目录

第1章绪论

1.1模式识别的基本概念

1.1.1生物的识别能力

1.1.2模式识别的概念

1.1.3模式识别的特点

1.1.4模式的描述方法及特征空间

1.2模式识别系统的组成和主要方法

1.2.1模式识别系统的组成

1.2.2模式识别的方法

1.3模式识别的应用举例

1.3.1文字识别

1.3.2语音识别

1.3.3指纹识别

1.3.4遥感图像识别

1.3.5医学诊断

1.3.6无损检测

1.4全书结构内容

第2章贝叶斯决策理论

微课视频39分钟

2.1几个重要的概念

2.2几种常用的决策规则

2.2.1基于最小错误率的贝叶斯决策

2.2.2最小风险判别规则

2.2.3最大似然比判别规则

2.2.4NeymanPearson判别规则

2.3正态分布中的贝叶斯分类方法

2.4Python程序实现

习题及思考题

第3章概率密度函数的参数估计

微课视频8分钟

3.1概率密度函数估计概述

3.2最大似然估计

3.3贝叶斯估计与贝叶斯学习

3.4非参数估计

3.4.1非参数估计的基本方法

3.4.2Parzen窗法

3.4.3kN近邻估计法

3.5Python示例

习题及思考题

第4章非参数判别分类方法

微课视频71分钟

4.1线性分类器

4.1.1线性判别函数的基本概念

4.1.2多类问题中的线性判别函数

4.1.3广义线性判别函数

4.1.4线性分类器的主要特性及设计步骤

4.1.5感知器算法

4.1.6Fisher线性判别函数 

4.2非线性判别函数

4.2.1非线性判别函数与分段线性判别函数

4.2.2基于距离的分段线性判别函数

4.3支持向量机

4.3.1线性可分情况

4.3.2线性不可分情况

4.4Python示例

习题及思考题

第5章聚类分析

微课视频53分钟

5.1模式相似性测度

5.1.1距离测度

5.1.2相似测度

5.1.3匹配测度

5.2类间距离测度方法

5.2.1最短距离法

5.2.2最长距离法

5.2.3中间距离法

5.2.4重心法

5.2.5平均距离法(类平均距离法)

5.3聚类准则函数

5.3.1误差平方和准则

5.3.2加权平均平方距离和准则

5.3.3类间距离和准则

5.3.4离散度矩阵

5.4基于距离阈值的聚类算法

5.4.1最近邻规则的聚类算法

5.4.2最大最小距离聚类算法

5.5动态聚类算法

5.5.1C均值聚类算法

5.5.2ISODATA聚类算法

5.6Python示例

习题及思考题

第6章特征提取与选择

微课视频39分钟

6.1类别可分性判据

6.2基于距离的可分性判据

6.3按概率距离判据的特征提取方法

6.4基于熵函数的可分性判据

6.5基于KarhunenLoeve变换的特征提取

6.5.1KarhunenLoeve变换

6.5.2使用KarhunenLoeve变换进行特征提取

6.6特征选择

6.6.1次优搜索法

6.6.2最优搜索法

6.7Python示例

习题及思考题

第7章模糊模式识别

微课视频44分钟

7.1模糊数学的基础知识

7.1.1集合及其特征函数

7.1.2模糊集合

7.1.3模糊集合的λ水平截集

7.1.4模糊关系及模糊矩阵

7.2模糊模式识别方法

7.2.1最大隶属度识别法

7.2.2择近原则识别法

7.2.3基于模糊等价关系的聚类方法

7.2.4模糊C均值聚类

7.3Python示例

习题及思考题

第8章神经网络在模式识别中的应用

微课视频106分钟

8.1人工神经网络的基础知识

8.1.1人工神经网络的发展历史

8.1.2生物神经元

8.1.3人工神经元

8.1.4人工神经网络的特点

8.2前馈神经网络

8.2.1感知器

8.2.2多层感知器

8.3自组织特征映射网络

8.3.1自组织神经网络结构

8.3.2自组织神经网络的识别过程

8.3.3自组织神经网络的学习过程

8.4径向基函数(RBF)神经网络

8.4.1RBF神经网络结构

8.4.2径向基函数

8.4.3RBF神经网络的学习过程

8.5Python示例

习题及思考题

第9章典型深度学习模型及应用

9.1深度学习

9.1.1深度学习介绍

9.1.2受限玻尔兹曼机

9.1.3深度置信网络

9.1.4卷积神经网络

9.2RCNN系列原理及方法

9.2.1RCNN原理及方法

9.2.2Fast RCNN原理及方法

9.3LSTM模型

9.4Transformer模型

9.4.1编码器结构

9.4.2解码器结构

9.5深度学习应用实例

习题及思考题

第10章模式识别的工程应用

微课视频68分钟

10.1基于朴素贝叶斯的中文文本分类

10.1.1文本分类原理

10.1.2文本特征提取

10.1.3朴素贝叶斯分类器设计

10.1.4测试文本分类

10.2基于PCA和SVM的人脸识别

10.2.1人脸图像获取

10.2.2人脸图像预处理

10.2.3人脸图像特征提取

10.2.4SVM分类器的设计和分类

10.3基于ResNet的图像分类

10.3.1ResNet10与Cifar10

10.3.2ResNet10的训练

参考文献













视 频 名 称时长/min位置


第1集最小错误率贝叶斯决策102.2.1节
第2集最小风险贝叶斯决策122.2.2节
第3集朴素贝叶斯算法92.4节
第4集朴素贝叶斯与NumPy82.4节
第5集最大似然估计 83.2节
第6集线性判别函数164.1节
第7集广义线性判别函数124.1.3节
第8集线性判别函数的几何特性144.1.4节
第9集感知器算法124.1.5节
第10集SVM194.3节
第11集感知器与鸢尾花84.4节
第12集模式相似性测度145.1节
第13集基于距离阈值的聚类115.4.1节
第14集层次聚类算法95.4.2节
第15集动态聚类算法135.5节
第16集K均值聚类算法65.6节例5.8
第17集相似性测度146.2节
第18集KL变换特征提取146.5节
第19集PCA(上)66.7节
第20集PCA(下)56.7节
第21集模糊模式分类的直接方法87.2.1节
第22集模糊模式识别的间接方法117.2.2节
第23集模糊聚类分析法107.2.3节
第24集模糊K均值算法157.2.4节

第25集神经网络的基本概念128.1节
第26集神经网络的历史沿革208.1.1节
第27集前馈神经网络198.2.1节
第28集前馈神经网络2158.2.2节
第29集BP神经网络1(上)98.5节
第30集BP神经网络1(下)148.5节
第31集BP神经网络2108.5节
第32集BP神经网络3178.5节
第33集朴素贝叶斯与Sklearn1810.1节
第34集SVM21210.2节
第35集卷积神经网络11910.3节
第36集卷积神经网络21910.3节