73
3.3.2參數的分布73
3.4貝葉斯參數估計：高斯情況74
3.4.1單變量情況：p(μ｜)74
3.4.2單變量情況：p(x｜)76
3.4.3多變量情況77
3.5貝葉斯參數估計：一般理論78
3.5.1*大似然方法和貝葉斯方法何時有區別 81
3.5.2無信息先驗和不變性82
3.5.3Gibbs算法83
3.6充分統計量83
3.7維數問題87
3.7.1精度、維數和訓練集的大小90
3.7.2計算復雜度90
3.7.3過擬合92
3.8成分分析和判別函數94
3.8.1主成分分析94
3.8.2Fisher線性判別分析96
3.8.3多重判別分析99
3.9期望*大化算法102
3.10隱馬爾可夫模型105
3.10.1一階馬爾可夫模型105
3.10.2一階隱馬爾可夫模型106
3.10.3隱馬爾可夫模型的計算106
3.10.4估值問題107
3.10.5解碼問題111
3.10.6學習問題113
本章小結114
文獻和歷史評述115
習題115
上機練習127
參考文獻130
第4章非參數技術132
4.1引言132
4.2概率密度的估計132
4.3Parzen窗方法134
4.3.1均值的收斂性137
4.3.2方差的收斂性137
4.3.3舉例說明137
4.3.4分類的例子140
4.3.5概率神經網絡141
4.3.6窗函數的選取143
4.4n近鄰估計143
4.4.1n近鄰估計和Parzen窗估計144
4.4.2后驗概率的估計145
4.5*近鄰規則146
4.5.1*近鄰規則的收斂性147
4.5.2*近鄰規則的誤差率148
4.5.3誤差界149
4.5.4近鄰規則150
4.5.5近鄰規則的計算復雜度151
4.6距離度量和*近鄰分類153
4.6.1度量的性質154
4.6.2切空間距離155
4.7模糊分類157
4.8RCE網絡160
4.9級數展開逼近161
本章小結163
文獻和歷史評述164
習題165
上機練習171
參考文獻175
第5章線性判別函數177
5.1引言 177
5.2線性判別函數和判定面177
5.2.1兩類情況 177
5.2.2多類的情況 179
5.3廣義線性判別函數 180
5.4兩類線性可分的情況 183
5.4.1幾何解釋和術語 183
5.4.2梯度下降算法184
5.5感知器準則函數*小化186
5.5.1感知器準則函數 186
5.5.2單個樣本校正的收斂性證明187
5.5.3一些直接的推廣 190
5.6松弛算法192
5.6.1下降算法 192
5.6.2收斂性證明 194
5.7不可分的情況 195
5.8*小平方誤差方法196
5.8.1*小平方誤差及偽逆196
5.8.2與Fisher線性判別的關系 198
5.8.3*優判別的漸近逼近199
5.8.4WidrowHoff 算法或*小均方算法 201
5.8.5隨機逼近法 202
5.9HoKashyap算法203
5.9.1下降算法 204
5.9.2收斂性證明 205
5.9.3不可分的情況206
5.9.4一些相關的算法 207
5.10線性規劃算法209
5.10.1線性規劃209
5.10.2線性可分情況209
5.10.3極小化感知器準則函數210
5.11支持向量機 211
5.12推廣到多類問題216
5.12.1Kesler構造法217
5.12.2固定增量規則的收斂性217
5.12.3MSE算法的推廣 218
本章小結220
文獻和歷史評述220
習題221
上機練習226
參考文獻229
前言
第1章緒論1
1.1機器感知1
1.2一個例子1
1.3模式識別系統7
1.3.1傳感器7
1.3.2分割和組織8
1.3.3特征提取8
1.3.4分類器9
1.3.5后處理10
1.4設計循環11
1.4.1數據采集11
1.4.2特征選擇11
1.4.3模型選擇12
1.4.4訓練12
1.4.5評價12
1.4.6計算復雜度12
1.5學習和適應12
1.5.1有監督學習13
1.5.2無監督學習13
1.5.3強化學習13
1.6本章小結13
全書各章概要13
文獻和歷史評述14
參考文獻15
第2章貝葉斯決策論16
2.1引言16
2.2貝葉斯決策論——連續特征18
2.3*小誤差率分類20
2.3.1極小化極大準則21
2.3.2NeymanPearson準則22
2.4分類器、判別函數及判定面23
2.4.1多類情況23
2.4.2兩類情況24
2.5正態密度25
2.5.1單變量密度函數25
2.5.2多元密度函數26
2.6正態分布的判別函數28
2.6.1情況1：Σi=σ2I28
2.6.2情況2：Σi=Σ30
2.6.3情況3：Σi＝任意32
2.7誤差概率和誤差積分35
2.8正態密度的誤差上界36
2.8.1Chernoff界36
2.8.2Bhattacharyya界37
2.8.3信號檢測理論和操作特性38
2.9貝葉斯決策論——離散特征40
2.9.1獨立的二值特征41
2.10丟失特征和噪聲特征43
2.10.1丟失特征43
2.10.2噪聲特征44
2.11貝葉斯置信網44
2.12復合貝葉斯決策論及上下文49
本章小結50
文獻和歷史評述51
習題52
上機練習63
參考文獻65
第3章*大似然估計和貝葉斯參數估計67
3.1引言67
3.2*大似然估計68
3.2.1基本原理68
3.2.2高斯情況：μ未知70
3.2.3高斯情況：μ和Σ均未知 71
3.2.4估計的偏差72
3.3貝葉斯估計73
3.3.1類條件密度73
3.3.2參數的分布73
3.4貝葉斯參數估計：高斯情況74
3.4.1單變量情況：p(μ｜)74
3.4.2單變量情況：p(x｜)76
3.4.3多變量情況77
3.5貝葉斯參數估計：一般理論78
3.5.1*大似然方法和貝葉斯方法何時有區別 81
3.5.2無信息先驗和不變性82
3.5.3Gibbs算法83
3.6充分統計量83
3.7維數問題87
3.7.1精度、維數和訓練集的大小90
3.7.2計算復雜度90
3.7.3過擬合92
3.8成分分析和判別函數94
3.8.1主成分分析94
3.8.2Fisher線性判別分析96
3.8.3多重判別分析99
3.9期望*大化算法102
3.10隱馬爾可夫模型105
3.10.1一階馬爾可夫模型105
3.10.2一階隱馬爾可夫模型106
3.10.3隱馬爾可夫模型的計算106
3.10.4估值問題107
3.10.5解碼問題111
3.10.6學習問題113
本章小結114
文獻和歷史評述115
習題115
上機練習127
參考文獻130
第4章非參數技術132
4.1引言132
4.2概率密度的估計132
4.3Parzen窗方法134
4.3.1均值的收斂性137
4.3.2方差的收斂性137
4.3.3舉例說明137
4.3.4分類的例子140
4.3.5概率神經網絡141
4.3.6窗函數的選取143
4.4n近鄰估計143
4.4.1n近鄰估計和Parzen窗估計144
4.4.2后驗概率的估計145
4.5*近鄰規則146
4.5.1*近鄰規則的收斂性147
4.5.2*近鄰規則的誤差率148
4.5.3誤差界149
4.5.4近鄰規則150
4.5.5近鄰規則的計算復雜度151
4.6距離度量和*近鄰分類153
4.6.1度量的性質154
4.6.2切空間距離155
4.7模糊分類157
4.8RCE網絡160
4.9級數展開逼近161
本章小結163
文獻和歷史評述164
習題165
上機練習171
參考文獻175
第5章線性判別函數177
5.1引言 177
5.2線性判別函數和判定面177
5.2.1兩類情況 177
5.2.2多類的情況 179
5.3廣義線性判別函數 180
5.4兩類線性可分的情況 183
5.4.1幾何解釋和術語 183
5.4.2梯度下降算法184
5.5感知器準則函數*小化186
5.5.1感知器準則函數 186
5.5.2單個樣本校正的收斂性證明187
5.5.3一些直接的推廣 190
5.6松弛算法192
5.6.1下降算法 192
5.6.2收斂性證明 194
5.7不可分的情況 195
5.8*小平方誤差方法196
5.8.1*小平方誤差及偽逆196
5.8.2與Fisher線性判別的關系 198
5.8.3*優判別的漸近逼近199
5.8.4WidrowHoff 算法或*小均方算法 201
5.8.5隨機逼近法 202
5.9HoKashyap算法203
5.9.1下降算法 204
5.9.2收斂性證明 205
5.9.3不可分的情況206
5.9.4一些相關的算法 207
5.10線性規劃算法209
5.10.1線性規劃209
5.10.2線性可分情況209
5.10.3極小化感知器準則函數210
5.11支持向量機 211
5.12推廣到多類問題216
5.12.1Kesler構造法217
5.12.2固定增量規則的收斂性217
5.12.3MSE算法的推廣 218
本章小結220
文獻和歷史評述220
習題221
上機練習226
參考文獻229
展開全部
模式分類(原書第2版·典藏版) 作者簡介
理查德·O.杜達（Richard O.Duda） 圣何塞州立大學電氣工程系榮休教授，以其在聲音定位和模式識別方面的工作而聞名。美國人工智能學會會士、IEEE會士。擁有麻省理工學院博士學位。 皮特·E.哈特（Peter E. Hart） 加州理光發明（Ricoh Innovations）公司創始人、總裁，在此之前曾任理光加州研究中心高級副總裁。美國人工智能學會會士、IEEE會士，曾獲IEEE信息論協會50周年論文獎。 大衛·G.斯托克（David G. Stork） 加州理光發明公司首席科學家，斯坦福大學電氣工程與計算機科學系客座教授。國際模式識別學會會士、IEEE會士。擁有馬里蘭大學博士學位。
書友推薦
- >
苦雨齋序跋文-周作人自編集
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
巴金－再思錄
- >
推拿
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
我從未如此眷戀人間
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
煙與鏡
本類暢銷
