×

模式分类。第2版。 (英语) 兹伯利0968.68140

奇切斯特:Wiley-Interscience。xxii,654页(2001年)。
这本书是同一作者的经典著作《模式分类和场景分析》的第二版,Wiley-Interscience(1973;Zbl 0277.68056号)]. 本书尽可能基于基本原理,对模式识别中的主要主题进行了系统概述。
第二章介绍了贝叶斯决策理论,它是解决模式分类问题的基本统计方法。该方法基于使用概率量化各种分类决策之间的权衡以及伴随此类决策的成本。在随后的章节中,将考虑概率结构不完全已知时出现的问题。
不幸的是,在模式识别中,很少(如果有的话)有这种关于问题概率结构的完整知识。解决此问题的一种方法是使用样本来估计未知概率和概率密度,然后使用结果估计值,就像它们是真实值一样。参数估计问题是统计学中的一个经典问题,可以用多种方法来处理。在第三章中,我们考虑了两种常见且合理的方法,即最大似然估计和贝叶斯估计。
第4章介绍了可用于任意分布的非参数程序,并且不需要假定潜在密度的形式已知。
在第5章中,研究了确定判别函数的各种程序,其中一些是统计的,而另一些则不是。
第6章专门讨论多层非线性神经网络——具有两层或多层可修改权重的网络——通过梯度下降方法(如反向传播)训练,对网络拓扑定义的模型中的权重值进行最大似然估计。
学习在模式分类器的构建中起着核心作用。一般的方法是指定一个具有一个或多个参数的模型,然后从训练数据中估计其值。在第7章中,考虑了这类方法的两个一般类别。第一种方法以玻尔兹曼学习为例,基于物理学的概念和技术,特别是统计力学。第二种方法以遗传算法为例,基于生物学的概念,特别是进化的数学理论。
第8-10章概述了基于特征向量的模式识别、分类器的性能以及无监督学习和聚类。
附录中给出了线性代数、概率论、信息论和计算复杂性的基本结果和定义,它们是模式识别的数学基础。
在每一章的末尾都可以找到摘要、参考书目和历史评论、问题、计算机练习和参考书目部分,以及一些有价值的参考资料。

MSC公司:

68吨10 模式识别、语音识别
62C10个 贝叶斯问题;贝叶斯过程的特征
92Bxx个 一般数学生物学
62G99型 非参数推理
62H30型 分类和区分;聚类分析(统计方面)
68-01年 与计算机科学相关的介绍性说明(教科书、教程论文等)
68T05型 人工智能中的学习和自适应系统
PDF格式BibTeX公司 XML格式引用