Tytuł: | Metody automatycznego rozpoznawania wzorców Wydanie 2 | | Autor: | Włodzimierz Kwiatkowski | | ISBN: | 978-83-89968-75-3 | | Ilość stron: | 210 | | Data wydania: | 2007 | | Format: | 17.0x24.0cm | | Wydawnictwo: | Bel Studio | |
| Cena: | 29.40zł | |
Przedstawiono metody automatycznego rozpoznawania wzorców znajdujące zastosowanie zwłaszcza w zadaniach rozpoznawania obrazów, rozpoznawania mowy i rozpoznawania mówcy.
Szczegółowo omówiono zastosowanie sztucznych sieci neuronowych jako klasyfikatorów. Przedstawiono m.in budowę preceptoru, regułę uczenia Widrowa-Hoffa i metodę wstecznej propagacji błędów.
Uzyskiwane w sztucznych sieciach neuronowych rozwiązania porównano z rozwiązaniami bazującymi na metodach bayesowskich, metodzie największej wiarygodności oraz idei klasyfikacji i grupowania minimalnoodległościowego.
Oddzielną część książki poświęcono problemom rozpoznawania na podstawie modeli układów generujących obserwowane sygnały. Do tej grupy zagadnień należy tworzenie przestrzeni cech złożonej ze współczynników LPC, a także budowa ukrytych modeli Markowa.
Rozdziały:
I. Sztuczne sieci neuronowe 1. Poznanie a rozpoznanie 2. Proste zadanie klasyfikacji 3. Perceptron Rosenblatta 4. Zadanie aproksymacji liniowej 5. Rekurencyjne rozwiązywanie zadania aproksymacji 6. Metoda gradientowa 7. Reguła uczenia Widrowa-Hoffa 8. Sieć Madaline komputeks.pl 9. Zadanie aproksymacji liniowo 10. Klasy sygnałów niesparowane liniowo 11. Metoda wstecznej propagacji błędów 12. Sieci SVM
II. Metody Bayesowskie 13. Rozkład a priori, rozkład o posteriori 14. Decyzje bayesowskie, decyzje minimaksowe 15. Bayesowskie funkcje decyzyjne 16. Minimaksowe funkcje decyzyjne 17. Wiarygodność
III. Korelacja cech 18. Współczynnik korelacji 19. Przekształcenie Karhunena-Loeve'a 20. Klasyfikacja minimalnoodległościowa 21. Grupowanie minimalnoodległościowe 22. Współczynniki LPC
IV. Ukryte modele Markowa 23. Łańcuchy Markowa 24. Ukryte łańcuchy Markowa 25. Problem ewaluacji HMM 26. Segmentacja na podstawie HMM 27. Uczenie HMM
|