编辑推荐

本书在完美地合当前的理论与实践的基础上，讨论了贝叶斯分类、贝叶斯网络、线性和非线性分类器设计、上下文相关分类、特征生成、特征选取技术、学习理论的基本概念以及聚类概念与算法。

内容简介

本书全面阐述了模式识别的基础理论、*新方法以及各种应用。讨论了贝叶斯分类、贝叶斯网络、线性和非线性分类器设计、特征生成、特征选取技术、学习理论的基本概念以及聚类概念与算法。与前一版相比，增加了大数据集和高维数据相关的*新算法，提供了*新的分类器和鲁棒回归的核方法。新增一些热点问题，如非线性降维、非负矩阵因数分解、关联性反馈、鲁棒回归、半监督学习、谱聚类和聚类组合技术。每章均提供有习题与练习，用MATLAB求解问题，给出一些例题的多种求解方法；且支持网站上提供有习题解答，以便于读者增加实际经验。

作者简介

　　　　 Sergios Theodoridis：希腊雅典大学物理学学士、英国伯明翰大学信号处理与通信硕士和博士。希腊雅典大学信息与通信系教授，其4篇论文获IEEE神经网络会刊卓越论文奖，IET和IEEE高级会士。

　　　　Konstantinos Koutroumbas：希腊佩特雷大学计算机学士、英国伦敦大学计算机硕士、希腊雅典大学计算机博士。希腊雅典国家天文台空间应用与遥感研究院研究员，国际知名专家。

　　　　李晶皎：东北大学信息学院教授，博士生导师。一直从事教学和科研工作，主要研究方向为模式识别、语音信号处理、计算机系统结构、嵌入式系统等。

目录

目 录
第1章 导论 1
1．1 模式识别的重要性 1
1．2 特征、特征向量和分类器 3
1．3 有监督、无监督和半监督学习 4
1．4 MATLAB程序 6
1．5 本书的内容安排 6
第2章 基于贝叶斯决策理论的分类器 8
2．1 引言 8
2．2 贝叶斯决策理论 8
2．3 判别函数和决策面 12
2．4 正态分布的贝叶斯分类 13
2．5 未知概率密度函数的估计 23
2．6 最近邻规则 42
2．7 贝叶斯网络 44
习题 49
MATLAB编程和练习 55
参考文献 60
第3章 线性分类器 63
3．1 引言 63
3．2 线性判别函数和决策超平面 63
3．3 感知器算法 64
3．4 最小二乘法 70
3．5 均方估计的回顾 75
3．6 逻辑识别 80
3．7 支持向量机 81
习题 97
MATLAB编程和练习 99
参考文献 100
第4章 非线性分类器 104
4．1 引言 104
4．2 异或问题 104
4．3 两层感知器 105
4．4 三层感知器 108
4．5 基于训练集准确分类的算法 109
4．6 反向传播算法 110
4．7 反向传播算法的改进 115
4．8 代价函数选择 117
4．9 神经网络大小的选择 119
4．10 仿真实例 123
4．11 具有权值共享的网络 124
4．12 线性分类器的推广 125
4．13 线性二分法中l维空间的容量 126
4．14 多项式分类器 127
4．15 径向基函数网络 129
4．16 通用逼近 131
4．17 概率神经元网络 132
4．18 支持向量机：非线性情况 134
4．19 超越SVM的范例 137
4．20 决策树 146
4．21 合并分类器 150
4．22 合并分类器的增强法 155
4．23 类的不平衡问题 160
4．24 讨论 161
习题 161
MATLAB编程和练习 164
参考文献 168
第5章 特征选择 178
5．1 引言 178
5．2 预处理 178
5．3 峰值现象 180
5．4 基于统计假设检验的特征选择 182
5．5 接收机操作特性（ROC）曲线 187
5．6 类可分性测量 188
5．7 特征子集的选择 193
5．8 最优特征生成 196
5．9 神经网络和特征生成/选择 203
5．10 推广理论的提示 204
5．11 贝叶斯信息准则 210
习题 211
MATLAB编程和练习 213
参考文献 216
第6章 特征生成I：线性变换 221
6．1 引言 221
6．2 基本向量和图像 221
6．3 Karhunen-Loève变换 223
6．4 奇异值分解 229
6．5 独立成分分析 234
6．6 非负矩阵因子分解 239
6．7 非线性维数降低 240
6．8 离散傅里叶变换（DFT） 248
6．9 离散正弦和余弦变换 251
6．10 Hadamard变换 252
6．11 Haar变换 253
6．12 回顾Haar展开式 254
6．13 离散时间小波变换（DTWT） 257
6．14 多分辨解释 264
6．15 小波包 265
6．16 二维推广简介 266
6．17 应用 268
习题 271
MATLAB编程和练习 273
参考文献 275
第7章 特征生成II 282
7．1 引言 282
7．2 区域特征 282
7．3 字符形状和大小的特征 298
7．4 分形概述 304
7．5 语音和声音分类的典型特征 309
习题 320
MATLAB编程和练习 322
参考文献 325
第8章 模板匹配 331
8．1 引言 331
8．2 基于最优路径搜索技术的测度 331
8．3 基于相关的测度 342
8．4 可变形的模板模型 346
8．5 基于内容的信息检索：相关反馈 349
习题 352
MATLAB编程和练习 353
参考文献 355
第9章 上下文相关分类 358
9．1 引言 358
9．2 贝叶斯分类器 358
9．3 马尔可夫链模型 358
9．4 Viterbi算法 359
9．5 信道均衡 362
9．6 隐马尔可夫模型 365
9．7 状态驻留的HMM 373
9．8 用神经网络训练马尔可夫模型 378
9．9 马尔可夫随机场的讨论 379
习题 381
MATLAB编程和练习 382
参考文献 384
第10章 监督学习：尾声 389
10．1 引言 389
10．2 误差计算方法 389
10．3 探讨有限数据集的大小 390
10．4 医学图像实例研究 393
10．5 半监督学习 395
习题 404
参考文献 404
第11章 聚类：基本概念 408
11．1 引言 408
11．2 近邻测度 412
习题 427
参考文献 428
第12章 聚类算法I：顺序算法 430
12．1 引言 430
12．2 聚类算法的种类 431
12．3 顺序聚类算法 433
12．4 BSAS的改进 436
12．5 两个阈值的顺序方法 437
12．6 改进阶段 439
12．7 神经网络的实现 440
习题 443
MATLAB编程和练习 444
参考文献 445
第13章 聚类算法II：层次算法 448
13．1 引言 448
13．2 合并算法 448
13．3 cophenetic矩阵 465
13．4 分裂算法 466
13．5 用于大数据集的层次算法 467
13．6 最佳聚类数的选择 472
习题 474
MATLAB编程和练习 475
参考文献 477
第14章 聚类算法III：基于函数最优方法 480
14．1 引言 480
14．2 混合分解方法 481
14．3 模糊聚类算法 487
14．4 可能性聚类 502
14．5 硬聚类算法 506
14．6 向量量化 513
附录 514
习题 515
MATLAB编程和练习 516
参考文献 519
第15章 聚类算法IV 523
15．1 引言 523
15．2 基于图论的聚类算法 523
15．3 竞争学习算法 533
15．4 二值形态聚类算法 540
15．5 边界检测算法 546
15．6 谷点搜索聚类算法 548
15．7 通过代价最优聚类（回顾） 550
15．8 核聚类方法 555
15．9 对大数据集的基于密度算法 558
15．10 高维数据集的聚类算法 562
15．11 其他聚类算法 572
15．12 聚类组合 573
习题 578
MATLAB编程和练习 580
参考文献 582
第16章 聚类有效性 591
16．1 引言 591
16．2 假设检验回顾 591
16．3 聚类有效性中的假设检验 593
16．4 相关准则 600
16．5 单独聚类有效性 612
16．6 聚类趋势 613
习题 620
参考文献 622
附录A 概率论和统计学的相关知识 626
附录B 线性代数基础 635
附录C 代价函数的优化 637
附录D 线性系统理论的基本定义 649
索引 652

前言/序言

译 者 序

模式识别诞生于20世纪20年代，随着20世纪40年代计算机的出现，20世纪50年代人工智能的兴起，模式识别在20世纪60年代初迅速发展成一门学科。模式识别研究的理论和方法在很多地方得到了成功的应用，从最初的光学字符识别（OCR），扩展到笔输入计算机、生物身份认证、DNA序列分析、化学气味识别、药物分子识别、图像理解、人脸辨识、表情识别、手势识别、语音识别、说话人识别、信息检索、数据挖掘和信号处理等。

尽管如此，与生物认知系统相比，模式识别系统的识别能力和鲁棒性还远不能让人满意。模式识别还有许多的基础理论和基本方法等待人们解决，新问题也层出不穷。为此，相关人员很需要一本关于这一领域的高水平学术著作，它既有基础知识的介绍，还有本领域研究现状的介绍，以及未来发展的展望等。本书正是这样一本经典著作。

本书是第四版，于2009年由模式识别领域的两位顶级专家合著，他们是希腊雅典大学信息学院与通信系的Sergios Theodoridis教授和希腊雅典国家天文台空间应用与遥感研究院的Konstantinos Koutroumbas博士。第四版的特点是：大部分章节增加了MATLAB编程和练习，新增了一些模式识别最新研究成果，如非线性降维、非负矩阵因数分解、关联性反馈、鲁棒回归、半监督学习、谱聚类和聚类组合技术。

为了适用于电力电子工程、计算机工程、计算机科学和信息、以及自动控制等专业的研究生，以及高年级本科生各种不同知识背景的学生，本书内容安排既全面，又相对独立。在各个章节中需要的一些数学工具，如概率、统计和约束优化等知识，在本书的4个附录中做了简单的讲解。本书可以面向大学生和研究生，可以作为一学期或两个学期的课程。本书也可以作为自学教材，或供研究人员和工程技术人员参考。

负责本书初译人员有：东北大学信息学院的王骄、闫爱云、张瑶、王亮、李亮、薛长江、李鹏飞、宋光杰。

负责本书译校人员有：东北大学信息学院的王爱侠、李贞妮。

东北大学李晶皎教授完成最后译校。

在翻译过程中，我们力求忠实、准确地把握原著，同时保留原著的风格。但由于译者水平有限，书中难免有错误和不准确之处，恳请广大读者批评指正。

前 言

本书是作者在20年来给研究生和本科生教学的基础上编写的，该课程面向很多专业的学生，例如电力电子工程、计算机工程、计算机科学和信息以及自动控制等专业的研究生。这些经验使我们得以把本书内容编写得既全面又相对独立，并且适用于各种不同知识背景的学生。读者需要具备的知识包括：微积分学基础、初等线性代数和概率论基础。在各个章节中需要的一些数学工具，如概率、统计和约束优化等知识，在本书的4个附录中做了简单的讲解。本书面向大学生和研究生，可以作为一个学期或两个学期的课程。本书也可以作为自学教材，或供研究人员和工程技术人员参考。我们编写本书的动力之一是，使这本书适合于所有从事模式识别相关研究的人员。

范围和方法

本书采用统一的方式讲述各种模式识别方法。模式识别是多个应用领域的核心，包括图像分析、语音和声音识别、生物统计学、生物信息学、数据挖掘和信息检索等。尽管这些领域有很多不同点，但也有共同之处，对它们的研究也有统一的方法，例如数据分类、隐藏模式等。本书的重点在于讲述现在常用的方法。读者可以从本书获得并理解相关的基础知识，进而研究更多的与应用相关的方法。

本书的每一章都采用循序渐进的讲解方式，从基础开始过渡到比较高深的课题，最后对最新技术发表评论。我们尽量保持数学描述和直接叙述之间的平衡，这不是一件容易的任务。然而，我们坚信对于模式识别，如果试图回避数学，将使读者很难理解算法的本质、并丧失研究新算法的潜能；本书会使得读者能够很容易的解决遇到的问题。在模式识别中，最终采用的合适技术和算法在很大程度上依赖于所要解决的问题。根据我们的经验，讲解模式识别是一个使学生复习数学基础知识的好方法。

新增内容

第四版新增内容如下：

● 大部分章节的最后新增了MATLAB代码和计算机实验。

● 更多的实例和新增的图增强了本书的可读性。

● 有关当前热门问题的新增章节如下：

— 非线性降维

— 非负矩阵分解

— 关联性反馈

— 鲁棒回归

— 半监督学习

— 谱聚类

— 聚类组合技术

部分章节被重写，增加了更多的当前应用方面的内容。

补充内容

MATLAB文档可从与本书相关的网站下载，网址是www.elsevierdirect.com/9781597492720。电子文档的图和每章后习题和练习的解答都可从网站上下载。读者还可以下载相关问题的详细证明和本书所有章节的课件。

我们定期在网站上增加和更新MATLAB示例，欢迎读者多提建议。尽管网站上的内容经过多次仔细检查，但有些地方还是不可避免地存在错误，欢迎读者批评指正。

致谢

本书的出版离不开广大师生多年来的支持和帮助。特别感谢Kostas Berberidis、Velissaris Gezerlis、Xaris Georgion、Kristina Georgoulakis、Leyteris Kofidis、Thanassis Liavas、Michalis Mavroforakis、Aggelos Pikrakis、Thanassis Rontogiannis、Margaritis Sdralis、Kostas Slavakis和Theodoros Yiannakoponlos。Yannis Kopsinis和Kostas Thernelis自始至终都给予了莫大的支持和帮助。对本书的再版仔细阅读、提出大量批评和建议的有：Alexandros B?lnn、Dionissis Cavouras、Vassilis Digalakis、Vassilis Drakopoulos、Nikos Galatsanos、George Glentis、Spiros Hatzispyros、Evagelos Karkaletsis、Elias Koutsoupias、Aristides Likas、Gerassimos Mileounis、George Monstakides、George Paliouras、Stavros Perantonis、Takis Stamatoponlos、Nikos Vassilas、Manolis Zervakis和Vassilis Zissimopoulos。

本书的再版还要感谢读者的批评和建议，提出批评和建议的读者有：Tulay Adali, University of Maryland; Mehniet Celenk, Ohio University; Rama Chellappa, University of Maryland; Mark Clements, Georgia Institute of Technology; Robert Duin, Delft University of Technology; Miguel Figneroa, Villanueva University of Puerto Rico; Dimitris Gunopoulos, University of Athens; Mathias Kolsch, Naval Postgraduate School; Adam Krzyzak, Concordia University; Baoxiu Li, Arizona State University; David Miller, Pennsylvania State University; Bernhard Sch?lkopf, Max Planck Institute; Hari Sundaram, Arizona State University; Harry Wechsler, George Mason University和Alexander Zien，Max Planck Institute。

我们由衷地感谢这些同事所给予的批评和建议。非常感谢N. Kalouptsidis教授，长期以来我们的合作和友谊是本书灵感的来源。

最后，K. Koutroumbas要感谢Sophia、Dimitris-Marios和Valentini-Theodora的耐心与支持。同时，S. Theodoridis要感谢Despina、Eva和Eleni，她们是快乐和动力的源泉。

囤来备用的

非常好！早上就收到了！正版书！支持！

挺详细 挺好的一本书。。。。。。。

绝对经典的书，可以作为高等院校计算机专业的教材，内容丰富

应该是正品吧，反正还不错

模式识别的经典教材，好好学习一下

神谷浩史就是对不对看得开大家都觉得电饭煲大合集得不到你的

模式识别

快递过来书破损了。。。小失望