最 低 价：￥20.30
定 价：￥0.00
作 者：（希腊）Sergios Theodoridis, Konstantinos Koutroumbas 著
出 版 社：电子工业出版社
出版时间：2006 年12月
I S B N：7121026473
| Sergios Theodoridis：希腊雅典大学信息与通信系教授。他于1973年在雅典大学获得物理学学士学位，又分别于1975年和1978年在英国伯明翰大学获得信号处理与通信硕士和博士学位。自1995年以来，他一直是希腊雅典大学信息与通信系教授。其主要研究方向是自适应信号处理、通信与模式识别。他是欧洲并行结构及语言协会(PARLE-95)主席和欧洲信号处理协会(EUSIPCO-98)常务主席、《信号处理》杂志编委。. Konstantinos Koutroumbas：1989年早业于希腊佩特雷大学的计算机工程与信息学院，1990年在英国伦敦.. << 查看详细 |
| 第1章 导论 1.1 模式识别的重要性 1.2 特征、特征向量和分类器 1.3 有监督和无监督模式识别 1.4 本书的内容安排 第2章 基于贝叶斯决策理论的分类器 2.1 引言 2.2 贝叶斯决策理论 2.3 判别函数和决策面 2.4 正态分布的贝叶斯分类 2.5 未知概率密度函数的估计 2.6 最近邻规则 2.7 贝叶斯网络 习题 参考文献 第3章 线性分类器 3.1 引言 3.2 线性判别函数和决策超平面 3.3 感知器算法 3.4 最小二乘法 .3.5 均方估计的回顾 3.6 逻辑识别 3.7 支持向量机 习题 参考文献 第4章 非线性分类器 4.1 引言 4.2 异或问题 4.3 两层感知器 4.4 三层感知器 4.5 基于训练集准确分类的算法 4.6反向传播算法 4.7 反向传播算法的改进 4.8代价函数选择 4.9 神经网络大小的选择 4.10 仿真实例 4.11 具有权值共享的网络 4.12 线性分类器的推广 4.13 线性二分法中i维空间的容量 4.14 多项式分类器 4.15 径向基函数网络 4.16 通用逼近 4.17 支持向量机：非线性情况 4.18 决策树 4.19 合并分类器 4.20 合并分类器的增强法 4.21 讨论 习题 参考文献 第5章特征选择 5.1 引言 5.2 预处理 5.3 基于统计假设检验的特征选择 5.4 接收机操作特性roc曲线 5.5 类可分性测量 5.6 特征子集的选择 5.7 最优特征生成 5.8 神经网络和特征生成/选择 5.9 推广理论的提示 5.10 贝叶斯信息准则 习题 参考文献 第6章 特征生成i：线性变换 6.1 引言 6.2 基本向量和图像 6.3 karhunen-loeve变换 6.4 奇异值分解 6.5 独立成分分析 6.6 离散傅里叶变换(dft) 6.7 离散正弦和余弦变换 6.8 hadamard变换 6.9 haar变换 6.10 回顾haar展开式 6.11 离散时间小波变换(dtwt) 6.12 多分辨解释 6.13 小波包 6.14 二维推广简介 6.15 应用 习题 参考文献 第7章 特征生成ii 7.1 引言 7.2 区域特征 7.3 字符形状和大小的特征 7.4 分形概述 7.5 语音和声音分类的典型特征 习题 参考文献 第8章 模板匹配 8.1 引言 8.2 基于最优路径搜索技术的测度 8.3 基于相关的测度 8.4 可变形的模板模型 习题 参考文献 第9章 上下文相关分类 9.1 引言 9.2 贝叶斯分类器 9.3 马尔可夫链模型 9.4 viterbi算法 9.5 信道均衡 9.6 隐马尔可夫模型 9.7 状态驻留的hmm 9.8 用神经网络训练马尔可夫模型 9.9 马尔可夫随机场的讨论 习题 参考文献 第10章 系统评价 10.1 引言 10.2 误差计算方法 10.3 探讨有限数据集的大小 10.4 医学图像实例研究 习题 参考文献 第11章 聚类：基本概念， 11.1 引言” 11.2 近邻测度 习题— 参考文献 第12章 聚类算法i：顺序算法 12.1 引言 12.2 聚类算法的种类 12.3 顺序聚类算法 12.4 bsas的改进 12.5 两个阈值的顺序方法 12.6 改进阶段 12.7 神经网络的实现 习题 参考文献 第13章 聚类算法ii：层次算法 13.1 引言 13.2 合并算法 13.3 cophenetic矩阵 13.4 分裂算法 13.5 用于大数据集的层次算法 13.6 最佳聚类数的选择 习题 参考文献 第14章 聚类算法ill：基于函数最优方法 14.1 引言 14.2 混合分解方法 14.3 模糊聚类算法 14.4 可能性聚类 14.5 硬聚类算法 14.6 向量量化 附录 习题 参考文献 第15章 聚类算法iv 15.1 引言 15.2 基于图论的聚类算法 15.3 竞争学习算法 15.4 值形态聚类算法 15.5 边界检测算法 15.6 谷点搜索聚类算法 15.7 通过代价最优聚类(回顾) 15.8 核聚类方法 15.9 对大数据集的基于密度算法 15.10 高维数据集的聚类算法 15.11 其他聚类算法 习题 参考文献 第16章 聚类有效性 16.1 引言 16.2 假设检验回顾 16.3 聚类有效性中的假设检验 16.4 相关准则 16.5 单独聚类有效性 16.6 聚类趋势 习题 参考文献 附录a 概率论和统计学的相关知识 附录b 线性代数基础 附录c 代价函数的优化 附录d 线性系统理论的基本定义 索引 |
内容加载中，请稍后...
商品评论（0条）