具体描述
《现代模式识别》系统深入地论述了模式识别的理论与方法、较全面地介绍了本学科的新近科技成果。全书共12章，讨论的主流模式识别技术是：统计模式识别、模糊模式识别、神经网络技术、人工智能方法、句法模式识别。第一章为引论，第二章至第七章介绍的统计模式识别包括聚类分析、判别代数界面方程法、统计判决、训练学习与错误率估计、特征提取与选择以及最近邻法，第十一章信息融合集中论述识别与决策中的有关融合技术，第十二章人工智能方法侧重论述不确定推理，其他类型识别方法在其余各章分别介绍。
作者简介
目录信息
1.1 概述
1.2 特征矢量和特征空间
1.3 矢量的描述
1.4 正态分布
参考文献
第二章 聚类分析
2.1 聚类分析的概念
2.2 模式相似性测度
2.3 类的定义与类间距离
2.4 准则函数
2.5 聚类的算法
文献简评 应用简介
习题
上机练习
参考文献
第三章 判别域代数界面方程法
3.1 用判别域界面方程分类的概念
3.2 线性判别函数
3.3 判别函数值的鉴别意义、权空间及解空间
3.4 Fisher线性判别
3.5 线性可分条件下判别函数的权矢量算法
3.6 一般情况下的判别函数权矢量算法
3.7 线性规划方法
3.8 线性二分能力
3.9 广义线性判别函数
3. 二次判别函数
3.11 分段线性判别函数
3.12 位势函数分类法
3.13 支持矢量机简介
3.14 小概率机
文献简评 应用简介
习题
上机练习
参考文献
第四章 统计判决
4.1 小误判概率准则判决
4.2 小损失准则判决
4.3 小损失准则
4.4 N—P（Neyman—Pearson）判决
4.5 序贯判决（SPRD）
4.6 Fisher准则判决
4.7 特征数据缺损或被噪声污染下的Bayes判决
4.8 批对象的复合判决
文献简评 应用简介
习题
上机练习
参考文献
第五章 统计决策中的学习与错误率估计
5.1 统计推断概述
5.2 参数估计
5.3 Bayes学习
5.4 概密的窗函数估计法
5.5 有限项正交函数级数逼近法
5.6 用位势函数法逼近Bayes判决函数
5.7 逼近方法求类的后验概率
5.8 统计决策准则下线性判决函数的训练生成
5.9 错误率估计
5. 基于平均损失估计的学习及小误判概率的估计
5.11 无监督估计（盲估计）
5.12 期望化算法
5.13 集成学习
文献简评 应用简介
习题
上机练习
参考文献
第六章 近邻法
6.1 基本的近邻法
6.2 剪辑近邻法
6.3 引入拒绝决策的近邻法
6.4 近邻法中的距离及其实际计算
文献简评 应用简介
习题
参考文献
第七章 特征提取与选择
7.1 概述
7.2 类别可分性判据
7.3 基于可分性判据进行变换的特征提取与选择
7.4 鉴别矢量的提取
7.5 离散K—L变换及其在特征提取与选择中的应用
7.6 独立成分分析
7.7 基于决策界的特征提取
7.8 特征选择中的直接挑选法
7.9 多维尺度分析
文献简评 应用简介
习题
参考文献
第八章 模糊模式识别
8.1 引言
8.2 普通集合与模糊集合
8.3 普通集合上的关系及有关知识
8.4 模糊关系与模糊变换
8.5 模糊度和特征提取与选择
8.6 模糊识别的基本方法
8.7 基于模糊相似矩阵的分类方法
8.8 模糊C—均值聚类算法
8.9 树法模式识别
8. 几何图形的模糊识别
文献简评 应用简介
习题
参考文献
第九章 神经网络在模式识别中的应用
9.1 人工神经网络的基本知识
9.2 前向型人工神经网络
9.3 BP网的性能和学习改进
9.4 Hopfield网络
9.5 神经网络
9.6 自适应共振理论神经网络
9.7 自组织特征映射神经网络
9.8 模糊神经网络
9.9 概率神经网络
9. RCE神经网络
文献简评 应用简介
习题
上机练习
参考文献
第十章 信息融合
.1 概述
.2 融合技术层次性及融合系统功能模块和结构
.3 关于信息融合的熵理论
.4 观测不相关的分布式小损失准则下的检测与决策融合
.5 观测相关的决策融合
.6 N—P准则下的决策融合
.7 分布式检测决策融合全局优概述及某些约束条件下优解
.8 D—S证据理论的融合算法
文献简评 应用简介
习题
参考文献
第十一章 结构模式识别
11.1 结构模式识别概述
11.2 形式语言
11.3 高维文法与文法
11.4 模式的描述
11.5 句法分析
11.6 文法推断
文献简评 应用简介
习题
参考文献
第十二章 智能化方法
12.1 人工智能
12.2 专家系统
12.3 知识的表示
12.4 智能推理技术
12.5 不确定性推理
文献简评 应用简介
习题
参考文献
第十三章 树分类器
13.1 树分类器原理
13.2 树分类器的设计原则
13.3 树分类器的关键技术
13.4 决策树生成算法
文献简评 应用简介
习题
上机练习
参考文献
第十四章 支持矢量机
14.1 优化的分析方法原理
14.2 优分类界面
14.3 广义优分类界面
14.4 优界面与广义优界面分类性能的统计特性
14.5 支持矢量机（SVM）
14.6 基于Adaboost的SVM组合
文献简评 应用简介
习题
参考文献
第十五章 基于隐马尔可夫模型识别方法
15.1 一阶马尔可夫模型（MM）
15.2 一阶隐马尔可夫模型（HMM）
15.3 可见序列概率估计
15.4 隐状态估计
15.5 模型参数估计
15.6 隐马尔可夫模型方法模式识别
文献简评 应用简介
习题
参考文献
第十六章 子空间模式识别方法
16.1 概述
16.2 子空间投影
16.3 子空间判别法
16.4 线性回归模型法
16.5 正交子空间法
16.6 Kohonen学习子空间法
16.7 子空间的平均学习法
文献简评 应用简介
习题
参考文献
第十七章 机器统计学习理论
17.1 机器统计学习理论概述
17.2 经验风险小化设计
17.3 经验风险小化原则的一致性条件
17.4 优指示函数判决风险的界
17.5 训练序列的长度和识别率估计精度的关系
17.6 结构风险小化
文献简评 应用简介
习题
参考文献
· · · · · · (收起)
读后感
首先，这本书是http://book.douban.com/subject/1237311/的第2版。不知为何豆瓣把这两本书分了开来。第2版的厚度大概比第一版厚一倍。 书中先作了一部分矩阵和概率统计方面的review，基本上有了大学工科专业里所学的高等数学、线性代数、概率论与数理统计再加上...
首先，这本书是http://book.douban.com/subject/1237311/的第2版。不知为何豆瓣把这两本书分了开来。第2版的厚度大概比第一版厚一倍。 书中先作了一部分矩阵和概率统计方面的review，基本上有了大学工科专业里所学的高等数学、线性代数、概率论与数理统计再加上...
首先，这本书是http://book.douban.com/subject/1237311/的第2版。不知为何豆瓣把这两本书分了开来。第2版的厚度大概比第一版厚一倍。 书中先作了一部分矩阵和概率统计方面的review，基本上有了大学工科专业里所学的高等数学、线性代数、概率论与数理统计再加上...
首先，这本书是http://book.douban.com/subject/1237311/的第2版。不知为何豆瓣把这两本书分了开来。第2版的厚度大概比第一版厚一倍。 书中先作了一部分矩阵和概率统计方面的review，基本上有了大学工科专业里所学的高等数学、线性代数、概率论与数理统计再加上...
首先，这本书是http://book.douban.com/subject/1237311/的第2版。不知为何豆瓣把这两本书分了开来。第2版的厚度大概比第一版厚一倍。 书中先作了一部分矩阵和概率统计方面的review，基本上有了大学工科专业里所学的高等数学、线性代数、概率论与数理统计再加上...
用户评价
我一直对人工智能和数据科学充满好奇，但接触到的许多资料都显得过于碎片化，或者是以一种“调味料”的方式出现，只在某个特定功能中提及。直到我翻阅了《现代模式识别》，才感觉像是找到了一个可靠的“主菜”。这本书为我建立起了一个非常完整的知识体系。它不像某些“速成”教程那样只教你如何调用API，而是从根本上解释了“为什么”和“怎么做”。书中清晰地梳理了模式识别的发展脉络，从早期的统计方法到后来的机器学习，再到如今如火如荼的深度学习，让我能够理解技术的演进逻辑。而且，作者在讲解过程中，始终保持着严谨的科学态度，但又不会让读者感到枯燥。他巧妙地运用各种类比和图解，将复杂的数学概念解释得非常生动形象。我特别喜欢书中对不同算法的比较分析，让我能够根据不同的问题选择最合适的工具。这本书不仅让我对模式识别有了宏观的认识，也为我后续深入学习机器学习、计算机视觉等领域打下了坚实的基础。
我是在一个偶然的机会下了解到《现代模式识别》这本书的，当时正对机器学习和人工智能领域产生浓厚兴趣，但又苦于找不到一本既有深度又不失易懂的入门读物。这本书恰好填补了我的空白。作者在书中非常系统地介绍了模式识别的基本理论和核心算法，从最基础的统计学习模型，到后来更复杂的深度学习方法，都进行了详尽的阐述。我尤其喜欢书中对各种算法的推导过程，虽然有些地方需要反复阅读，但作者的逻辑清晰，层层递进，最终让我茅塞顿开。书中还穿插了大量图示和代码示例，这对于我这样的实践型学习者来说非常有帮助。我尝试着跟着书中的代码进行了一些简单的实验，发现真的能够复现书中描述的效果，这极大地增强了我学习的信心。而且，作者在讲解过程中，并没有回避问题的复杂性，而是引导读者去思考其中的关键点和挑战，这比那些只讲皮毛的书要深入得多。总的来说，这本书为我构建了一个扎实的模式识别理论框架，也为我日后深入研究相关技术打下了坚实的基础。
作为一个在某个相关领域摸爬滚打多年的从业者，我一直觉得关于模式识别的专业书籍要么过于理论化，要么就是流于表面，很难找到一本能真正解决实际问题的。然而，《现代模式识别》这本书却给了我惊喜。它在理论深度上毫不妥协，对各种经典的模式识别算法都进行了深入的剖析，包括其数学原理、优缺点以及适用场景。但更难能可贵的是，这本书非常注重理论与实践的结合。作者在介绍完某个算法后，往往会立刻引申到相关的实际应用，并给出一些启发性的思考，让我能够快速地将学到的知识与工作中的问题联系起来。书中对于一些前沿技术的介绍也相当到位，例如书中对深度学习在模式识别中的应用进行了详细的阐述，并且给出了很多具体的例子，让我对这些新技术有了更深刻的理解。这本书对于我这样需要不断学习和更新知识的人来说，无疑是一本宝贵的参考资料，它既能巩固我的基础，又能帮助我跟上技术发展的步伐。
这本书简直让我脑洞大开！之前对“模式识别”这个概念一直有点模糊，觉得它好像只存在于科幻电影或者高科技实验室里。但读了《现代模式识别》之后，我才发现它其实无处不在，悄悄地影响着我们生活的方方面面。比如，手机解锁的人脸识别，智能音箱听懂我指令的语音识别，甚至是推荐算法为我量身定制的电影和音乐，背后都有模式识别的影子。这本书用通俗易懂的语言，一步步剖析了这些看似神奇的技术是如何实现的，让我对背后的逻辑有了更清晰的认识。它不像某些技术书籍那样枯燥乏味，反而充满了启发性。作者在解释复杂的算法时，经常会引用生活中的例子，比如识别猫和狗的图片，这让我这个非技术背景的读者也能轻松理解。而且，书中还探讨了模式识别在不同领域的应用，从医疗诊断到金融风控，再到自动驾驶，让我看到了这个技术巨大的潜力和广阔的前景。看完之后，感觉自己仿佛打开了一扇新世界的大门，对未来科技的发展充满了好奇和期待。这本书绝对是想要了解现代科技、拓展知识边界的读者的不二之选。
说实话，拿到《现代模式识别》这本书的时候，我心里是有点打鼓的。毕竟“模式识别”听起来就不是个轻松的话题，我担心会遇到大量的数学公式和晦涩的专业术语，读起来会非常吃力。但这本书的阅读体验却远远超出了我的预期。作者似乎深谙如何与读者沟通，他用一种非常“讲故事”的方式来阐述原理，将抽象的概念具象化。比如，在讲解分类器的工作原理时，他会类比生活中人们如何根据特征来区分不同种类的物品，这种类比非常贴切，让我一下子就抓住了核心思想。而且，书中并没有一味地堆砌理论，而是穿插了很多实际案例，从早期的图像识别到近年的自然语言处理，都进行了生动的介绍。让我惊叹的是，原来我们日常接触到的很多便捷功能，比如智能相册分类、垃圾邮件过滤，甚至是更复杂的医疗影像分析，都离不开这些看似高深的模式识别技术。这本书让我对科技的理解不再是停留在表面，而是能看到它背后的“魔法”是如何施展的。
大杂烩。应该是老师直接找学生汇编的书，连序言都写错，一点也不严谨。
大杂烩。应该是老师直接找学生汇编的书，连序言都写错，一点也不严谨。
大杂烩。应该是老师直接找学生汇编的书，连序言都写错，一点也不严谨。
大杂烩。应该是老师直接找学生汇编的书，连序言都写错，一点也不严谨。
这本书是模式识别的圣书，我个人觉得要比Duda的那本好些。
