- 目标识别原理与应用/目标信息获取与处理丛书
- - 作者：编者:黄洁//刘伟//骆丽萍//王建涛//张克|责编:王九贤
  - 出版社：国防工业
  - ISBN：9787118133110
  - 出版日期：2024/07/01
  - 页数：226
- 售价：42.4

内容大纲
本书以目标识别理论、方法为主线，注重基础，紧跟前沿，突出应用。在详细介绍目标识别涉及的特征提取、分类器设计技术基础上，给出目标识别应用实例，有利于读者将理论与实际相结合．加深对目标识别技术的理解。本书共11章，主要内容包括目标特征提取和选择、线性分类器、贝叶斯分类器、近邻法、决策树、集成学习方法、聚类分析、神经网络分类器等基础理论，雷达目标识别、雷达辐射源信号识别、SAR图像目标识别、文本命名实体识别等应用实例。
本书可供从事目标识别领域相关工作的工程技术人员和研究人员参考，也可作为高校相关专业课程教材使用。
作者介绍
目录
第1章  绪论
  1.1  引言
  1.2  目标识别相关概念
    1.2.1  模式与模式识别
    1.2.2  模式识别与机器学习
    1.2.3  监督学习与非监督学习
  1.3  目标识别系统组成
  1.4  目标识别基本方法
  1.5  评估方法与性能指标
    1.5.1  评估方法
    1.5.2  性能指标
第2章  目标特征提取和选择
  2.1  引言
  2.2  特征评价准则
    2.2.1  基于距离的可分性判据
    2.2.2  基于概率密度函数的可分性判据
    2.2.3  基于熵函数的可分性判据
  2.3  特征提取方法
    2.3.1  基于距离可分性判据的特征提取方法
    2.3.2  基于概率密度函数可分性判据的特征提取方法
    2.3.3  基于熵函数可分性判据的特征提取方法
  2.4  特征选择方法
    2.4.1  最优搜索算法——分支定界法
    2.4.2  次优搜索算法
  2.5  基于主成分分析的特征提取
  2.6  基于离散K-L变换的特征提取
    2.6.1  K-L变换基本原理
    2.6.2  基于总的类内、类间离散度矩阵的K-L变换
第3章  线性分类器
  3.1  引言
  3.2  线性判别函数
    3.2.1  线性判别函数的几何意义
    3.2.2  广义线性判别函数
    3.2.3  线性判别函数设计的一般步骤
  3.3  Fisher线性判别分析
  3.4  感知准则函数
    3.4.1  基本概念
    3.4.2  感知准则算法
    3.4.3  感知准则算法在多类中应用
  3.5  最小平方误差准则函数
  3.6  线性支持向量机
第4章  贝叶斯分类器
  4.1  引言
  4.2  贝叶斯分类器设计
    4.2.1  最大后验概率判决准则
    4.2.2  最小风险贝叶斯判决准则
    4.2.3  N-P判决准则
  4.3  正态分布时的贝叶斯分类
    4.3.1  正态分布及其性质回顾
    4.3.2  正态分布概率模型下的最小错误概率决策

  4.4  概率密度函数参数估计
    4.4.1  最大似然估计
    4.4.2  贝叶斯估计
    4.4.3  贝叶斯学习
  4.5  朴素贝叶斯分类器
第5章  非线性分类器
  5.1  引言
  5.2  近邻法
    5.2.1  最近邻法
    5.2.2  k-近邻法
    5.2.3  剪辑近邻法
    5.2.4  压缩近邻法
  5.3  决策树
    5.3.1  CLS学习算法
    5.3.2  ID3算法
      5.3.3 C4.5  算法
    5.3.4  树剪枝
  5.4  集成学习方法
    5.4.1  集成学习概述
    5.4.2  AdaBoost算法
    5.4.3  随机森林
第6章  聚类分析
  6.1  引言
  6.2  相似性测度与聚类准则
    6.2.1  相似性测度
    6.2.2  聚类准则
  6.3  基于划分的聚类方法
    6.3.1  K—Means算法
    6.3.2  迭代自组织数据分析算法
  6.4  基于层次的聚类方法
    6.4.1  层次聚类法基本思想
    6.4.2  类与类之间的距离
    6.4.3  BIRCH层次聚类算法
  6.5  基于密度的聚类方法
    6.5.1  DBSCAN算法基本概念
    6.5.2  DBSCAN算法思路
  6.6  基于网格的聚类方法
    6.6.1  STI.NG算法
    6.6.2  CLIQUE算法
  6.7  基于模型的聚类方法
    6.7.1  高斯混合模型
    6.7.2  模型求解算法——EM算法
第7章  神经网络分类器
  7.1  引言
  7.2  神经网络的基本要素
    7.2.1  人工神经元模型
    7.2.2  神经网络结构
    7.2.3  神经网络学习
  7.3  前馈神经网络
    7.3.1  感知器

    7.3.2  BP网络
    7.3.3  径向基函数网络
  7.4  离散型Hopfield网络
  7.5  自组织特征映射神经网络
    7.5.1  网络结构
    7.5.2  自组织特征映射算法
  7.6  深度学习网络
    7.6.1  卷积神经网络(CNN)
    7.6.2  循环神经网络(RNN)
  7.7  神经网络应用于识别的基本思路
第8章  雷达目标识别
  8.1  引言
  8.2  雷达目标识别特征
    8.2.1  目标RCS特征
    8.2.2  目标极化特征
    8.2.3  目标运动特征
    8.2.4  目标微动特征
    8.2.5  目标高分辨雷达特征
  8.3  基于运动特性的飞机目标识别
    8.3.1  飞机目标运动特征
    8.3.2  飞机目标类型识别
第9章  雷达辐射源信号识别
  9.1  引言
  9.2  雷达辐射源信号及特征
    9.2.1  雷达辐射源信号模型
    9.2.2  雷达辐射源信号特征参数
  9.3  雷达辐射源调制类型识别
    9.3.1  基于瞬时频率图的雷达辐射源调制类型识别
    9.3.2  基于CNN的雷达辐射源调制类型识别
第lO章  SAR图像目标识别
  10.1  引言
  10.2  高分辨率SAR图像舰船目标检测
    10.2.1  影响舰船目标检测的因素
    10.2.2  基于统计模型的CFAR舰船检测
    10.2.3  SAR图像舰船目标快速检测算法
  10.3  高分辨率SAR图像舰船目标识别
    10.3.1  典型舰船目标特征分析
    10.3.2  SAR图像舰船目标识别方法
第11章  文本命名实体识别
  11.1  引言
  11.2  词嵌入
    11.2.1  One-Hot编码
    11.2.2  TF-IDF方法
    11.2.3  Word2vec
    11.2.4  Bert
  11.3  命名实体识别常用方法
    11.3.1  基于规则词典的方法
    11.3.2  基于统计模型的方法
    11.3.3  基于深度学习的方法
  11.4  命名实体识别实例

    11.4.1  基于ALBERT的词嵌入表示层
    11.4.2  BiLSTM层
    11.4.3  CRF层
    11.4.4  实验结果与分析
附录A  概率统计知识
  A.1  概率
    A.1.1  随机事件与概率
    A.1.2  随机变量
  A.2  概率分布
  A.3  贝叶斯定理
附录B  矩阵知识
  B.1  基本概念
  B.2  基本运算
  B.3  矩阵导数
  B.4  矩阵分解
附录C  优化理论
  C.1  拉格朗日乘数法
    C.1.1  等式约束优化问题
    C.1.2  不等式约束优化问题
    C.1.3  拉格朗日对偶
    C.1.4  KKT条件
  C.2  梯度下降法
参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目