人工智能 类型
可以朗读 语音朗读
226千字 字数
2020-08-01 发行日期
展开全部

主编推荐语

人工智能出版工程系列：系统阐述模式识别热点及研究进展。

内容简介

本书是“人工智能出版工程”系列图书之一。模式识别是人工智能的重要组成部分，本书简要介绍了模式识别的基本概念，以模式表示为切入点，针对近20年来模式识别领域研究的热点问题，系统阐述了线性子空间表示、非线性子空间表示、流形学习、稀疏表示、低秩模型、深度学习等方面的研究进展和相关代表性方法。本书可供高等院校人工智能、智能科学与技术、计算机及相关专业研究生或高年级本科生阅读，也可供对模式识别感兴趣的研究人员和工程技术人员阅读和参考。

目录

  • 封面
  • 版权信息
  • 内容简介
  • 人工智能出版工程丛书编委会
  • 前言
  • 第1章 绪论
  • 1.1 模式的基本概念
  • 1.2 模式表示学习
  • 1.2.1 线性子空间分析
  • 1.2.2 基于流形、稀疏与低秩假设的模式表示
  • 1.3 模式分类
  • 1.3.1 贝叶斯分类器
  • 1.3.2 最小距离分类器
  • 1.3.3 最近邻分类器
  • 1.3.4 BP神经网络
  • 1.3.5 支持向量机
  • 1.3.6分类器组合
  • 1.4 应用算例
  • 1.4.1 手写体数字图像识别
  • 1.4.2 人脸图像识别
  • 参考文献
  • 第2章 线性子空间表示
  • 2.1 主成分分析
  • 2.1.1 基本概念
  • 2.1.2 最小均方误差逼近
  • 2.1.3 PCA变换的统计不相关性
  • 2.1.4 小样本情况下的主成分分析
  • 2.2 线性鉴别分析
  • 2.2.1 基本概念
  • 2.2.2 经典的费希尔线性鉴别与Foley-Sammon线性鉴别方法
  • 2.2.3 具有统计不相关性的线性鉴别分析
  • 2.2.4 相关性分析
  • 2.2.5 等价的最优鉴别向量集
  • 2.2.6 几种等价的费希尔准则
  • 2.3 小样本情况下的线性鉴别分析
  • 2.3.1 两种线性鉴别方法的统一模型
  • 2.3.2 压缩映射基本原理
  • 2.3.3 同构映射基本原理
  • 2.3.4 奇异情况下线性鉴别分析的实质：PCA+LDA
  • 2.3.5 奇异情况下的组合鉴别分析方法
  • 2.4 二维主成分分析
  • 2.5 二维线性鉴别分析
  • 2.5.1 基本思想
  • 2.5.2 Liu图像投影鉴别分析
  • 2.5.3 统计不相关的图像投影鉴别分析
  • 2.5.4 图像鉴别特征抽取方法
  • 2.5.5 相关性分析
  • 2.6 应用算例
  • 2.6.1 主成分分析
  • 2.6.2 线性鉴别分析
  • 2.6.3 小样本情况下的线性鉴别分析
  • 2.6.4 二维主成分分析
  • 2.6.5 二维线性鉴别分析
  • 参考文献
  • 第3章 非线性子空间表示
  • 3.1 核方法的基本思想
  • 3.2 核主成分分析
  • 3.3 核费希尔鉴别分析
  • 3.3.1 基础理论
  • 3.3.2 最优费希尔鉴别向量的搜寻空间
  • 3.3.3 计算费希尔最优鉴别向量的基本思想
  • 3.3.4 简明的KFD算法框架：KPCA+LDA
  • 3.4 完整的KFD算法（CKFD）
  • 3.4.1 抽取两种鉴别信息
  • 3.4.2 两种鉴别信息的融合
  • 3.4.3 完整的KFD算法步骤
  • 3.4.4 与其他KFD方法和LDA方法的关系
  • 3.5 应用算例
  • 3.5.1 在FERET人脸数据集上的实验
  • 3.5.2 在手写体数字CENPARMI数据集上的实验
  • 参考文献
  • 第4章 流形学习
  • 4.1 概述
  • 4.2 非线性嵌入方法
  • 4.2.1 ISOMAP算法
  • 4.2.2 LLE算法
  • 4.2.3 LE算法
  • 4.2.4 LPP算法
  • 4.2.5 NLPP算法
  • 4.2.6 其他非线性嵌入算法
  • 4.3 特殊的黎曼流形
  • 4.3.1 正交矩阵的格拉斯曼流形
  • 4.3.2 非对称正定矩阵的李群流形
  • 4.3.3 对称正定矩阵的李群流形
  • 4.3.4矩阵流形上的降维算法
  • 4.4 流形对齐
  • 4.4.1 无监督流形对齐问题描述
  • 4.4.2 无监督流形的点点对齐
  • 4.4.3 无监督流形的分布对齐
  • 4.5 应用
  • 4.5.1 图像分类
  • 4.5.2 生物识别
  • 4.5.3 域迁移学习
  • 参考文献
  • 第5章 稀疏表示
  • 5.1 稀疏表示的基本算法
  • 5.2 基于稀疏表示的特征抽取
  • 5.2.1 稀疏主成分分析方法
  • 5.2.2 稀疏判别分析方法
  • 5.2.3 稳健联合稀疏嵌入方法
  • 5.3 基于稀疏表示的分类
  • 5.3.1 稀疏系数的作用
  • 5.3.2 表示残差的正则化
  • 5.3.3 稀疏表示分类中的字典学习
  • 5.3.4 扩展的稀疏表示分类
  • 5.4 稀疏表示的典型应用
  • 5.4.1 人脸识别
  • 5.4.2 目标跟踪
  • 5.4.3 视觉显著性检测
  • 参考文献
  • 第6章 低秩模型
  • 6.1 概述
  • 6.2 与核范数有关的RPCA
  • 6.2.1 RPCA和稳健矩阵补全
  • 6.2.2 双核范数的矩阵分解
  • 6.2.3 双核范数的归纳式矩阵分解
  • 6.2.4 显著性检测的一个简单例子
  • 6.3 与核范数有关的LRR
  • 6.3.1 LRR和隐式LRR
  • 6.3.2 无噪声LRR的闭解
  • 6.3.3 稳健低秩表示
  • 6.3.4 非凸低秩表示
  • 6.4 与核范数有关的RMR
  • 6.4.1 Lq范数正则核范数的矩阵回归
  • 6.4.2 推广幂指数分布的矩阵回归
  • 6.4.3 树结构核范数的矩阵回归
  • 6.4.4 贝叶斯相关组的矩阵回归
  • 6.5 应用
  • 6.5.1 背景建模
  • 6.5.2 子空间聚类
  • 6.5.3 人脸识别
  • 6.6 归纳与展望
  • 参考文献
  • 第7章 深度学习
  • 7.1 概述
  • 7.2 自编码器
  • 7.2.1 正向传播与反向传播
  • 7.2.2 自编码器架构
  • 7.3 卷积神经网络
  • 7.3.1 卷积神经网络基础
  • 7.3.2 经典卷积神经网络模型
  • 7.3.3 改进的卷积神经网络
  • 7.4 递归神经网络
  • 7.4.1 传统递归神经网络
  • 7.4.2 基于门控单元的递归神经网络
  • 7.4.3时空递归神经网络
  • 7.4.4 递归形状回归网络
  • 7.4.5 联合任务递归学习
  • 7.4.6 轻量级递归神经网络
  • 7.5 生成对抗网络
  • 7.5.1 传统生成对抗网络
  • 7.5.2 生成对抗网络的变种
  • 7.5.3 ST条件生成对抗网络
  • 7.6 图卷积神经网络
  • 7.6.1 图卷积学习
  • 7.6.2 张量图卷积学习
  • 7.7 应用
  • 7.7.1 目标检测
  • 7.7.2 目标跟踪
  • 7.7.3 场景理解
  • 7.7.4 图像重建
  • 7.7.5 社交网络
  • 参考文献
  • 封底
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

电子工业出版社

电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。