模式識別技術是人工智能的基礎技術，21世紀是智能化、信息化、計算化、網絡化的世紀，在這個以數字計算為特征的世紀裏，作為人工智能技術基礎學科的模式識別技術，必將獲得巨大的發展空間。在國際上，各大權威研究機構，各大公司都紛紛開始將模式識別技術作為公司的戰略研發重點加以重視。
1、語音識別技術
語音識別技術正逐步成為信息技術中人機接口(Human Computer Interface， HCI)的關鍵技術，語音技術的應用已經成為壹個具有競爭性的新興高技術產業。中國互聯網中心的市場預測：未來5年，中文語音技術領域將會有超過400億人民幣的市場容量，然後每年以超過30%的速度增長。
2、生物認證技術
生物認證技術(Biometrics)本世紀最受關註的安全認證技術，它的發展是大勢所趨。人們願意忘掉所有的密碼、扔掉所有的磁卡，憑借自身的唯壹性來標識身份與保密。國際數據集團（IDC）預測：作為未來的必然發展方向的移動電子商務基礎核心技術的生物識別技術在未來10年的時間裏將達到100億美元的市場規模。
3、數字水印技術
90年代以來才在國際上開始發展起來的數字水印技術(Digital Watermarking)是最具發展潛力與優勢的數字媒體版權保護技術。IDC預測，數字水印技術在未來的5年內全球市場容量超過80億美元。
模式識別從20世紀20年代發展至今，人們的壹種普遍看法是不存在對所有模式識別問題都適用的單壹模型和解決識別問題的單壹技術，我們現在擁有的只是壹個工具袋，所要做的是結合具體問題把統計的和句法的識別結合起來，把統計模式識別或句法模式識別與人工智能中的啟發式搜索結合起來，把統計模式識別或句法模式識別與支持向量機的機器學習結合起來，把人工神經元網絡與各種已有技術以及人工智能中的專家系統、不確定推理方法結合起來，深入掌握各種工具的效能和應有的可能性，互相取長補短，開創模式識別應用的新局面。
對於識別二維模式的能力，存在各種理論解釋。模板說認為，我們所知的每壹個模式，在長時記憶中都有壹個相應的模板或微縮副本。模式識別就是與視覺刺激最合適的模板進行匹配。特征說認為，視覺刺激由各種特征組成，模式識別是比較呈現刺激的特征和儲存在長時記憶中的模式特征。特征說解釋了模式識別中的壹些自下而上過程，但它不強調基於環境的信息和期待的自上而下加工。基於結構描述的理論可能比模板說或特征說更為合適。
模式識別
叢書名： 國外計算機科學教材系列
作 者： （希）西奧多裏德斯 等著，李晶皎 等譯
出 版 社： 電子工業出版社
出版時間： 2006-12-1
頁 數： 551
紙 張： 膠版紙
S B N ： 9787121026478
包 裝： 平裝
所屬分類： 圖書 >> 計算機/網絡 >> 人工智能
定價：￥58.00
內容簡介
模式識別是指對表征事物或現象的各種形式的信息進行處理和分析，以對事物或現象進行描述、辨認、分類和解釋的過程。它是信息科學和人工智能的重要組成部分，主要應用領域是圖像分析與處理、語音識別、聲音分類、通信、計算機輔助診斷、數據挖掘等學科。本書在完美地結合當前的理論與實踐的基礎上，討論了貝葉斯分類、貝葉斯網絡、線性和非線性分類器設計、動態編程和用於順序數據的隱馬爾可夫模型、特征生成、特征選取技術、學習理論的基本概念以及聚類概念與算法。與前壹版相比，主要更新了關於支持向量機和聚類算法的內容，重點研究了圖像分析、語音識別和聲音分類的特征生成。每章末均提供有習題與練習，且支持網站上提供有習題解答，以便於讀者增加實際經驗。
本書可作為高等院校自動化、計算機、電子和通信等專業研究生和高年級本科生的教材，也可作為計算機信息處理、自動控制等相關領域的工程技術人員的參考用書。
作者簡介
Sergios Theodoridis：希臘雅典大學信息與通信系教授。他於1973年在雅典大學獲得物理學學士學位，又分別於1975年和1978年在英國伯明翰大學獲得信號處理與通信碩士和博士學位。自1995年以來，他壹直是希臘雅典大學信息與通信系教授。其主要研究方向是自適應信號處理、通信與模式識別。他是歐洲並行結構及語言協會（PARLE-95）主席和歐洲信號處理協會（DUSIPCO-98）常務主席、《信號處理》雜誌編委。
目錄
1.3 有監督和無監督模式識別
1.4 本書的內容安排
第2章 基於貝葉斯決策理論的分類器
2.1 引言
2.2 貝葉斯決策理論
2.3 判別函數和決策面
2.4 正態分布的貝葉斯分類
2.5 未知概率密度函數的估計
2.6 最近鄰規則
2.7 貝葉斯網絡
習題
參考文獻
第3章 線性分類器
3.2 線性判別函數和決策超平面
3.3 感知器算法
3.4 最小二乘法
3.7 支持向量機
習題
參考文獻
第4章 非線性分類器
4.1 引言
4.2 異或問題
4.3 兩層感知器
4.4 三層感知器
4.5 基於訓練集準確分類的算法
4.6 反向傳播算法
4.7 反向傳播算法的改進
4.8 代價函數選擇
4.9 神經網絡的大小選擇
4.10 仿真實例
4.11 具有權值***享的網絡
4.12 線性分類器的推廣
4.13 線性二分法中l維空間的容量
4.14 多項式分類器
4.15 徑向基函數網絡
4.16 通用逼近
4.17 支持向量機：非線性情況
4.18 決策樹
1.19 合並分割器
1.20 合並分類器的增強法
4.21 討論
習題
5.2 預處理
5.3 基於統計假設檢驗的特征選擇
5.4 接收機操作特性ROC曲線
5.5 類可分性測量
5.6 特征子集的選擇
5.7 最優特征生成
5.8 神經網絡和特征生成/選擇
5.9 推廣理論的提示
5.10 貝葉斯信息
習題
6.2 基本向量和圖像
6.3 Karhunen-loeve變換
6.4 奇異值分解
6.5 獨立成分分析
6.6 離散傅裏葉變換（DFT）
……
第7章 特征生成Ⅱ
第8章 模板匹配
第9章 上下文相關分類
第10章 系統評價
第11章 聚類：基本概念