《机器识别方法与系统》求取 ⇩

目录1

第一部分1

第一章 模式识别理论的基本概念和定义1

1.1 模式的概念1

1.2 图形、状态、情势、模式4

1.3 模式识别的学习问题5

1.4 识别和结构描述9

1.5 图形变换为代码10

1.6 图形的特征和描述16

1.7 用向量的形式表示图形18

1.8 图形的紧致集和紧致性假设20

1.9 图形变换和描述变换25

1.10 初始描述变换和描述不充分性测度28

1.11 图形的相似性30

1.12 图形的不变性描述31

1.13 描述的信息性35

1.14 特征有效性准则37

1.15 识别的可靠性和品质39

第二章 简单的专用识别方法42

2.1 与范型匹配的方法42

2.2 探针法43

2.3 图形标记方法45

2.4 识别的准拓扑方法46

2.5 α识别系统48

3.1 感知器的工作原理51

第三章 感知器51

3.2 基本概念和定义54

3.3 基本α感知器59

3.4 基本感知器的G矩阵61

3.5 具有不同S-A连接分布的感知器62

3.6 某些基本感知器的变形64

3.7 解的存在理论68

3.8 关于训练过程收敛的定理69

3.9 诺维科夫定理71

3.10 具有序贯连接的三层感知器的可能性73

3.11 多层感知器75

3.12 A元素层间连接权为常数的四层感知器77

3.13 在末级前一层有自适应连接的四层感知器80

3.14 交叉连接感知器84

3.15 感知器的“语言”和“风格”85

第四章 位函数方法89

4.1 位函数方法的几何解释89

4.2 位函数方法的一般递归程序93

4.3 位函数方法算法的变形95

4.4 位函数方法递归程序的收敛性及停止条件99

4.5 位函数方法的实现方法103

4.6 位函数方法的概率实现106

4.7 位函数方法的一般化110

第五章 自变量成组分析方法115

5.1 广义分类函数116

5.2 МГУА的基本思路120

5.3 构造МГУА算法的一般系统121

5.4 基本的МГУА算法124

5.5 МГУА算法和贝叶斯决策规则125

5.6 训练和检验序列的组成129

5.7 МГУА的概率算法132

5.8 МГУА算法和感知器133

第六章 多段线性决策规则135

6.1 一般原理135

6.2 学习品质泛函137

6.3 规范决策规则139

6.4 ПРП合成算法140

6.5 ПРП合成试验146

第七章 统计识别方法149

7.1 模式识别问题的统计提法150

7.2 恢复概率分布的参数方法154

7.3 随机逼近方法156

7.4 经验风险最小化的方法158

7.5 一致收敛条件160

7.6 经验最优决策规则偏差的估计162

7.7 有序风险最小化的方法164

7.8 把随机逼近法和经验风险最小化结合的学习程序167

7.9 有限存储下的经验风险最小化169

7.10 在比较条件概率基础上的识别算法172

7.11 在不完全数据的条件下采取的决策173

第八章 容许变换方法175

8.1 产生图形的参数模型175

82 识别和学习问题的参数提法179

8.3 图形的容许变换180

8.4 容许变换方法及其特点182

8.5 科瓦连斯基相关法183

8.6 图形序列识别的相关方法187

8.7 范型序列方法190

8.8 在二维网格上构造范型图形193

8.9 用范型序列方法识别视觉图形195

第九章 模式识别的结构方法198

9.1 句法模式识别系统199

9.2 描述模式的语言和文法201

9.3 作为识别方法的句法分析208

9.4 恢复用于句法模式识别的文法212

9.5 训练程序，形成词汇表220

9.6 二维文法223

第十章 景物识别230

10.1 问题的提出230

10.2 三维物体与被识信号模型232

10.3 机器人对外部世界的感受组织237

10.4 由多面体组成的模型景物的描述241

10.5 工业零件机器识别的训练系统245

第十一章 模式识别问题中的不变决策函数251

11.1 图形模型251

11.2 统计决策理论中的不变性原则254

11.3 不变决策函数及其性质255

11.4 识别问题的一般提法257

11.5 解决模式识别问题的各种方法258

第十二章 动态模式的识别268

12.1 图象模型269

12.2 动态模式识别问题的一般提法270

12.3 识别动态模式时考虑历史的原则273

12.4 状态集合的考虑276

12.5 状态序列的考虑278

12.6 动态模式识别的序贯方法279

12.7 预测滤波器在状态序列分析中的应用284

第十三章 决策规则集体287

13.1 形式算法集体288

13.2 识别算法集体289

13.3 集体工作分析291

13.4 权威区域的划分293

13.5 决策算法集体的合成296

13.6 具有必要多样性的集体的合成297

13.7 在已知识别算法中使用集体决策规则299

13.8 不等式系统集300

第十四章 模式识别的自学习303

14.1 模式的广义性质304

14.2 自学习原则305

14.3 抽象模式306

14.4 自学习任务的提出307

14.5 感知器的自学习310

14.6 自学习问题的解决方法311

第十五章 应用决策理论的自学习的统计方法313

15.1 构造假设序列313

15.2 自学习的贝叶斯序贯算法315

15.3 М．И．施里辛格的递归统计算法320

15.4 基于随机逼近的自学习递归算法325

第十六章 分出紧致组的变分法和启发式方法328

16.1 简化的启发式方法328

16.2 基于位函数法的启发式算法330

16.3 自学习中定量准则的应用331

16.4 施里辛格变分算法333

16.5 位函数变分算法335

16.6 自学习的方差算法337

16.7 类别数未直接给出时的自学习算法340

第十七章 用混合分布法进行模式识别自学习342

17.1 混合ФПВ的某些性质343

17.2 用窗方法对混合ФПВ进行非参数估计345

17.3 正态窗函数作用范围的选择348

17.4 加速识别过程的方法350

17.5 有限记忆条件下用混合分布法的自学习351

第十八章 子样的信息性质359

18.1 学习信息359

18.2 样本的矛盾性及再学习信息361

18.3 样本矛盾性度量362

18.4 子样的伪信息性366

18.5 学习信息的有益性及伪信息的有害性367

18.6 猜测问题的例子368

18.7 在解决模式识别学习问题情况下子样的信息性质371

18.8 定向训练原则373

18.9 定向学习问题379

第十九章 视觉图象的识别383

第二部分383

19.1 简单自动阅读机384

19.2 用相关法原则构成的自动阅读机389

19.3 自动阅读机ЧАРС397

19.4 手写字符的识别404

19.5 自动阅读机简介409

19.6 泡室照片的识别415

第二十章 语音识别422

20.1 语音信号的描述424

20.2 识别有限语音信号组的相关法425

20.3 用贝叶斯规则识别有限单词量430

20.4 口述单词的按元素识别432

20.5 用预先分割法识别语音信号441

第二十一章 感知器的实验模型445

21.1 并行感知器“Mark 1”445

21.2 感知器“Конфлекс 1”450

21.3 串行感知器“Gamba”455

21.4 四层感知器“Тобермори”457

21.5 基本阈值元件的识别系统“Adaline”460

第二十二章 诊断和预报467

22.1 技术诊断学467

22.2 技术诊断学的任务469

22.3 学习传送器470

22.4 作为预测滤波器的识别系统472

22.5 医疗诊断学474

23.1 “Madaline”系统477

第二十三章 控制问题中的学习识别系统477

23.2 “Тейлор”学习系统480

23.3 带校正的控制学习系统483

23.4 对象特性的近似与“极性气体”的控制问题486

23.5 炼钢过程的模拟控制489

第二十四章 考虑以往历史的试验检验506

24.1 实现考虑状态总体原则的两层识别系统507

24.2 用最大似然准则识别动态目标的实验511

24.3 使用预测滤波器识别动态对象的试验514

第二十五章 自学习的实际问题517

25.1 按动态特性对工业对象分类517

25.2 用自学习方法建立对象的静态模型520

25.3 用自学习方法解决零件质量的控制问题522

25.4 用混合分布法解决医疗诊断问题524

25.5 用自学习方法解决社会学、地质学和古生物学的问题526

第二十六章 试验识别程序及某些实用算法529

26.1 程序“Арифметика”529

26.2 程序“Геометрия”533

26.3 程序“Кора”536

26.4 程序“Открой закон”538

26.5 广义肖像法540

26.6 “Краб”和“Форель”算法542

26.7 基于计算估价的识别算法545

26.8 模式识别中的模糊集（不明确集）548

参考文献552

索引563