本書分為兩大部分：基本原理與方法，典型應(yīng)用案例。首先簡明闡述了模式識別原理與方法，并在此基礎(chǔ)上介紹了模式識別的典型應(yīng)用案例。原理與方法主要包括模式識別技術(shù)簡介、預(yù)處理方法（自適應(yīng)濾波、盲源分離）、特征提取方法（小波變換、小波包變換、功率譜分析、希爾伯特變換）、分類及聚類方法（貝葉斯分類、線性分類、神經(jīng)網(wǎng)絡(luò)分類、支持向量機分類、模糊聚類、粒子群聚類）。典型應(yīng)用案例包括男女性別識別、癌細(xì)胞與正常細(xì)胞的識別、傳送帶上不同種類魚的自動識別、腦機接口中運動想象腦電信號的識別、基于紅外火焰探測的火災(zāi)識別、軸承的故障診斷、電子鼻農(nóng)藥識別、電梯群控交通模式識別、基于語音的說話人識別、汽車車牌識別、黃瓜病害識別、昆蟲識別、電影中吸煙鏡頭的識別、玉米果穗的品種鑒別、布匹瑕疵種類的自動識別、基于虹膜的生物識別、基于人臉的生物識別、基于指紋的生物識別、環(huán)境狀況的模糊聚類、基因的粒子群聚類。本書突出案例實際應(yīng)用，有利于讀者較快地的理解和掌握模式識別的相關(guān)應(yīng)用技術(shù)，為科研人員應(yīng)用模式識別方法解決相關(guān)領(lǐng)域的實際問題提供了具體思路和方法。同時，本書緊案例緊跟學(xué)科發(fā)展前沿，介紹了一些最新的研究成果。
更多科學(xué)出版社服務(wù)，請掃碼獲取。
目錄
前言
第1章模式識別簡介1
1.1模式識別的相關(guān)概念1
1.2模式識別的發(fā)展歷程5
1.3模式識別系統(tǒng)的基本組成和特點5
1.3.1基本組成5
1.3.2特點7
1.4模式識別的主要方法7
1.5模式識別中的若干問題10
1.5.1學(xué)習(xí)10
1.5.2模式的緊致性11
1.5.3模式的相似性12
1.5.4模式分類的主觀性和客觀性12
1.6模式識別的基本知識13
1.6.1模式的表示方法13
1.6.2模式相似性度量常用的幾種距離13
1.6.3模式特征的形成14
1.6.4數(shù)據(jù)的標(biāo)準(zhǔn)化14
1.7模式識別的典型應(yīng)用和發(fā)展15
1.7.1模式識別的典型應(yīng)用15
1.7.2模式識別的發(fā)展17
參考文獻(xiàn)17
第2章預(yù)處理方法18
2.1自適應(yīng)濾波18
2.1.1自適應(yīng)濾波原理18
2.1.2自適應(yīng)濾波器結(jié)構(gòu)及應(yīng)用19
2.1.3LMS自適應(yīng)濾波20
2.1.4RLS自適應(yīng)濾波21
2.1.5自適應(yīng)濾波的實現(xiàn)23
2.1.6MATLAB實驗24
2.2盲源分離27
2.2.1信息論的基本概念27
2.2.2常用的目標(biāo)函數(shù)30
2.2.3ICA算法及實現(xiàn)流程31
2.2.4SOBI算法及實現(xiàn)流程38
參考文獻(xiàn)39
第3章特征提取方法40
3.1小波變換40
3.1.1簡介40
3.1.2傅里葉變換41
3.1.3短時傅里葉變換42
3.1.4連續(xù)小波變換43
3.1.5離散小波變換47
3.2小波包變換49
3.3小波變換及小波包變換特征表示50
3.4希爾伯特-黃變換53
3.4.1HHT簡介53
3.4.2HHT原理及實現(xiàn)53
3.4.3HHT方法的優(yōu)越性56
3.5功率譜分析58
參考文獻(xiàn)59
第4章分類方法60
4.1貝葉斯分類60
4.1.1貝葉斯定理60
4.1.2基本概念及貝葉斯決策理論60
4.1.3基于最小錯誤率的貝葉斯決策61
4.1.4基于最小風(fēng)險的貝葉斯決策62
4.1.5基于最小錯誤率和基于最小風(fēng)險貝葉斯決策之間的關(guān)系64
4.1.6貝葉斯分類器的設(shè)計64
4.2線性分類65
4.2.1線性判別函數(shù)65
4.2.2線性分類器的學(xué)習(xí)算法68
4.3神經(jīng)網(wǎng)絡(luò)分類73
4.3.1概述73
4.3.2組成74
4.3.3神經(jīng)元原理與模型74
4.3.4感知器77
4.4支持向量機85
4.4.1概述85
4.4.2線性分類器85
4.4.3非線性分類器88
參考文獻(xiàn)93
第5章基于貝葉斯決策的細(xì)胞及性別和魚類識別94
5.1貝葉斯決策描述94
5.2基于貝葉斯決策的細(xì)胞識別95
5.2.1細(xì)胞識別問題描述95
5.2.2基于最小錯誤準(zhǔn)則的細(xì)胞識別96
5.2.3基于最小風(fēng)險的細(xì)胞識別97
5.3基于貝葉斯決策的性別識別98
5.3.1性別識別問題描述及算法步驟98
5.3.2性別識別結(jié)果99
5.4基于貝葉斯決策的魚類識別101
5.4.1魚類識別問題描述及算法步驟101
5.4.2魚類識別結(jié)果102
參考文獻(xiàn)103
第6章基于語音的說話人識別104
6.1說話人識別簡介104
6.2說話人識別方法和基本原理105
6.2.1說話人識別方法105
6.2.2說話人識別基本原理105
6.3語音信號的數(shù)字化107
6.4語音信號的預(yù)處理107
6.5語音信號的特征提取110
6.6基于矢量量化的說話人識別117
6.7基于語音的說話人識別結(jié)果118
參考文獻(xiàn)119
第7章車牌識別121
7.1車牌識別簡介121
7.2車牌識別步驟122
7.3車牌識別實例123
7.3.1車牌定位123
7.3.2字符分割126
7.3.3車牌識別127
參考文獻(xiàn)130
第8章腦機接口中運動想象腦電信號的識別131
8.1腦機接口的基本概念與原理131
8.2基于獨立分量分析的腦電信號預(yù)處理133
8.3基于小波和小波包變換的腦電信號特征提取135
8.3.1基于小波變換系數(shù)及系數(shù)均值的特征提取136
8.3.2基于小波包分解系數(shù)及子帶能量的特征提取138
8.3.3數(shù)據(jù)描述140
8.3.4基于小波變換系數(shù)及系數(shù)均值處理結(jié)果140
8.3.5基于小波包分解系數(shù)及子帶能量處理結(jié)果142
8.4基于HHT的腦電信號特征提取143
8.4.1數(shù)據(jù)描述143
8.4.2數(shù)據(jù)預(yù)處理144
8.4.3基于HHT的AR特征145
8.4.4基于HHT的IE特征152
8.5基于概率神經(jīng)網(wǎng)絡(luò)的腦電信號分類153
8.6基于支持向量機的腦電信號分類155
參考文獻(xiàn)157
第9章基于紅外火焰探測的火災(zāi)識別159
9.1紅外火焰探測的基本原理及組成159
9.1.1火災(zāi)探測簡介159
9.1.2紅外火焰探測基本原理160
9.1.3紅外火焰探測硬件基本組成161
9.2基于時頻結(jié)合的火災(zāi)信號特征提取162
9.2.1數(shù)據(jù)獲取過程162
9.2.2數(shù)據(jù)預(yù)處理及正確性分析163
9.2.3數(shù)據(jù)正確性初步分析163
9.2.4火災(zāi)時域特征提取165
9.2.5火災(zāi)頻域特征提取167
9.3基于決策樹的火災(zāi)識別171
9.3.1決策樹基本思想171
9.3.2決策樹特點173
9.3.3基于決策樹的火災(zāi)識別173
參考文獻(xiàn)175
第10章基于K-L變換的人臉識別176
10.1人臉識別技術(shù)簡介176
10.1.1人臉識別技術(shù)背景及其應(yīng)用價值176
10.1.2人臉識別技術(shù)的研究內(nèi)容177
10.1.3自動人臉識別系統(tǒng)的組成178
10.1.4常用的人臉識別數(shù)據(jù)庫179
10.2K-L變換的基本原理180
10.3基于K-L變換的人臉識別方法181
10.3.1人臉圖像的預(yù)處理181
10.3.2特征向量的計算184
10.3.3選取特征向量張成人臉空間185
10.3.4基于最小距離法的分類識別187
參考文獻(xiàn)190
第11章基于深度數(shù)據(jù)的運動目標(biāo)檢測191
11.1研究背景191
11.2Kinect深度數(shù)據(jù)的獲取192
11.3單高斯模型運動目標(biāo)檢測算法193
11.3.1單高斯模型背景參數(shù)建立193
11.3.2前景點及背景點判斷194
11.3.3背景參數(shù)更新194
11.4實驗結(jié)果194
11.5本章小結(jié)195
參考文獻(xiàn)196
第12章基于指紋的生物識別198
12.1基于指紋的生物識別概念198
12.2指紋識別的過程及主要特征199
12.2.1總體特征199
12.2.2局部特征200
12.3指紋識別的實現(xiàn)步驟與實驗結(jié)果201
12.3.1指紋圖像采集201
12.3.2指紋圖像預(yù)處理202
12.3.3特征提取203
12.3.4指紋庫數(shù)據(jù)存儲204
12.3.5指紋識別205
12.3.6指紋識別實驗結(jié)果205
參考文獻(xiàn)205
第13章基于虹膜的生物識別207
13.1研究背景207
13.1.1常見的生物特征識別技術(shù)207
13.1.2虹膜及識別系統(tǒng)組成208
13.1.3虹膜識別典型應(yīng)用209
13.2虹膜識別算法原理210
13.2.1預(yù)處理-虹膜定位210
13.2.2特征提取215
13.2.3虹膜匹配——漢明距離分類器218
13.2.4識別結(jié)果218
13.3本章小結(jié)219
參考文獻(xiàn)219
第14章電影中吸煙鏡頭識別220
14.1研究背景及現(xiàn)狀概述220
14.2基于SIFT與STIP的吸煙檢測221
14.2.1SIFT特征描述221
14.2.2STIP特征描述222
14.2.3純貝葉斯互信息最大化223
14.2.4識別系統(tǒng)框架224
14.3實驗結(jié)果分析225
14.3.1訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)225
14.3.2測試結(jié)果226
14.4本章小結(jié)227
參考文獻(xiàn)227
第15章黃瓜病害識別228
15.1研究背景228
15.2基于圖像的黃瓜病害識別229
15.2.1圖像采集229
15.2.2圖像預(yù)處理229
15.2.3特征參數(shù)提取233
15.2.4黃瓜病蟲害的模糊模式識別235
15.2.5黃瓜病蟲害的模糊模式識別結(jié)果分析235
15.3本章小結(jié)237
參考文獻(xiàn)237
第16章昆蟲識別238
16.1研究背景238
16.2基于圖像的昆蟲識別239
16.2.1圖像預(yù)處理239
16.2.2特征提取241
16.2.3分類器設(shè)計245
16.2.4識別結(jié)果246
16.3本章小結(jié)246
參考文獻(xiàn)247
書單推薦
