模式識別與人工智能

趙海全，西南交通大學教授、博士生導師。長期致力於信息處理與人工智能理論及在電力系統應用研究，愛思唯爾高被引學者、連續多年入選全球前 2%**科學家（“終身科學影響力排行榜”和“年度科學影響力排行榜”）、四川省學術和技術帶頭人、四川省有突出貢獻的優秀專家、四川省傑青、四川省海智特聘專家。

目錄

第1章緒論

1.1模式識別與人工智能概述

1.2模式識別與人工智能發展歷史

1.3模式識別的分類、主要方法及應用

1.4人工智能的分類、主要方法及應用

第2章聚類分析

2.1聚類分析概述

2.1.1聚類分析定義

2.1.2聚類分析流程

2.2模式的相似性測度和聚類準則

2.2.1相似性測度

2.2.2聚類準則

2.3聚類方法

2.3.1簡單聚類方法

2.3.2層次聚類法

2.3.3動態聚類法

2.4聚類結果評價準則

2.5聚類方法的發展及應用

第3章判別函數

3.1線性判別函數

3.2廣義線性判別函數

3.3多類判別與決策樹

3.3.1多個兩類分類器的組合

3.3.2決策樹

3.4非線性判別函數

3.4.1分段線性距離分類器

3.4.2一般的分段線性判別函數

3.4.3二次判別函數

3.5感知器

第4章統計模式識別

4.1貝葉斯決策模型

4.1.1最小錯誤率貝葉斯決策

4.1.2最小風險貝葉斯決策

4.2貝葉斯分類器的學習訓練算法

4.2.1最大似然估計

4.2.2貝葉斯估計與貝葉斯學習

4.2.3非參數估計的基本原理與直方圖方法

4.2.4kN近鄰估計方法

4.2.5Parzen窗方法

4.3貝葉斯分類決策的錯誤率分析及估計

4.3.1錯誤率分析

4.3.2錯誤率估計

4.4貝葉斯分類舉例

第5章特征選擇和特征提取

5.1特征選擇和特征提取概述

5.2模式類別可分性測度

5.2.1基於類內、類間距離的可分性測度

5.2.2基於概率分布的可分性判據

5.2.3基於熵的可分性判據

5.2.4基於統計檢驗的可分性判據

5.3特征選擇的基本方法

5.3.1特征選擇的最優算法

5.3.2特征選擇的次優算法(確定性的啟發式搜索)

5.4特征提取的基本方法

5.4.1主成分分析法

5.4.2KarhunenLoève變換

5.5特征選擇、提取、檢測實例

第6章神經網絡

6.1神經網絡的發展歷程

6.2神經網絡概述

6.3神經網絡分類器結構

6.4神經網絡分類器的學習訓練算法

6.5幾種重要的神經網絡結構及學習算法

6.5.1前饋神經網絡

6.5.2Hopfield神經網絡

6.6神經網絡模式識別實例

第7章支持向量機

7.1支持向量機概述

7.2VapnikChervonenkis維概念

7.3結構風險最小化原則

7.4最優化分類界面

7.5支持向量機模式識別算法

7.6支持向量機應用實例

7.7支持向量機的問題與改進方法

第8章知識表示與推理

8.1知識表示與推理概述

8.1.1知識表示

8.1.2推理

8.2經典邏輯推理

8.2.1演繹推理

8.2.2歸納推理

8.2.3類比推理

8.3非單調推理

8.3.1單調邏輯與單調推理

8.3.2非單調邏輯與非單調推理

8.4不確定性推理

8.4.1不確定性推理基礎

8.4.2貝葉斯推理

8.4.3模糊推理

8.5知識表示推理的發展與應用

8.5.1知識表示推理的發展

8.5.2知識表示推理的應用前景

第9章智能系統

9.1智能系統概述

9.2專家系統原理

9.2.1專家系統的基本概念

9.2.2專家系統的基本組成

9.2.3專家系統的分類

9.2.4專家系統的應用

9.2.5專家系統的發展趨勢

9.2.6專家系統的挑戰

9.3搜索策略

9.3.1搜索策略的基本概念

9.3.2搜索策略的分類

9.3.3常見搜索算法

9.3.4搜索策略的應用

9.3.5搜索策略的優化

9.3.6搜索策略的未來發展

9.4遺傳算法

9.4.1遺傳算法的背景與歷史

9.4.2遺傳算法的基本概念

9.4.3遺傳算法的基本原理

9.4.4遺傳算法的實現

9.4.5遺傳算法的問題和挑戰

9.5進化計算和群智能原理、算法及應用實例

9.5.1進化計算與群智能概述

9.5.2進化算法

9.5.3群智能優化算法

9.5.4遺傳算法在旅行商問題中的應用

第10章深度神經網絡

10.1深度神經網絡原理

10.2卷積神經網絡

10.2.1卷積層

10.2.2池化

10.2.3歸一化

10.2.4深度卷積神經網絡

10.2.5卷積神經網絡的問題與改進方法

10.3循環神經網絡

10.3.1循環神經網絡的原理

10.3.2循環神經網絡的訓練

10.3.3用循環神經網絡建立語言模型

10.3.4長短期記憶網絡

10.3.5循環神經網絡的問題與改進方法

10.4神經網絡的優化與正則化方法

10.4.1不適定問題

10.4.2正則化方法 

10.4.3常見的正則化方法

10.5神經網絡中的註意力機制和外部記憶

10.5.1註意力機制

10.5.2外部記憶

10.6深度神經網絡模式識別實例

10.6.1SOC估計算法的背景

10.6.2基於神經網絡的SOC估計算法的設計步驟

10.6.3基於BP神經網絡的SOC估計方法

10.6.4基於擴展卡爾曼網絡的SOC估算方法

第11章深度學習前沿

11.1深度強化學習

11.1.1深度強化學習概述

11.1.2深度強化學習的原理與機制

11.1.3深度強化學習模型

11.2元學習

11.2.1元學習概述

11.2.2元學習算法特點

11.2.3元學習算法思想

11.2.4元學習的主要框架

11.2.5元學習的問題與改進方法

11.3圖神經網絡

11.3.1圖概述

11.3.2圖神經網絡的基本原理

11.3.3應用實例

11.3.4實驗仿真

11.4遷移學習

11.4.1遷移學習概述

11.4.2遷移學習方法的主要框架

11.4.3遷移學習的問題與改進方法

11.5小樣本學習

11.6深度生成模型： 變分自編碼器和生成對抗網絡

11.6.1生成式模型概述

11.6.2自編碼器

11.6.3變分自編碼器

11.6.4VAE運用實例

11.6.5生成對抗網絡

11.6.6條件生成對抗網絡實例+

11.7相關應用實例

參考文獻