模型分類編輯推薦

《模式分類》（原書第2版）已被卡內(nèi)基-梅隆、哈佛、斯坦福、劍橋等120多所大學(xué)采用為教材。本書作為流行和經(jīng)典的教材和專業(yè)參考書，主要面向電子工程、計算機(jī)科學(xué)、數(shù)學(xué)和統(tǒng)計學(xué)、媒體處理、模式識別、計算機(jī)視覺、人工智能和認(rèn)知科學(xué)等領(lǐng)域的研究生和相關(guān)領(lǐng)域的科技人員。開發(fā)和研究模式識別系統(tǒng)的實(shí)踐者，無論其應(yīng)用涉及語音識別、字符識別、圖像處理還是信號分析，常會遇到需要從大量令人迷惑的技術(shù)中做出選擇的難題。這本教材及專業(yè)參考書，為你準(zhǔn)備了充足的資料和信息，供你選擇最適合的技術(shù)。作為一本在過去幾十年內(nèi)模式識別領(lǐng)域經(jīng)典著作的新版，這一版本更新并擴(kuò)充了原作，重點(diǎn)介紹模式分類及該領(lǐng)域近年來的巨大進(jìn)展。

《模式分類》（原書第2版）的第1版《模式分類與場景分析》出版于1973年，是模式識別和場景分析領(lǐng)域奠基性的經(jīng)曲名著。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)新增了許多近25年來的新理論和新方法，其中包括神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、進(jìn)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(jī)等。作者還為未來25年的模式識別的發(fā)展指明了方向。書中包含許多實(shí)例，各種不同方法的對比，豐富的圖表，以及大量的課后習(xí)題和計算機(jī)練習(xí)。

出版者的話

譯者序

前言

第1章 緒論

1.1 機(jī)器感知

1.2 一個例子

1.3 模式識別系統(tǒng)

1.3.1 傳感器

1.3.2 分割和組織

1.3.3 特征提取

1.3.4 分類器

1.3.5 后處理

1.4 設(shè)計循環(huán)

1.4.1 數(shù)據(jù)采集

1.4.2 特征選擇

1.4.3 模型選擇

1.4.4 訓(xùn)練

1.4.5 評價

1.4.6 計算復(fù)雜度

1.5 學(xué)習(xí)和適應(yīng)

1.5.1 有監(jiān)督學(xué)習(xí)

1.5.2 無監(jiān)督學(xué)習(xí)

1.5.3 強(qiáng)化學(xué)習(xí)

1.6 本章小結(jié)

全書各章概要

文獻(xiàn)和歷史評述

參考文獻(xiàn)

第2章 貝葉斯決策論

2.1 引言

2.2 貝葉斯決策論——連續(xù)特征

2.3 最小誤差率分類

2.3.1 極小化極大準(zhǔn)則

2.3.2 Neyman-Pearson準(zhǔn)則

2.4 分類器、判別函數(shù)及判定面

2.4.1 多類情況

2.4.2 兩類情況

2.5 正態(tài)密度

2.5.1 單變量密度函數(shù)

2.5.2 多元密度函數(shù)

2.6 正態(tài)分布的判別函數(shù)

2.6.1 情況1：∑iδI

2.6.2 情況2：∑i=∑

2.6.3 情況3：∑=任意

2.7 誤差概率和誤差積分

2.8 正態(tài)密度的誤差上界

2.8.1 Chernoff界

2.8.2 Bhattacharyya界

2.8.3 信號檢測理論和操作特性

2.9 貝葉斯決策論——離散特征

2.9.1 獨(dú)立的二值特征

2.1 0丟失特征和噪聲特征

2.1 0.1 丟失特征

2.1 0.2 噪聲特征

2.1 1貝葉斯置信網(wǎng)

2.1 2復(fù)合貝葉斯決策論及上下文

本章小結(jié)

文獻(xiàn)和歷史評述

習(xí)題

上機(jī)練習(xí)

參考文獻(xiàn)

第3章 最大似然估計和貝葉斯參數(shù)估計

3.1 引言

3.2 最大似然估計

3.2.1 基本原理

3.2.2 高斯情況：u未知

3.2.3 高斯情況：u和∑均未知

3.2.4 估計的偏差

3.3 貝葉斯估計

3.3.1 類條件密度

3.3.2 參數(shù)的分布

3.4 貝葉斯參數(shù)估計：高斯情況

3.4.1 單變量情況：P(U|D)

3.4.2 單變量情況：P(z|D)

3.4.3 多變量情況

3.5 貝葉斯參數(shù)估計：一般理論

3.5.1 最大似然方法和貝葉斯方法何時有區(qū)別

3.5.2 無信息先驗(yàn)和不變性

3.5.3 吉布斯算法

3.6 充分統(tǒng)計量

3.7 維數(shù)問題

3.7.1 精度、維數(shù)和訓(xùn)練集的大

3.7.2 計算復(fù)雜度

3.7.3 過擬合

3.8 成分分析和判別函數(shù)

3.8.1 主成分分析

3.8.2 Fisher線性判別分析

3.8.3 多重判別分析

3.9 期望最大化算法

3.10 隱馬爾可夫模型

3.10.1 一階馬爾可夫模型

3.10.2 一階隱馬爾可夫模型

3.10.3 隱馬爾可夫模型的計算

3.10.4 估值問題

3.10.5 解碼問題

3.10.6 學(xué)習(xí)問題

本章小結(jié)

文獻(xiàn)和歷史評述

習(xí)題

上機(jī)練習(xí)

參考文獻(xiàn)

第4章 非參數(shù)技術(shù)

4.1 引言

4.2 概率密度的估計

4.3 Parzen窗方法

4.3.1 均值的收斂性

4.3.2 方差的收斂性

4.3.3 舉例說明

4.3.4 分類的例子

4.3.5 概率神經(jīng)網(wǎng)絡(luò)

4.3.6 窗函數(shù)的選取

4.4 Kπ近鄰估計

4.4.1 Kπ近鄰估計和Parzen窗估計

4.4.2 后驗(yàn)概率的估計

4.5 最近鄰規(guī)則

4.5.1 最近鄰規(guī)則的收斂性

4.5.2 最近鄰規(guī)則的誤差率

4.5.3 誤差界

4.5.4 K-近鄰規(guī)則

4.5.5 K-近鄰規(guī)則的計算復(fù)雜度

4.6 距離度量和最近鄰分類

4.6.1 度量的性質(zhì)

4.6.2 切空間距離

4.7 模糊分類

4.8 RCE網(wǎng)絡(luò)

4.9 級數(shù)展開逼近

本章小結(jié)

文獻(xiàn)和歷史評述

習(xí)題

上機(jī)練習(xí)

參考文獻(xiàn)

第5章 線性判別函數(shù)

5.1 引言

5.2 線性判別函數(shù)和判定面

5.2.1 兩類情況

5.2.2 多類的情況

5.3 廣義線性判別函數(shù)

5.4 兩類線性可分的情況

5.4.1 幾何解釋和術(shù)語

5.4.2 梯度下降算法

5.5 感知器準(zhǔn)則函數(shù)最小化

5.5.1 感知器準(zhǔn)則函數(shù)

5.5.2 單個樣本校正的收斂性證明

5.5.3 一些直接的推廣

5.6 松弛算法

5.6.1 下降算法

5.6.2 收斂性證明

5.7 不可分的情況

5.8 最小平方誤差方法

5.8.1 最小平方誤差及偽逆

5.8.2 與Fisher線性判別的關(guān)系

5.8.3 最優(yōu)判別的漸近逼近

5.8.4 Widrow-Hoff算法或最小均方算法

5.8.5 隨機(jī)逼近法

5.9 Ho-Kashyap算法

5.9.1 下降算法

5.9.2 收斂性證明

5.9.3 不可分的情況

5.9.4 一些相關(guān)的算法

5.10 線性規(guī)劃算法

5.10.1 線性規(guī)劃

5.10.2 線性可分情況

5.10.3 極小化感知器準(zhǔn)則函數(shù)

5.11 支持向量機(jī)

5.12 推廣到多類問題

5.12.1 Kesler構(gòu)造法

5.12.2 固定增量規(guī)則的收斂性

5.12.3 MSE算法的推廣

本章小結(jié)

文獻(xiàn)和歷史評述

習(xí)題

上機(jī)練習(xí)

參考文獻(xiàn)

……

第7章 隨機(jī)方法

第8章 非度量方法

第9章 獨(dú)立于算法的機(jī)器學(xué)習(xí)

第10章 無監(jiān)督學(xué)習(xí)和聚類

附錄A 數(shù)學(xué)基礎(chǔ)

參考文獻(xiàn)

索引 2100433B

根據(jù)水體類型，水溫模型分為水庫水溫模型、河流水溫模型、海洋水溫模型等（一般把湖泊水溫模型歸于水庫水溫模型一類）：根據(jù)考慮空間變量的個數(shù)，可分為零維模型、一維模型、二維模型、三維模型。

目標(biāo)模型基本分成目標(biāo)數(shù)學(xué)模型和目標(biāo)物理模型兩大類。

測井解釋模型可以分為巖石組合及層序的測井解釋模型和沉積構(gòu)造、沉積體結(jié)構(gòu)的測井解釋模型。