图书介绍

统计模式识别 第3版pdf电子书版本下载

统计模式识别  第3版
  • (英)韦布,(英)科普西著 著
  • 出版社: 北京:电子工业出版社
  • ISBN:9787121250125
  • 出版时间:2015
  • 标注页数:480页
  • 文件大小:90MB
  • 文件页数:502页
  • 主题词:统计模式识别

PDF下载


点此进入-本书在线PDF格式电子书下载【推荐-云解压-方便快捷】直接下载PDF格式图书。移动端-PC端通用
种子下载[BT下载速度快] 温馨提示:(请使用BT下载软件FDM进行下载)软件下载地址页 直链下载[便捷但速度慢]   [在线试读本书]   [在线获取解压码]

下载说明

统计模式识别 第3版PDF格式电子书版下载

下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。

建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台)。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用!后期资源热门了。安装了迅雷也可以迅雷进行下载!

(文件页数 要大于 标注页数,上中下等多册电子书除外)

注意:本站所有压缩包均有解压码: 点击下载压缩包解压工具

图书目录

第1章 统计模式识别绪论 1

1.1 统计模式识别 1

1.1.1 引言 1

1.1.2 基本模型 2

1.2 解决模式识别问题的步骤 3

1.3 问题讨论 4

1.4 统计模式识别的方法 5

1.5 基本决策理论 6

1.5.1 最小错误贝叶斯决策规则 6

1.5.2 最小错误贝叶斯决策规则——拒绝分类 8

1.5.3 最小风险贝叶斯决策规则 10

1.5.4 最小风险贝叶斯决策规则——拒绝分类 11

1.5.5 Neyman-Pearson决策规则 11

1.5.6 最小最大决策 13

1.5.7 讨论 14

1.6 判别函数 15

1.6.1 引言 15

1.6.2 线性判别函数 16

1.6.3 分段线性判别函数 17

1.6.4 广义线性判别函数 17

1.6.5 小结 19

1.7 多重回归 19

1.8 本书梗概 21

1.9 提示及参考文献 21

习题 22

第2章 密度估计的参数法 24

2.1 引言 24

2.2 分布参数估计 24

2.2.1 估计法 24

2.2.2 预测法 25

2.3 高斯分类器 25

2.3.1 详述 25

2.3.2 高斯分类器插入估计的推导 27

2.3.3 应用研究举例 28

2.4 处理高斯分类器的奇异问题 29

2.4.1 引言 29

2.4.2 朴素贝叶斯 29

2.4.3 投影到子空间 30

2.4.4 线性判别函数 30

2.4.5 正则化判别分析 31

2.4.6 应用研究举例 32

2.4.7 拓展研究 33

2.4.8 小结 34

2.5 有限混合模型 34

2.5.1 引言 34

2.5.2 混合判别模型 35

2.5.3 正态混合模型的参数估计 36

2.5.4 正态混合模型协方差矩阵约束 38

2.5.5 混合模型分量的数量 39

2.5.6 期望最大化算法下的极大似然估计 40

2.5.7 应用研究举例 44

2.5.8 拓展研究 46

2.5.9 小结 46

2.6 应用研究 47

2.7 总结和讨论 49

2.8 建议 49

2.9 提示及参考文献 49

习题 50

第3章 密度估计的贝叶斯法 52

3.1 引言 52

3.1.1 基本原理 53

3.1.2 递归计算 53

3.1.3 比例性 54

3.2 解析解 54

3.2.1 共轭先验概率 54

3.2.2 方差已知的正态分布的均值估计 55

3.2.3 多元正态分布的均值及协方差矩阵估计 58

3.2.4 未知类先验概率的情形 62

3.2.5 小结 63

3.3 贝叶斯采样方案 64

3.3.1 引言 64

3.3.2 梗概 64

3.3.3 贝叶斯分类器的采样类型 65

3.3.4 拒绝采样 65

3.3.5 均匀比 66

3.3.6 重要性采样 67

3.4 马尔可夫链蒙特卡罗方法 69

3.4.1 引言 69

3.4.2 吉布斯(Gibbs)采样器 69

3.4.3 Metropolis-Hastings算法 75

3.4.4 数据扩充 78

3.4.5 可逆跳跃马尔可夫链蒙特卡罗方法 79

3.4.6 切片采样 80

3.4.7 MCMC举例——正弦噪声估计 82

3.4.8 小结 84

3.4.9 提示及参考文献 85

3.5 贝叶斯判别方法 85

3.5.1 标记训练数据 85

3.5.2 无类别标签的训练数据 86

3.6 连续蒙特卡罗采样 88

3.6.1 引言 88

3.6.2 基本方法 89

3.6.3 小结 92

3.7 变分贝叶斯方法 93

3.7.1 引言 93

3.7.2 描述 93

3.7.3 分解为因子的变分近似 95

3.7.4 简单的例子 96

3.7.5 模型选择中的运用 99

3.7.6 拓展研究与应用 100

3.7.7 小结 101

3.8 近似贝叶斯计算 101

3.8.1 引言 101

3.8.2 ABC拒绝采样 102

3.8.3 ABC MCMC采样 103

3.8.4 ABC总体蒙特卡罗采样 104

3.8.5 模型选择 105

3.8.6 小结 106

3.9 应用研究举例 106

3.10 应用研究 107

3.11 总结和讨论 108

3.12 建议 108

3.13 提示及参考文献 109

习题 109

第4章 密度估计的非参数法 111

4.1 引言 111

4.1.1 密度估计的基本性质 111

4.2 k近邻法 112

4.2.1 k近邻分类器 112

4.2.2 推导 114

4.2.3 距离度量的选择 116

4.2.4 最近邻法决策规则的性质 117

4.2.5 线性逼近排除搜索算法 118

4.2.6 分支定界搜索算法:kd树 120

4.2.7 分支定界搜索算法:ball树 126

4.2.8 剪辑方法 129

4.2.9 应用研究举例 130

4.2.10 拓展研究 131

4.2.11 小结 132

4.3 直方图法 132

4.3.1 直方图自适应数据 133

4.3.2 独立性假设(朴素贝叶斯) 133

4.3.3 Lancaster模型 134

4.3.4 最大权值相关树 134

4.3.5 贝叶斯网络 137

4.3.6 应用研究举例:朴素贝叶斯文本分类 139

4.3.7 小结 141

4.4 核函数方法 142

4.4.1 有偏估计 144

4.4.2 延伸到多元 145

4.4.3 平滑参数的选择 146

4.4.4 核函数的选择 148

4.4.5 应用研究举例 148

4.4.6 拓展研究 149

4.4.7 小结 150

4.5 用基函数展开 151

4.6 copula方法 152

4.6.1 引言 152

4.6.2 数学基础 152

4.6.3 copula函数 153

4.6.4 copula概率密度函数的估计 154

4.6.5 简单举例 155

4.6.6 小结 156

4.7 应用研究 157

4.7.1 比较研究 159

4.8 总结和讨论 159

4.9 建议 160

4.10 提示及参考文献 160

习题 161

第5章 线性判别分析 163

5.1 引言 163

5.2 两类问题算法 163

5.2.1 总体思路 163

5.2.2 感知准则 164

5.2.3 Fisher准则 167

5.2.4 最小均方误差法 168

5.2.5 拓展研究 172

5.2.6 小结 173

5.3 多类算法 174

5.3.1 总体思路 174

5.3.2 错误修正法 174

5.3.3 Fisher准则:线性判别分析 175

5.3.4 最小均方误差法 177

5.3.5 正则化 181

5.3.6 应用研究实例 181

5.3.7 拓展研究 182

5.3.8 小结 182

5.4 支持向量机 183

5.4.1 引言 183

5.4.2 两类线性可分数据问题 183

5.4.3 两类线性不可分数据问题 186

5.4.4 多类支持向量机 188

5.4.5 支持向量机回归 189

5.4.6 具体实施 191

5.4.7 应用研究举例 193

5.4.8 小结 194

5.5 logistic判别 194

5.5.1 两类问题 194

5.5.2 极大似然估计 195

5.5.3 多类logistic判别 196

5.5.4 应用研究举例 197

5.5.5 拓展研究 197

5.5.6 小结 198

5.6 应用研究 198

5.7 总结和讨论 198

5.8 建议 199

5.9 提示及参考文献 199

习题 199

第6章 非线性判别分析——核与投影法 202

6.1 引言 202

6.2 径向基函数 203

6.2.1 引言 203

6.2.2 模型的确定 204

6.2.3 指定函数的形式 205

6.2.4 中心位置 206

6.2.5 平滑参数 207

6.2.6 权值的计算 207

6.2.7 模型阶次的选择 209

6.2.8 简单径向基函数 210

6.2.9 一些调整 210

6.2.10 径向基函数的性质 212

6.2.11 应用研究举例 212

6.2.12 拓展研究 213

6.2.13 小结 214

6.3 非线性支持向量机 214

6.3.1 引言 214

6.3.2 二分类 214

6.3.3 核函数的类型 215

6.3.4 模型选择 216

6.3.5 多类支持向量机 217

6.3.6 概率估计 217

6.3.7 非线性回归 218

6.3.8 应用研究举例 219

6.3.9 拓展研究 219

6.3.10 小结 220

6.4 多层感知器 220

6.4.1 引言 220

6.4.2 多层感知器结构的确定 221

6.4.3 多层感知器权值的确定 222

6.4.4 多层感知器的建模能力 226

6.4.5 logistic分类 227

6.4.6 应用研究举例 228

6.4.7 贝叶斯多层感知器网络 229

6.4.8 投影寻踪 231

6.4.9 小结 231

6.5 应用研究 232

6.6 总结和讨论 234

6.7 建议 234

6.8 提示及参考文献 235

习题 235

第7章 规则和决策树归纳法 238

7.1 引言 238

7.2 决策树 238

7.2.1 引言 238

7.2.2 决策树的构造 241

7.2.3 拆分规则的选择 241

7.2.4 终止拆分过程 244

7.2.5 为终端节点分配类标签 245

7.2.6 决策树剪枝(含实施示例) 245

7.2.7 决策树构造方法 250

7.2.8 其他问题 251

7.2.9 应用研究举例 252

7.2.10 拓展研究 252

7.2.11 小结 253

7.3 规则归纳 253

7.3.1 引言 253

7.3.2 从决策树生成规则 255

7.3.3 用连续覆盖算法进行规则归纳 256

7.3.4 应用研究举例 259

7.3.5 拓展研究 260

7.3.6 小结 260

7.4 多元自适应回归样条 260

7.4.1 引言 260

7.4.2 递归分割模型 260

7.4.3 应用研究举例 263

7.4.4 拓展研究 263

7.4.5 小结 263

7.5 应用研究 264

7.6 总结和讨论 265

7.7 建议 265

7.8 提示及参考文献 266

习题 266

第8章 组合方法 268

8.1 引言 268

8.2 分类器组合方案特性 269

8.2.l特征空间 269

8.2.2 层次 272

8.2.3 训练程度 273

8.2.4 成员分类器的形式 273

8.2.5 结构 274

8.2.6 优化 274

8.3 数据融合 274

8.3.1 体系结构 275

8.3.2 贝叶斯方法 276

8.3.3 奈曼-皮尔逊(Neyman-Pearson)公式 277

8.3.4 可训练规则 278

8.3.5 固定规则 278

8.4 分类器组合方法 279

8.4.1 乘积规则 279

8.4.2 和式规则 280

8.4.3 最小、最大及中值组合分类器 281

8.4.4 多数表决 281

8.4.5 Borda数 282

8.4.6 在类别预测上训练组合分类器 282

8.4.7 叠加归纳 284

8.4.8 专家混合器 284

8.4.9 bagging 286

8.4.10 boosting 287

8.4.11 随机森林 289

8.4.12 模型平均 290

8.4.13 方法小结 295

8.4.14 应用研究举例 295

8.4.15 拓展研究 296

8.5 应用研究 297

8.6 总结和讨论 297

8.7 建议 298

8.8 提示及参考文献 298

习题 299

第9章 性能评价 300

9.1 引言 300

9.2 性能评价 300

9.2.1 性能测度 300

9.2.2 判别力 301

9.2.3 可靠性 306

9.2.4 用于性能评价的ROC曲线 307

9.2.5 总体漂移和传感漂移 311

9.2.6 应用研究举例 312

9.2.7 拓展研究 313

9.2.8 小结 314

9.3 分类器性能的比较 315

9.3.1 哪种方法最好 315

9.3.2 统计检验 316

9.3.3 错分代价不定情况下的比较规则 316

9.3.4 应用研究举例 318

9.3.5 拓展研究 318

9.3.6 小结 319

9.4 应用研究 319

9.5 总结和讨论 319

9.6 建议 320

9.7 提示及参考文献 320

习题 320

第10章 特征选择与特征提取 322

10.1 引言 322

10.2 特征选择 323

10.2.1 引言 323

10.2.2 对特征选择方法的表述 326

10.2.3 评估方法 326

10.2.4 选择特征子集的搜索算法 333

10.2.5 全搜索:分支定界法 334

10.2.6 顺序搜索 337

10.2.7 随机搜索 340

10.2.8 马尔可夫覆盖 340

10.2.9 特征选择的稳定性 341

10.2.10 应用研究举例 342

10.2.11 拓展研究 343

10.2.12 小结 343

10.3 线性特征提取 344

10.3.1 主成分分析 344

10.3.2 Karhunen-Loève变换 351

10.3.3 应用研究举例 357

10.3.4 拓展研究 357

10.3.5 小结 358

10.4 多维尺度分析 358

10.4.1 经典尺度分析 358

10.4.2 计量多维尺度 359

10.4.3 次序尺度分析 360

10.4.4 算法 362

10.4.5 用于特征提取的多维尺度分析 363

10.4.6 应用研究举例 364

10.4.7 拓展研究 364

10.4.8 小结 365

10.5 应用研究 365

10.6 总结和讨论 366

10.7 建议 367

10.8 提示及参考文献 367

习题 368

第11章 聚类 371

11.1 引言 371

11.2 分层聚类法 372

11.2.1 单链接方法 372

11.2.2 完全链接方法 374

11.2.3 平方和方法 375

11.2.4 通用合并算法 375

11.2.5 分层聚类法的性质 376

11.2.6 应用研究举例 376

11.2.7 小结 377

11.3 快速分类 377

11.4 混合模型 378

11.4.1 模型描述 378

11.4.2 应用研究举例 379

11.5 平方和方法 380

11.5.1 聚类准则 380

11.5.2 聚类算法 381

11.5.3 矢量量化 385

11.5.4 应用研究举例 392

11.5.5 拓展研究 393

11.5.6 小结 393

11.6 谱聚类 393

11.6.1 图论初步 393

11.6.2 相似矩阵 395

11.6.3 聚类应用 396

11.6.4 谱聚类算法 396

11.6.5 拉普拉斯矩阵的形式 396

11.6.6 应用研究举例 397

11.6.7 拓展研究 398

11.6.8 小结 398

11.7 聚类有效性 398

11.7.1 引言 398

11.7.2 统计检验 399

11.7.3 缺失类结构 400

11.7.4 各聚类的有效性 400

11.7.5 分级聚类 401

11.7.6 各单聚类的有效性 401

11.7.7 划分 402

11.7.8 相关准则 402

11.7.9 选择聚类个数 404

11.8 应用研究 405

11.9 总结和讨论 407

11.10 建议 408

11.11 提示及参考文献 409

习题 410

第12章 复杂网络 411

12.1 引言 411

12.1.1 特征 411

12.1.2 属性 412

12.1.3 问题阐述 414

12.1.4 描述性特征 414

12.1.5 概要 414

12.2 网络的数学描述 415

12.2.1 图矩阵 415

12.2.2 连通性 416

12.2.3 距离测度 416

12.2.4 加权网络 416

12.2.5 中心测度 416

12.2.6 随机图 417

12.3 社区发现 417

12.3.1 聚类方法 418

12.3.2 Girvan-Newman算法 419

12.3.3 模块化方法 421

12.3.4 局部模块化 422

12.3.5 小集团过滤 423

12.3.6 应用研究举例 424

12.3.7 拓展研究 424

12.3.8 小结 424

12.4 链路预测 425

12.4.1 链路预测方法 425

12.4.2 应用研究举例 426

12.4.3 拓展研究 427

12.5 应用研究 427

12.6 总结和讨论 428

12.7 建议 428

12.8 提示及参考文献 428

习题 428

第13章 其他论题 429

13.1 模型选择 429

13.1.1 相互独立的训练集与测试集 429

13.1.2 交叉验证 430

13.1.3 贝叶斯观点 430

13.1.4 Akaike信息准则 430

13.1.5 最短描述长度 431

13.2 缺值数据 432

13.3 离群值检测和鲁棒方法 432

13.4 连续变量与离散变量的混合 433

13.5 结构风险最小化和Vapnik-Chervonenkis维数 434

13.5.1 期望风险边界 434

13.5.2 Vapnik-Chervonenkis维数 435

参考文献 436

精品推荐