目錄
前言
第1章模式識別簡介1
1.1模式識別的相關概念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學習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)的標準化14
1.7模式識別的典型應用和發(fā)展15
1.7.1模式識別的典型應用15
1.7.2模式識別的發(fā)展17
參考文獻17
第2章預處理方法18
2.1自適應濾波18
2.1.1自適應濾波原理18
2.1.2自適應濾波器結構及應用19
2.1.3LMS自適應濾波20
2.1.4RLS自適應濾波21
2.1.5自適應濾波的實現(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基于最小風險的貝葉斯決策62
4.1.5基于最小錯誤率和基于最小風險貝葉斯決策之間的關系64
4.1.6貝葉斯分類器的設計64
4.2線性分類65
4.2.1線性判別函數(shù)65
4.2.2線性分類器的學習算法68
4.3神經(jīng)網(wǎng)絡分類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93
第5章基于貝葉斯決策的細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胞識別95
5.2.1細胞識別問題描述95
5.2.2基于最小錯誤準則的細胞識別96
5.2.3基于最小風險的細胞識別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魚類識別結果102
參考文獻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果118
參考文獻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)均值處理結果140
8.3.5基于小波包分解系數(shù)及子帶能量處理結果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157
第9章基于紅外火焰探測的火災識別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基于時頻結合的火災信號特征提取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火災時域特征提取165
9.2.5火災頻域特征提取167
9.3基于決策樹的火災識別171
9.3.1決策樹基本思想171
9.3.2決策樹特點173
9.3.3基于決策樹的火災識別173
參考文獻175
第10章基于K-L變換的人臉識別176
10.1人臉識別技術簡介176
10.1.1人臉識別技術背景及其應用價值176
10.1.2人臉識別技術的研究內(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190
第11章基于深度數(shù)據(jù)的運動目標檢測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實驗結果194
11.5本章小結195
參考文獻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)步驟與實驗結果201
12.3.1指紋圖像采集201
12.3.2指紋圖像預處理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指紋識別實驗結果205
參考文獻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虹膜識別典型應用209
13.2虹膜識別算法原理210
13.2.1預處理-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識別結果218
13.3本章小結219
參考文獻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實驗結果分析225
14.3.1訓練數(shù)據(jù)與測試數(shù)據(jù)225
14.3.2測試結果226
14.4本章小結227
參考文獻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果分析235
15.3本章小結237
參考文獻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圖像預處理239
16.2.2特征提取241
16.2.3分類器設計245
16.2.4識別結果246
16.3本章小結246
參考文獻247