模式识别培训大纲
概论
模式识别的主要方法;
监督模式识别与非监督模式识别;
模式识别系统举例;
模式识别系统的典型构成
概率论基础知识
概率论基础知识 贝叶斯决策, 概率密度分布
大似然估计
贝叶斯估计
维数问题（精度、维数和训练集的大小； 计算复杂度；过拟合）
概率密度分布的非参数估计
非参数估计的基本原理与直方图方法
KN近邻估计方法
Parzen窗法
近邻规则
距离度量和近邻分类
RCE网络
级数展开逼近
统计量估计中的重采样技术(bootstrap, jackknife)
期望大化(EM)
期望大化
隐马尔可夫模型
隐马尔可夫模型
抽样方法
马尔可夫 蒙特卡洛
Gibbs 采样
Slice 采样
混合Monte carlo算法
2． 监督学习方法
线性回归
线性基础模型
偏方方差分解
贝叶斯线性回归
贝叶斯模型比较
参数估计（经验贝叶斯）
固定基础函数的限制
特征
特征选择
特征的评价准则
特征选择的优算法
特征选择的次优算法
特征选择的遗传算法
以分类性能为准则的特征选择方法
特征提取
基于类别可分性判据的特征提取
主成分分析 (图像)
Karhunen-Loeve变换
高维数据的低维显示
多维尺度法
非线性变换方法简介
多重判别分析
特征提取与选择对分类器性能估计的影响
分类器
线性分类器
线性判别函数的基本概念
Fisher线性判别器
感知器
小平方误差判别
优分类器超平面与线性支持向量
拉普拉斯逼近（Laplace 逼近）
非线性分类器
分段判别函数
二次判别函数
多层感知机
支持向量机
核函数
其它分类器
近邻法
决策树
逻辑回归
Boosting
随机方法
基于规则的方法
系统评价
监督模式识别方法的错误率估计
有限样本下错误率的区间估计问题
从分类的显著性推断特征与类别的关系
3． 非监督学习方法
模型方法
基于模型的方法
混合模型的估计(非监督大似然估计;
正态分布情况下的非监督参数估计)
聚类方法
动态聚类
模糊聚类
分级聚类
自组织神经网络
划分聚类
聚类的准则函数
其它非监督方法
图论方法
在线聚类
图模型
非监督模式识别系统性能的评价
4． 图像处理相关内容
图像处理的基本方法
几何规范化 (平移，旋转，缩放等，复原，增强等)
灰度级差值 (近邻差值等)
灰度规范化 (图像平滑、直方图均衡化、灰度变换)
边缘检测，梯度算子
形态学处理 (膨胀，腐蚀，开操作，闭操作，细化，粗化，骨架，裁剪等)
图像的特征提取
形状特征(轮廓特征, 区域特征)
纹理特征(LBP,HOG,SURF,SIFT,HAAR )
颜色特征(颜色直方图, 颜色矩, 颜色相关图)
空间关系特征(基于模型的姿态估计方法, 基于学习的姿态估计方法) |
shuhaipeixun
总部李老师