本書為電力行業(yè)“十四五”規(guī)劃教材。
本書從一個最簡單的水果識別的例子開始，引出最近鄰法和最小距離分類法，用最簡單的方法進行分類原理說明，之后展開模式識別算法的講解，主要包括貝葉斯決策方法、近鄰法、線性判決方法、非線性判決方法、聚類分析、特征選擇與提取、神經(jīng)網(wǎng)絡、支持向量機、深度學習。
全書示例以簡單易行為原則,水果識別用于入門,引出近鄰法和最小距離法;特殊的水果樣本引出梯度下降法;異或問題引出非線性分類方法;四維特征的IRIS數(shù)據(jù)用于特征選擇與特征抽取示例;0~9字符圖像數(shù)據(jù)引出特征生成;MNIST數(shù)據(jù)用于深度學習算法的實現(xiàn)示例。
前言
第1章 模式識別概述
1.1 模式識別的定義
1.2 模式識別的應用
1.3 模式識別方法示例
1.4 模式識別基本概念
習題
第2章 貝葉斯決策
2.1 錯誤率
2.2 基于最小錯誤率的貝葉斯決策
2.3 基于最小風險的貝葉斯決策
2.4 其他貝葉斯決策方法
習題
第3章 近鄰法
3.1 最近鄰法
3.2 最近鄰法的錯誤率分析
3.3 k近鄰法
3.4 快速近鄰算法
習題
第4章 線性判別法
4.1 判別函數(shù)法
4.2 訓練樣本錯分問題
4.3 迭代法
4.4 多類問題的感知器準則函數(shù)方法
4.5 最小均方誤差準則函數(shù)
4.6 感知器與神經(jīng)元
習題
第5章 神經(jīng)網(wǎng)絡
5.1 線性不可分問題
5.2 線性判別函數(shù)組合方法
5.3 BP神經(jīng)網(wǎng)絡
5.4 神經(jīng)網(wǎng)絡算法的應用
習題
第6章 支持向量機
6.1 機器學習
6.2 統(tǒng)計學習理論
6.3 支持向量機
6.4 支持向量機算法實現(xiàn)
第7章 聚類分析
7.1 相似性測度
7.2 聚類準則
7.3 聚類算法
習題
第8章 特征選擇與提取
8.1 對特征的認識
8.2 特征生成
8.3 特征選擇
8.4 特征提取
習題
第9章 深度學習
9.1 特征生成問題
9.2 自編碼器
9.3 卷積神經(jīng)網(wǎng)絡
9.4 計算機視覺
9.5 電力視覺技術
習題
參考文獻
書單推薦
