超值優(yōu)惠券
¥50
滿100可用 有效期2天

全場圖書通用（淘書團除外）

不再提示
關(guān)閉
2024個人購書報告 2024中圖網(wǎng)年度報告
歡迎光臨中圖網(wǎng) 請 | 注冊
> >
模式分類(原書第2版·典藏版)

模式分類(原書第2版·典藏版)

出版社：機械工業(yè)出版社出版時間：2022-05-01
開本： 16開 頁數(shù)： 544
中 圖 價:¥117.7(7.9折) 定價  ¥149.0 登錄后可看到會員價
加入購物車 收藏
運費6元，滿39元免運費
?新疆、西藏除外
本類五星書更多>

模式分類(原書第2版·典藏版) 版權(quán)信息

模式分類(原書第2版·典藏版) 本書特色

模式識別領(lǐng)域經(jīng)典著作，被斯坦福大學(xué)等眾多名校選作教材

模式分類(原書第2版·典藏版) 內(nèi)容簡介

本書是模式識別和場景分析領(lǐng)域奠基性的經(jīng)典名著。在第2版中，除了保留了第1版的關(guān)于統(tǒng)計模式識別和結(jié)構(gòu)模式識別的主要內(nèi)容以外，讀者將會發(fā)現(xiàn)新增了許多新理論和新方法，其中包括神經(jīng)網(wǎng)絡(luò)、機器學(xué)習(xí)、數(shù)據(jù)挖掘、進化計算、不變量理論、隱馬爾可夫模型、統(tǒng)計學(xué)習(xí)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(tǒng)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(shè)計循環(huán)11
1.4.1數(shù)據(jù)采集11
1.4.2特征選擇11
1.4.3模型選擇12
1.4.4訓(xùn)練12
1.4.5評價12
1.4.6計算復(fù)雜度12
1.5學(xué)習(xí)和適應(yīng)12
1.5.1有監(jiān)督學(xué)習(xí)13
1.5.2無監(jiān)督學(xué)習(xí)13
1.5.3強化學(xué)習(xí)13
1.6本章小結(jié)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(xù)特征18
2.3*小誤差率分類20
2.3.1極小化極大準(zhǔn)則21
2.3.2NeymanPearson準(zhǔn)則22
2.4分類器、判別函數(shù)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(tài)密度25
2.5.1單變量密度函數(shù)25
2.5.2多元密度函數(shù)26
2.6正態(tài)分布的判別函數(shù)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(tài)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(wǎng)44
2.12復(fù)合貝葉斯決策論及上下文49
本章小結(jié)50
文獻和歷史評述51
習(xí)題52
上機練習(xí)63
參考文獻65
第3章*大似然估計和貝葉斯參數(shù)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(shù)的分布73
3.4貝葉斯參數(shù)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(shù)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(qū)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(tǒng)計量83
3.7維數(shù)問題87
3.7.1精度、維數(shù)和訓(xùn)練集的大小90
3.7.2計算復(fù)雜度90
3.7.3過擬合92
3.8成分分析和判別函數(shù)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(xué)習(xí)問題113
本章小結(jié)114
文獻和歷史評述115
習(xí)題115
上機練習(xí)127
參考文獻130
第4章非參數(shù)技術(shù)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(jīng)網(wǎng)絡(luò)141
4.3.6窗函數(shù)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(guī)則146
4.5.1*近鄰規(guī)則的收斂性147
4.5.2*近鄰規(guī)則的誤差率148
4.5.3誤差界149
4.5.4近鄰規(guī)則150
4.5.5近鄰規(guī)則的計算復(fù)雜度151
4.6距離度量和*近鄰分類153
4.6.1度量的性質(zhì)154
4.6.2切空間距離155
4.7模糊分類157
4.8RCE網(wǎng)絡(luò)160
4.9級數(shù)展開逼近161
本章小結(jié)163
文獻和歷史評述164
習(xí)題165
上機練習(xí)171
參考文獻175
第5章線性判別函數(shù)177
5.1引言 177
5.2線性判別函數(shù)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(shù) 180
5.4兩類線性可分的情況 183
5.4.1幾何解釋和術(shù)語 183
5.4.2梯度下降算法184
5.5感知器準(zhǔn)則函數(shù)*小化186
5.5.1感知器準(zhǔn)則函數(shù) 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(guān)系 198
5.8.3*優(yōu)判別的漸近逼近199
5.8.4WidrowHoff 算法或*小均方算法 201
5.8.5隨機逼近法 202
5.9HoKashyap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(guān)的算法 207
5.10線性規(guī)劃算法209
5.10.1線性規(guī)劃209
5.10.2線性可分情況209
5.10.3極小化感知器準(zhǔn)則函數(shù)210
5.11支持向量機 211
5.12推廣到多類問題216
5.12.1Kesler構(gòu)造法217
5.12.2固定增量規(guī)則的收斂性217
5.12.3MSE算法的推廣 218
本章小結(jié)220
文獻和歷史評述220
習(xí)題221
上機練習(xí)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(xué)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(xué)會會士、IEEE會士。擁有麻省理工學(xué)院博士學(xué)位。 皮特·E.哈特（Peter E. Hart） 加州理光發(fā)明（Ricoh Innovations）公司創(chuàng)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(xué)會會士、IEEE會士，曾獲IEEE信息論協(xié)會50周年論文獎。 大衛(wèi)·G.斯托克（David G. Stork） 加州理光發(fā)明公司首席科學(xué)家，斯坦福大學(xué)電氣工程與計算機科學(xué)系客座教授。國際模式識別學(xué)會會士、IEEE會士。擁有馬里蘭大學(xué)博士學(xué)位。

商品評論(0條)
暫無評論……
書友推薦
本類暢銷
返回頂部
中圖網(wǎng)
在線客服