8 (905) 200-03-37 Владивосток
с 09:00 до 19:00
CHN - 1.14 руб. Сайт - 21.13 руб.

Официальный флагманский магазин Распознавание образов и интеллектуальные вычисления Внедрение технологии MATLAB. 4-е издание. Основные понятия распознавания образов. Проектирование классификатора нейронной сети. Техническая книга

Цена: 1 484руб.    (¥70.2)
Артикул: 609303826013

Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.

Этот товар на Таобао Описание товара
Продавец:电子工业出版社旗舰店
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥1893 994руб.
¥ 138 691 458руб.
¥ 109 49.051 037руб.
¥ 108 541 142руб.
  • Информация о товаре
  • Фотографии

Введение

   Эта книга широко использует передовые идеи и теории из статистики, нейронных сетей, интеллектуального анализа данных, машинного обучения, искусственного интеллекта, вычислений роевого интеллекта и других дисциплин и применяет их к области распознавания образов; используя новую систему, он систематически и всесторонне знакомит с теорией, методами и приложениями распознавания образов.Книга разделена на 14 глав, в том числе: обзор распознавания образов, выбор и оптимизация признаков, измерение сходства образов, разработка байесовского классификатора на основе статистики вероятностей, разработка классификатора дискриминантной функции, разработка классификатора нейронной сети (нейронная сеть BP, нейронная сеть с радиальной базисной функцией, самоорганизующаяся конкурентная нейронная сеть), вероятностная нейронная сеть, нейронная сеть встречного распространения, нейронная сеть с обратной связью), разработка классификатора дерева решений, разработка грубого классификатора, кластерный анализ, нечеткий кластерный анализ, кластерный алгоритм табу-поиска.анализ, кластерный анализ генетических алгоритмов, кластерный анализ алгоритма муравьиной колонии, кластерный анализ алгоритма роя частиц. Содержание этой книги является новым и практическим, а теория и практическое применение тесно связаны между собой.В качестве примера приложения он использует распознавание рукописных цифр, чтобы представить этапы реализации применения теории на практике, а также соответствующий код Matlab, предоставляя большинству исследователей и технических специалистов справочную информацию по применению связанных теорий.


Оглавление

Оглавление
Глава 1 Обзор распознавания режима
1.1 Основные понятия распознавания образов
1.2 Статистическое распознавание образов
121 Основные проблемы исследований в области статистического распознавания образов
122 Введение в методы статистического распознавания образов
1.3 Классификационный анализ
131 Конструкция классификатора
132 Выбор классификатора
133Обучение и обучение
1.4 Кластерный анализ
1.4.1 Проектирование кластеризации
142 Проектирование кластеров на основе эвристического метода
143 Проектирование кластеров на основе алгоритма оптимизации роевого интеллекта
1.5 Применение распознавания образов
краткое содержание главы
Упражнение 1
Глава 2. Выбор и оптимизация функций
2.1 Проблема проектирования оптимизации пространства признаков
2.2 Предварительный анализ выборочной базы данных объектов
2.3 Проверка и обработка проб
2.4 Процесс проверки функций
2.5 Оценка функций
2.6 Извлечение признаков на основе анализа главных компонентов
2.7 Описание и анализ пространства признаков
271 Описание пространства признаков
272 Анализ распределения пространства признаков
2.8 Извлечение признаков и анализ рукописных цифр
281 Функция извлечения рукописных цифр
282 Анализ пространственного распределения особенностей рукописных цифр
краткое содержание главы
Упражнение 2
Глава 3. Измерение сходства шаблонов
3.1 Основные понятия измерения сходства образов
3.2 Метод классификации по мерам расстояний
321 Метод сопоставления шаблонов
322 Метод сопоставления шаблонов на основе PCA
323 Классификация расстояний Махаланобиса
краткое содержание главы
Упражнение 3
Глава 4. Разработка байесовского классификатора на основе вероятности и статистики
4.1 Основные концепции байесовского принятия решений
4.1.1 Вопросы, обсуждаемые при байесовском принятии решений
412 Формула Байеса
4.2 Байесовский процесс принятия решений на основе минимальной частоты ошибок
4.3 Байесовский процесс принятия решений на основе минимального риска
4.4 Сравнение байесовского процесса принятия решений
4.5 Реализация байесовской классификации на основе минимальной частоты ошибок
4.6 Реализация байесовской классификации, основанной на минимальном риске
краткое содержание главы
Упражнение 4
Глава 5. Проектирование классификатора дискриминантных функций
5.1 Основные понятия дискриминантной функции
5.2 Линейная дискриминантная функция
5.3 Реализация линейной дискриминантной функции
5.4 Алгоритм персептрона
55Классификация Фишера
5.6 Классификация Фишера на основе ядра
5.7 Машина опорных векторов
краткое содержание главы
Упражнение 5
Глава 6. Проектирование классификатора нейронной сети
6.1 Основные принципы искусственных нейронных сетей
6.1.1 Искусственный нейрон
6.1.2 Модель искусственной нейронной сети
6.1.3 Процесс обучения нейронной сети
6.1.4 Преимущества искусственных нейронных сетей в задачах распознавания образов
62BP нейронная сеть
6.2.1 Основные понятия нейросети БП
622BP проектирование нейросетевого классификатора
6.3 Нейронная сеть с радиальной базисной функцией (RBF)
631 Основные понятия нейронной сети с радиальной базисной функцией
632 Разработка нейросетевого классификатора радиальной базисной функции
6.4. Самоорганизующаяся конкурентная нейронная сеть.
641 Основные понятия самоорганизующейся конкурентной нейронной сети
642 Разработка самоорганизующегося конкурентного классификатора нейронной сети
6.5 Вероятностная нейронная сеть (PNN)
6.5.1 Основные понятия вероятностной нейронной сети
652 Разработка вероятностного нейросетевого классификатора
6.6 Нейронная сеть встречного распространения (CPN)
661 Основные понятия нейронной сети встречного распространения
662 Разработка нейросетевого классификатора встречного распространения
6.7 Нейронная сеть с обратной связью (Хопфилда)
671Основные понятия сети Хопфилда
672 Разработка классификатора нейронной сети Хопфилда
краткое содержание главы
Упражнение 6
Глава 7. Проектирование классификатора дерева решений
7.1 Основные понятия деревьев решений
7.2 Разработка классификатора дерева решений
краткое содержание главы
Упражнение 7
Глава 8. Приблизительная разработка классификатора множеств
8.1 Основные понятия грубой теории множеств
8.2 Применение грубых наборов при распознавании образов
8.3 Грубая конструкция классификатора множества
краткое содержание главы
Упражнение 8
Глава 9 Анализ
9.1 Проектирование кластеризации
9.2 Алгоритм кластеризации на основе эвристики для неизвестных категорий
921*Эвристика для правил близости
922*алгоритм максимального*расстояния
9.3 Алгоритм иерархической кластеризации
931*Метод ближнего расстояния
9.3.2 Метод центра тяжести
9.4 Алгоритм динамической кластеризации
Алгоритм средних значений 941K
9.4.2 Итерационный алгоритм самоорганизующегося анализа данных (ISODATA)
9.5 Алгоритм кластеризации с имитацией отжига
9.5.1 Основные понятия моделирования отжига
952 Улучшенный алгоритм кластеризации K-средних, основанный на идее моделирования отжига
краткое содержание главы
Упражнение 9
Глава 10. Нечеткий кластерный анализ.
10.1 Основные понятия нечетких множеств
10.2 Операции с нечетким множеством
10.2.1 Операция нечеткого подмножества
1022 Свойства операции нечеткого множества
10.3 Нечеткие отношения
10.4 Применение нечетких множеств при распознавании образов
105 Нечеткий кластерный анализ
краткое содержание главы
Упражнение 10
Глава 11. Кластерный анализ генетических алгоритмов
11.1 Основные принципы генетического алгоритма
11.2 Компоненты генетического алгоритма
Кодирование хромосомы 11.2.1
1122Фитнес-функция
1123 Генетический оператор
11.3 Выбор параметров управления
11.4 Кластерный анализ на основе генетического алгоритма
краткое содержание главы
Упражнение 11
Глава 12. Алгоритм роя частиц. Кластерный анализ.
12.1 Основные принципы алгоритма роя частиц
12.2 Кластерный анализ на основе алгоритма роя частиц
краткое содержание главы
Упражнение 12
Глава 13. Меметический алгоритм. Бионические вычисления.
13.1 Меметический алгоритм
13.2 Применение меметического алгоритма бионических вычислений в кластерном анализе
краткое содержание главы
Упражнение 13
Рекомендации
об авторе

Ян Шуинг доктор философии, профессор Школы компьютерных наук и инженерии, Технологический университет Тяньцзин, руководитель мастера, Тяньцзинь“Репетитор”, член академического комитета Пятого совета Китайского общества изображений графики.На протяжении многих лет мы провели углубленное исследование работы, связанной с распознаванием шаблонов, на изображениях, речи, временных рядах и т. Д., В связи с тем, что они включают распознавание образцов, цифровую обработку изображений, обработку сигналов и информации, интеллектуальные вычисления и другие поля.Он предпринимает и завершает многие проекты на фондах *** и муниципальных наук о естественных науках, выиграл 2 Tianjin Science and Technology Progress Awards, опубликовал более 50 статей и написал 6 монографий.В настоящее время лицо, отвечающее за *** качественные курсы и *** качественные курсы обмена ресурсами; Главный редактор учебники были получены ***“Одиннадцатая пять”Учебники по планированию и ***“Двенадцать пять”Планирование учебных материалов; получил 3 муниципальные награды за достижения в области преподавания.
Рекомендуемая рекомендация

Эту книгу можно использовать в качестве учебного материала или учебного справочника для студентов и аспирантов в области компьютерной инженерии, информационной инженерии, биомедицинской инженерии, интеллектуальной робототехники, промышленной автоматизации, распознавания образов и других дисциплин в колледжах и университетах, а также можно использовать в качестве справочного материала для соответствующего инженерно-технического персонала.