第1章 绪论 1 1.1 机器感知与视觉信息 1 1.1.1 机器感知 1 1.1.2 视觉信息感知 2 1.1.3 视觉机理 2 1.2 特征选择与提取 3 1.2.1 特征 3 1.2.2 特征选择 3 1.2.3 特征提取 4 1.3 模式识别系统 4 1.3.1 模式与模式识别 4 1.3.2 模式识别系统 5 1.4 机器感知与模式识别 5 1.5 机器感知与人工智能的关系 6 1.6 章节安排 6 习题 7 参考文献 8 第2章 机器视觉 9 2.1 视觉系统 9 2.1.1 机器视觉的发展 9 2.1.2 机器视觉系统的构成与评价指标 10 2.1.3 机器视觉的应用 12 2.2 硬件系统 14 2.2.1 工业相机 15 2.2.2 镜头 20 2.2.3 光源 24 2.2.4 其他组成部分 29 2.3 视觉软件 30 2.4 实验：车牌识别 31 2.4.1 实验目的 31 2.4.2 实验要求 31 2.4.3 实验原理 31 2.4.4 实验环境 31 2.4.5 实验步骤 31 习题 32 参考文献 33 第3章 特征提取 35 3.1 特征提取简述 35 3.2 特征选择 37 3.2.1 特征方差 38 3.2.2 特征相关系数 38 3.2.3 类间距离 38 3.2.4 降维 38 3.3 降维 39 3.3.1 基于PCA的特征提取 40 3.3.2 PCA的步骤 41 3.4 类脑智能 42 3.4.1 模式识别与人工智能 42 3.4.2 类脑智能的概念 43 3.4.3 类脑智能的技术框架 44 3.5 模式识别系统设计 45 3.6 计算学习理论 46 3.6.1 基本的PAC模型 47 3.6.2 基本概念 47 3.6.3 问题框架 48 3.6.4 小结 49 3.7 实验：基于PCA的特征脸提取 49 3.7.1 实验目的 49 3.7.2 实验要求 49 3.7.3 实验原理 49 3.7.4 实验步骤 50 3.7.5 实验结果 51 习题 53 参考文献 53 第4章 线性分类模型 55 4.1 线性判别函数 55 4.1.1 两类问题 55 4.1.2 多类问题 57 4.2 Fisher线性判别函数 59 4.3 感知器算法 62 4.4 最小平方误差算法 64 4.5 Logistic回归 65 4.6 基于Python实现感知器算法 69 4.6.1 基于sklearn库实现感知器算法 69 4.6.2 实验结果分析 73 4.7 实验：感知器算法实现 74 4.7.1 实验目的 74 4.7.2 实验要求 75 4.7.3 实验原理及具体步骤 75 4.7.4 实验结果 77 习题 79 参考文献 79 第5章 非线性分类 81 5.1 分段线性判别函数 81 5.1.1 最小距离分类器 81 5.1.2 一般的分段线性判别函数 82 5.2 决策树和随机森林 85 5.2.1 树状分类过程 85 5.2.2 构造决策树 86 5.2.3 森林分类过程 89 5.3 支持向量机 90 5.3.1 线性可分情况 90 5.3.2 线性不可分情况 91 5.4 贝叶斯分类网络 93 5.4.1 贝叶斯决策的相关概念 93 5.4.2 最小错误率贝叶斯决策 94 5.4.3 最小风险贝叶斯决策 95 5.4.4 正态分布贝叶斯分类 96 5.5 神经网络 97 5.5.1 神经网络基本单元 97 5.5.2 前馈神经网络 98 5.5.3 Hopfield反馈神经网络 102 5.6 基于Python实现决策树和随机森林算法 103 5.6.1 决策树和随机森林算法的基本特征 103 5.6.2 实验结果分析 106 5.7 实验：决策树和随机森林算法实现 107 5.7.1 实验目的 107 5.7.2 实验要求 107 5.7.3 实验原理及步骤 107 5.7.4 实验结果 111 习题 113 参考文献 113 第6章 时间序列预测 115 6.1 时间序列预测概述 115 6.1.1 时间序列 115 6.1.2 编制时间序列的原则 117 6.1.3 时间序列预测方法 118 6.1.4 时间序列预测流程 120 6.1.5 时间序列预测模型评估 121 6.2 指数平滑法 122 6.2.1 一次指数平滑 123 6.2.2 二次指数平滑 123 6.2.3 三次指数平滑 124 6.2.4 平滑系数的选择 124 6.3 自回归滑动平均模型 124 6.3.1 自回归模型 125 6.3.2 移动平均模型 125 6.3.3 自回归滑动平均模型表示 125 6.3.4 自回归滑动平均模型建模 126 6.4 自回归积分滑动平均模型 128 6.4.1 自回归积分滑动平均模型表示 128 6.4.2 自回归积分滑动平均模型建模 128 6.4.3 案例分析 129 6.5 长短期记忆网络模型 133 6.5.1 循环神经网络 134 6.5.2 长短期记忆网络 134 6.6 实验：基于LSTM的股票最高价预测 135 6.6.1 实验目的 135 6.6.2 实验要求 135 6.6.3 实验原理 136 6.6.4 实验步骤 137 6.6.5 实验结果 141 习题 143 参考文献 143 第7章 混合模型 145 7.1 高斯模型与高斯混合模型 145 7.1.1 高斯模型 145 7.1.2 高斯混合模型 146 7.2 贝叶斯混合模型 147 7.3 集成学习 148 7.3.1 Boosting 149 7.3.2 AdaBoost 149 7.4 实验：基于AdaBoost集成学习的乳腺癌分类 153 7.4.1 实验目的 153 7.4.2 实验要求 154 7.4.3 实验原理 154 7.4.4 实验内容 156 7.4.5 实验结果 162 习题 163 参考文献 163 第8章 图像识别 164 8.1 数字图像处理系统 164 8.1.1 图像感知与获取 164 8.1.2 图像处理硬件 165 8.1.3 图像处理软件 166 8.1.4 图像的显示和存储 166 8.2 图像特征描述 167 8.2.1 几何特征 167 8.2.2 形状特征 170 8.2.3 颜色特征 172 8.2.4 纹理特征 173 8.3 图像特征提取 175 8.3.1 基于Hu不变矩的形状特征提取 175 8.3.2 基于联合概率矩阵法的纹理特征提取 177 8.3.3 分块颜色直方图特征提取 178 8.3.4 基于小波变换的图像特征提取 179 8.4 目标识