模式識別

、第1章 緒論
1.1模式識別基本概念
1.1.1模式和模式識別
1.1.2模式識別系統(tǒng)組成
1.2 特征描述
1.3 模式識別方法
1.3.1 統(tǒng)計(jì)法
1.3.2 聚類法
1.3.3 神經(jīng)網(wǎng)絡(luò)法
1.3.4 人工智能法
1.4模式識別工程設(shè)計(jì)
1.4.1 工程任務(wù)
1.4.2 訓(xùn)練集和測試集選擇
1.4.3 模式識別軟件
習(xí)題
第2章 特征聚類
2.1 聚類的概念
2.1.1特征聚類的基本思想
2.1.2聚類的算法
2.2 數(shù)據(jù)的降維（PCA）
2.2.1 PCA基本概念
2.2.2 PCA原理
2.2.3 PCA的一般步驟
2.2.4數(shù)據(jù)的降維實(shí)例
2.3 模式相似性測度
2.3.1距離測度
2.3.2相似測度
2.3.3匹配測度
2.4 K-均值聚類
2.4.1 K-均值聚類算法簡介
2.4.2算法原理
2.4.3K均值算法的一般步驟
2.4.4 K-均值聚類實(shí)例
2.5本章小結(jié)
習(xí)題
第3章 貝葉斯分類
3.1 貝葉斯準(zhǔn)則
3.1基于最小錯(cuò)誤率的貝葉斯準(zhǔn)則
3.2基于最小風(fēng)險(xiǎn)的貝葉斯準(zhǔn)則
3.3最大最小決策規(guī)則
3.4紐曼—皮爾遜（Neyman—Pearson）決策規(guī)則
3.5 貝葉斯學(xué)習(xí)估計(jì)案例（手寫字符）
習(xí)題
第4章Fisher線性判別
4.1 判別域界面方程分類的概念
4.2線性判別函數(shù)
4.2.1 兩類問題
4.2.2 多類問題
4.3 判別函數(shù)數(shù)值的鑒別意義、權(quán)空間及解空間
4.3.1 判別函數(shù)值的大小、正負(fù)的數(shù)學(xué)意義
4.3.2 權(quán)空間、解矢量與解空間
4.4 Fisher線性判別
習(xí)題
第5章 近鄰法
5.1 最近鄰法
5.1.1最近鄰決策規(guī)則
5.1.2最近鄰法的錯(cuò)誤率分析
5.2最近鄰法程序舉例
5.3 K近鄰法
5.3.1 K近鄰法原理及錯(cuò)誤率分析
5.3.2 K近鄰法程序舉例
5.4剪輯近鄰法
5.4.1剪輯近鄰法
5.4.2剪輯k-NN近鄰法
5.4.3剪輯近鄰法的一般流程
5.5本章小結(jié)
習(xí)題
第6章 BP神經(jīng)網(wǎng)絡(luò)及案例
6.1 BP神經(jīng)網(wǎng)絡(luò)基本原理
6.2 網(wǎng)絡(luò)各層節(jié)點(diǎn)數(shù)的確定
6.3 網(wǎng)絡(luò)各層間激活函數(shù)的確定
6.4 LM算法
6.5基于BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷
6.5.1變壓器常見故障類型
6.5.2 網(wǎng)絡(luò)的訓(xùn)練與仿真
6.6本章小結(jié)
習(xí)題
第7章 模式識別案例分析
7.1電池表面劃痕識別案例
7.1.1電池圖像邊緣提取
7.1.2基于有效邊緣點(diǎn)和Hough變換的電池圓心提取方法
7.1.3 基于NMI特征和邊緣特征電池圖像配準(zhǔn)算法
7.1.4 劃痕提取方法
7.2人臉識別案例
7.2.1 ORL人臉數(shù)據(jù)庫簡介
7.2.2 基于PCA的人臉圖像的特征提取
7.2.3 k-近鄰算法
7.2.4 BP神經(jīng)網(wǎng)絡(luò)法
7.2.5基于BP神經(jīng)網(wǎng)絡(luò)法和k-近鄰法的綜合決策分類
7.2.6實(shí)驗(yàn)的結(jié)果
7.2.7簡單實(shí)例
7.3 SIFT算法提取特征點(diǎn)及特征點(diǎn)的匹配
7.3.1高斯尺度空間的極值檢測
7.3.2特征點(diǎn)位置的確定
7.3.3特征點(diǎn)方向的確定
7.3.4特征點(diǎn)描述子生成
7.3.5 SIFT特征向量的匹配
7.3.6實(shí)現(xiàn)運(yùn)動(dòng)姿態(tài)的解算
7.4氣泡識別案例
7.4.1 兩相流高速圖像采集
7.4.2 兩相流圖像紋理特征的提取
7.4.3 紋理特征的Lempel-Ziv復(fù)雜度分析
7.4.4 基于SVM的氣液兩相流型識別
7.5三維識別案例
7.5.1 三維模型中特征點(diǎn)的定義
7.5.2 特征提取方法
7.5.3 三維識別方法
7.6本章小結(jié)
習(xí)題
參考文獻(xiàn)