具体描述
《模式识别》系统地论述了各类经典的模式识别的理论与方法，同时还较全面地反映了本学科的新近科技成果。《模式识别》讨论的主流模式识别技术是：统计模式识别、模糊模式识别、神经网络技术、句法模式识别、信息融合及树分类器方法。全书共7章。第1章为引论，第2章至第6章介绍的统计模式识别，包括：聚类分析、最近邻法、判别域代数界面方程法、统计判决、学习与错误率估计、特征提取与选择，第7章对模糊模式识别方法、神经网络技术、句法模式识别、信息融合及树分类器的基础知识进行了介绍。
《模式识别》可供电子科学与技术、信息与通信工程、控制科学与工程、计算机科学与技术及其他领域的有关专业和研究方向的本科高年级学生及硕士生作为信息分析、检测、识别的教材或教学参考书，也可供相关专业的科研人员参考。
《光影的叙事：摄影美学与技术解析》 这是一本关于摄影艺术的深度探索，它将带领读者穿越光影的世界，理解图像如何被捕捉、构建和赋予生命。本书不仅是一份摄影技术的指南，更是一次对视觉语言的哲学思考。 核心内容： 光线的语言： 本书深入剖析了光线在摄影中的核心作用。从自然光的运用，如黄金时段的柔和色调、阴天的散射光所带来的沉静氛围，到人造光的掌控，例如闪光灯、持续灯的硬光与软光效果，以及如何利用反光板和柔光罩来塑造光线。我们将学习如何识别并利用不同光线条件来烘托主体、营造情绪，以及通过高光、阴影的对比来增强画面的立体感和戏剧性。书中会详细介绍曝光三角形（光圈、快门速度、ISO）与光线之间的微妙关系，以及如何根据不同的光照环境做出最优的曝光选择。 构图的艺术： 抛开生硬的规则，本书将视觉构图视为一种动态的语言。我们将探讨黄金分割、三分法等经典构图法则的视觉原理，并在此基础上引导读者发展属于自己的独特视角。重点会放在如何引导观者视线，利用引导线、框架式构图、对称与非对称、留白等手法来增强画面的平衡感和故事性。此外，还会分析不同焦距镜头对构图的影响，以及如何通过景深的变化来突出主体、虚化背景，从而实现视觉上的重点突出和层次感。 色彩的魔力： 色彩是摄影作品的情感载体。本书将从色彩理论出发，解析色彩的心理学效应，如暖色调带来的活力与温暖，冷色调引发的冷静与忧郁。我们将学习如何运用色彩搭配来创造和谐或冲突的视觉效果，以及如何通过白平衡的调整和后期色彩校正来捕捉和再现真实的色彩，或是在艺术创作中大胆地改变色彩的感知。本书还会探讨特定色彩组合如何影响画面的氛围和传达的信息，例如蓝色与黄色的对比，或是单色调的运用。 技术的精进： 掌握相机不仅是操作按钮，更是理解其内在运作。本书将详细讲解不同类型相机（单反、微单、手机摄影）的优势与劣势，以及各类镜头（定焦、变焦、广角、长焦）的特性和应用场景。我们会深入探讨对焦模式、测光模式的选择，以及它们如何影响最终成像的锐度与曝光准确性。此外，本书还将涵盖RAW格式与JPEG格式的区别，以及后期处理软件（如Lightroom、Photoshop）的基础操作和进阶技巧，包括曝光调整、色彩校正、锐化、降噪等，旨在帮助摄影师更好地实现创作意图。 故事的讲述： 一张好的照片，往往讲述了一个故事。本书将引导读者思考如何通过瞬间的捕捉，来传递情感、记录事件、表达观点。我们将学习如何通过被摄者的表情、肢体语言、环境的细节来构建叙事，以及如何运用连拍、多角度拍摄来丰富故事的维度。书中会分析经典纪实摄影作品，解读它们是如何在有限的画面中蕴含深刻的社会意义和人文关怀。 本书特色： 理论与实践并重： 每一章节都将摄影理论与实际拍摄技巧相结合，提供丰富的案例分析和实践建议。 视角多元化： 鼓励读者打破固有的思维模式，探索不同的摄影风格和表现手法。 视觉化呈现： 包含大量的精美摄影作品示例，直观地展示了各项技巧的应用效果。 适合不同阶段的摄影爱好者： 无论你是初学者还是有一定基础的摄影师，都能从中获得启发和提升。 《光影的叙事：摄影美学与技术解析》是一扇通往摄影艺术世界的门，它邀请你拿起相机，用你的眼睛去观察，用你的心去感受，用你的技术去创造，最终用你的作品来诉说属于你自己的故事。
作者简介
目录信息
第1章 引论 1.1 概述 1.1.1 模式识别的概念 1.1.2 模式识别系统 1.1.3 模式识别的基本方法 1.2 特征矢量和特征空间 1.3 随机矢量的描述 1.4 正态分布 1.4.1 正态分布的定义 1.4.2 多元正态分布的性质第2章 聚类分析及最近邻方法 2.1 聚类分析的概念 2.1.1 聚类分析的基本思想 2.1.2 特征量 2.1.3 方法的有效性 2.2 模式相似性测度 2.2.1 距离测度(差值测度) 2.2.2 相似测度 2.2.3 匹配测度 2.3 类间距离 2.3.1 类间距离测度方法 2.4 准则函数 2.4.1 点与集合间的距离 2.4.2 聚类的准则函数 2.5 聚类的算法 2.5.1 聚类的技术方案 2.5.2 基于相似性阈值的简单聚类方法 2.5.3 谱系聚类法 2.5.4 动态聚类法(Dynamic clustering algorithm) 2.5.5 近邻函数法 2.6 最近邻方法 2.6.1 最近邻法 2.6.2 剪辑最近邻法 2.6.3 引入拒绝类别决策的最近邻法 习题 算法编程第3章 判别域代数界面方程法 3.1 判别域界面方程分类的概念 3.2 线性判别函数 3.2.1 两类问题 3.2.2 多类问题 3.3 判别函数值的鉴别意义、权空间及解空间 3.3.1 判别函数值的大小、正负的数学意义 3.3.2 权空间、解矢量与解空间 3.4 Fisher线性判别 3.5 线性可分条件下判别函数权矢量算法 3.5.1 感知器算法 3.5.2 一次准则函数及梯度下降法 3.5.3 感知器训练算法在多类问题中的应用 3.6 一般情况下的判别函数权矢量算法 3.6.1 分段二次准则函数及共轭梯度法 3.6.2 最小平方误差准则及W－H算法 3.6.3 H－K(Ho－Kashyap)算法 3.7 广义线性判别函数 3.8 二次判别函数 3.9 位势函数分类法 3.9.1 位势函数的概念 3.9.2 由位势函数产生判别函数的训练算法及分类规则 3.10 支持矢量机简介 习题 算法编程第4章 统计判决 4.1 最小误判概率准则判决 4.1.1 最小误判概率准则判决的一般形式 4.1.2 正态模式最小误判概率判决规则的具体形式 4.1.3 正态模式分类的误判概率 4.2 最小损失准则判决 4.2.1 损失概念、损失函数与平均损失 4.2.2 最小损失准则判决 4.3 最小最大损失准则 4.4 N－P(Neyman－Pearson)判决 4.5 序贯判决(SPRD) 4.5.1 控制误判概率的序贯判决 4.5.2 计人提取特征代价的最小损失准则下的序贯 判决 习题 算法编程第5章 统计决策中的经典学习方法 5.1 统计推断概述 5.2 参数估计 5.2.1 均值矢量和协方差阵的矩法估计 5.2.2 最大似然估计(MLE) 5.2.3 贝叶斯估计(BE) 5.2.4 最大似然估计和贝叶斯估计的性能比较 5.3 贝叶斯学习 5.4 概密的窗函数估计法 5.4.1 概密的基本估计式 5.4.2 Parzen窗法 5.4.3 KN－近邻估计法 5.4.4 后验概率的估计 5.5 有限项正交函数级数逼近法 5.5.1 最小积分平方差逼近方法 5.5.2 最小均方差逼近方法 5.6 用位势函数法逼近贝叶斯判决函数 5.7 错误率估计 5.7.1 分类器错误率的实验估算基本原理 5.7.2 样本抽取方式对误判概率估计的影响 5.7.3 训练与测试样本集的大小对错误率的影响 5.7.4 训练样本使用技术及错误率的测试方法 习题 算法编程第6章 特征提取与选择 6.1 概述 6.2 类别可分性判据 6.2.1 基于几何距离的可分性判据 6.2.2 基于类的概率密度函数的可分性判据 6.2.3 基于后验概率的可分性判据 6.3 基于可分性判据进行变换的特征提取 6.3.1 基于离差阵的特征提取 6.3.2 多类情况 6.3.3 基于熵概念的某些特征提取与选择方法 6.4 最佳鉴别矢量的提取 6.4.1 Fisher鉴别矢量及鉴别平面 6.4.2 最佳鉴别矢量集 6.5 离散K－L变换及其在特征提取与选择中的应用 6.5.1 离散K－L变换(DKLT) 6.5.2 离散K－L变换在特征提取与选择中的应用 6.6 特征选择中的直接挑选法 6.6.1 次优搜索法 6.6.2 最优搜索法 习题第7章 其他模式识别方法 7.1 模糊模式识别 7.1.1 模糊数学基础知识 7.1.2 模糊模式识别的基本方法 7.2 神经网络在模式识别中的应用 7.2.1 人工神经网络的基本知识 7.2.2 常见的神经网络模型 7.3 句法模式识别 7.3.1 句法模式识别概述 7.3.2 形式语言介绍 7.3.3 句法模式识别的基本内容 7.4 信息融合 7.4.1 信息融合概述 7.4.2 融合技术层次性及融合系统功能模块和结构 7.5 树分类器 7.5.1 树分类器原理及设计原则 7.5.2 树分类器关键技术 7.5.3 决策树生成算法 习题参考文献
· · · · · · (收起)
· · · · · · (收起)
读后感
评分
评分
评分
评分
评分
用户评价
评分
评分
评分
评分
评分
