模式識別

本書圍繞模式識別的基本概念、基礎理論和典型方法，從實際應用問題出發，系統描述了模式識別的常用方法和常見技巧，並給出了一系列實驗及應用案例。本書首先介紹了機器視覺的概念及特徵提取的概念和方法；其次介紹了線性分類模型、非線性分類模型、時間序列預測模型和混合模型等理論知識與實踐操作；最後重點介紹了圖像識別、視頻目標檢測與跟蹤、語音識別、生物特徵識別和醫學圖像檢索等典型應用。 ^[1] 

第1章 緒論 1

1.1 機器感知與視覺信息 1

1.1.1 機器感知 1

1.1.2 視覺信息感知 2

1.1.3 視覺機理 2

1.2 特徵選擇與提取 3

1.2.1 特徵 3

1.2.2 特徵選擇 3

1.2.3 特徵提取 4

1.3 模式識別系統 4

1.3.1 模式與模式識別 4

1.3.2 模式識別系統 5

1.4 機器感知與模式識別 5

1.5 機器感知與人工智能的關係 6

1.6 章節安排 6

習題 7

參考文獻 8

第2章 機器視覺 9

2.1 視覺系統 9

2.1.1 機器視覺的發展 9

2.1.2 機器視覺系統的構成與評價指標 10

2.1.3 機器視覺的應用 12

2.2 硬件系統 14

2.2.1 工業相機 15

2.2.2 鏡頭 20

2.2.3 光源 24

2.2.4 其他組成部分 29

2.3 視覺軟件 30

2.4 實驗：車牌識別 31

2.4.1 實驗目的 31

2.4.2 實驗要求 31

2.4.3 實驗原理 31

2.4.4 實驗環境 31

2.4.5 實驗步驟 31

習題 32

參考文獻 33

第3章 特徵提取 35

3.1 特徵提取簡述 35

3.2 特徵選擇 37

3.2.1 特徵方差 38

3.2.2 特徵相關係數 38

3.2.3 類間距離 38

3.2.4 降維 38

3.3 降維 39

3.3.1 基於PCA的特徵提取 40

3.3.2 PCA的步驟 41

3.4 類腦智能 42

3.4.1 模式識別與人工智能 42

3.4.2 類腦智能的概念 43

3.4.3 類腦智能的技術框架 44

3.5 模式識別系統設計 45

3.6 計算學習理論 46

3.6.1 基本的PAC模型 47

3.6.2 基本概念 47

3.6.3 問題框架 48

3.6.4 小結 49

3.7 實驗：基於PCA的特徵臉提取 49

3.7.1 實驗目的 49

3.7.2 實驗要求 49

3.7.3 實驗原理 49

3.7.4 實驗步驟 50

3.7.5 實驗結果 51

習題 53

參考文獻 53

第4章 線性分類模型 55

4.1 線性判別函數 55

4.1.1 兩類問題 55

4.1.2 多類問題 57

4.2 Fisher線性判別函數 59

4.3 感知器算法 62

4.4 最小平方誤差算法 64

4.5 Logistic迴歸 65

4.6 基於Python實現感知器算法 69

4.6.1 基於sklearn庫實現感知器算法 69

4.6.2 實驗結果分析 73

4.7 實驗：感知器算法實現 74

4.7.1 實驗目的 74

4.7.2 實驗要求 75

4.7.3 實驗原理及具體步驟 75

4.7.4 實驗結果 77

習題 79

參考文獻 79

第5章 非線性分類 81

5.1 分段線性判別函數 81

5.1.1 最小距離分類器 81

5.1.2 一般的分段線性判別函數 82

5.2 決策樹和隨機森林 85

5.2.1 樹狀分類過程 85

5.2.2 構造決策樹 86

5.2.3 森林分類過程 89

5.3 支持向量機 90

5.3.1 線性可分情況 90

5.3.2 線性不可分情況 91

5.4 貝葉斯分類網絡 93

5.4.1 貝葉斯決策的相關概念 93

5.4.2 最小錯誤率貝葉斯決策 94

5.4.3 最小風險貝葉斯決策 95

5.4.4 正態分佈貝葉斯分類 96

5.5 神經網絡 97

5.5.1 神經網絡基本單元 97

5.5.2 前饋神經網絡 98

5.5.3 Hopfield反饋神經網絡 102

5.6 基於Python實現決策樹和隨機森林算法 103

5.6.1 決策樹和隨機森林算法的基本特徵 103

5.6.2 實驗結果分析 106

5.7 實驗：決策樹和隨機森林算法實現 107

5.7.1 實驗目的 107

5.7.2 實驗要求 107

5.7.3 實驗原理及步驟 107

5.7.4 實驗結果 111

習題 113

參考文獻 113 ^[1]