本书是讲解模式识别基础理论和现实应用的新形态教材，配套智慧课程。 1.以模式识别经典理论为基础，融入前沿技术和典型应用。 2.语言通俗、理论严谨、图文并茂、案例丰富。 3.融合多种新形态资源，全方位立体化呈现知识。

本书是讲解模式识别的理论基础和典型应用的教材，共13章，前11章为基础理论，包含模式识别概述、理论贝叶斯决策、概率密度的估计、线性判别函数、非线性判别函数、其他分类方法、无监督学习、通用特征选择与提取方法、数据特征提取、深度神经网络基础、深度神经网络典型架构；后2章介绍指纹识别、光学字符识别、语音识别、自动人脸识别等模式识别典型应用以及语言大模型、视觉大模型、语音大模型和多模态大模型。本书可作为人工智能、计算机、自动化、智能制造等专业模式识别相关课程的教材，也可作为模式识别爱好者和相关领域研究人员或从业者的参考书。王蕴红，教授，博士生导师，人工智能领域著名专家，国家级领军人才，获国务院特殊津贴；北京航空航天大学计算机学院院长，科技部重点领域创新团队负责人，中国人工智能学会智能交互专委会主任；IEEE/IAPR Fellow、中国计算机学会/中国人工智能学会会士；曾获国家技术发明二等奖、中国青年科技奖、国际模式识别学会女科学家Maria Petrou奖、中国计算机学会夏培肃奖等。王蕴红长期扎根课程教学与人才培养一线，注重将价值塑造和使命担当融入课程教学，持续将科研优势转化为教学资源，着力推进人工智能课程群及课程思政的建设，任*人工智能领域工程硕博士核心课程“人工智能安全”的建设负责人，主讲的“模式识别”课程获评北京市课程思政示范课程、工信部工程硕博士特色优质课程，本人获评北京市课程思政教学名师，教学团队获评北京市课程思政教学团队；完成教材4部；任*重点领域模式识别课程群虚拟教研室主任，主持*高校人工智能资源建设项目“模式识别课程示范教学探索”、*重点领域教学资源建设项目“基于生成式人工智能的模式识别课程群教学平台与教学体系构建”等；牵头获北京市教学成果一等奖、中国人工智能学会教学成果激励计划一类成果、北航教学成果特等奖等。第 1章　模式识别概述1.1　模式识别的基本概念　21.2　模式识别的发展历程　51.3　模式识别系统与模式识别的应用　101.3.1　模式识别系统　101.3.2　模式识别的应用　111.4　本章小结　171.5　习题　17第 2章　理论贝叶斯决策2.1　最小错误率贝叶斯决策　192.1.1　贝叶斯决策理论　192.1.2　最小错误率决策　202.1.3　最小错误率决策的等价形式　212.1.4　示例与应用　212.2　最小风险贝叶斯决策　232.2.1　风险与损失函数　232.2.2　最小化贝叶斯风险　242.2.3　最小风险贝叶斯决策的计算　252.2.4　示例与应用　262.3　正态分布时的贝叶斯决策　272.3.1　正态分布简介　272.3.2　协方差矩阵为对角矩阵时的贝叶斯决策　282.3.3　各类别协方差矩阵相等时的贝叶斯决策　302.3.4　各类别协方差矩阵不相等时的贝叶斯决策　312.4　贝叶斯决策的错误率　332.4.1　错误率的估计方法　332.4.2　正态分布下错误率的计算　342.5　本章小结　362.6　习题　36第3章　概率密度的估计3.1　参数估计方法　393.1.1　基本概念　403.1.2　最大似然估计　403.1.3　贝叶斯估计　433.1.4　非监督参数估计　463.2　分类器错误率估计　473.2.1　训练错误率与测试错误率　473.2.2　交叉验证法　493.3　非参数估计方法　503.3.1　直方图方法　503.3.2　K最近邻方法　523.3.3　Parzen窗方法　523.4　本章小结　543.5　习题　54第4章　线性判别函数4.1　Fisher线性判别函数　564.2　感知准则函数　584.2.1　感知准则函数简介　584.2.2　几种常见的梯度下降方法　594.3　最小均方误差准则函数　604.4　多分类问题　614.4.1　一对一　614.4.2　一对其余　624.4.3　多对多　624.4.4　3种策略的优缺点总结　634.4.5　类别不平衡问题　644.5　线性支持向量机　654.5.1　线性支持向量机简介　654.5.2　对偶形式　664.5.3　核函数　674.5.4　软间隔　694.6　本章小结　714.7　习题　71第5章　非线性判别函数5.1　分段线性判别函数　735.2　分段线性判别函数设计　755.3　二次判别函数　765.4　非线性支持向量机　795.5　核方法　825.5.1　核方法的基本原理　825.5.2　核方法的应用分类　845.6　本章小结　875.7　习题　87第6章　其他分类方法6.1　近邻法　906.2　决策树　916.2.1　决策树简介　916.2.2　信息增益　926.2.3　信息增益比及基尼系数　946.2.4　剪枝　956.3　逻辑回归　966.3.1　逻辑回归简介　966.3.2　具体方法　976.4　集成法　986.4.1　Boosting方法　1006.4.2　Bagging方法　1046.5　本章小结　1076.6　习题　107第7章　无监督学习7.1　分离方法　1097.1.1　单峰子集分离方法　1097.1.2　类别分离方法　1107.2　聚类方法的基本原理　1117.3　典型聚类方法　1127.3.1　原型聚类　1127.3.2　密度聚类　1167.3.3　层次聚类　1177.3.4　谱聚类　1187.4　置信网络　1217.4.1　置信网络的基本概念　1217.4.2　置信网络的学习　1227.5　半监督学习　1247.5.1　半监督学习的基本概念　1247.5.2　半监督学习的基本方法　1247.6　本章小结　1267.7　习题　127第8章　通用特征选择与提取方法8.1　特征选择　1298.1.1　过滤式特征选择　1308.1.2　包裹式特征选择　1328.1.3　嵌入式特征选择　1348.2　特征提取　1408.2.1　线性判别分析　1408.2.2　主成分分析　1438.3　本章小结　1468.4　习题　146第9章　数据特征提取9.1　图像数据特征提取　1499.1.1　Haar特征　1499.1.2　SIFT特征　1519.1.3　HOG特征　1579.1.4　LBP特征　1589.2　音频数据特征提取　1619.2.1　时域特征提取　1619.2.2　频域特征提取　1649.2.3　倒谱特征提取　1659.3　文本数据特征提取　1689.3.1　独热编码　1689.3.2　词袋模型　1699.3.3　词频_逆向文档频率　1699.3.4　词嵌入　1699.4　本章小结　1709.5　习题　171第 10章　深度神经网络基础10.1　神经网络概述　17310.1.1　发展历程　17310.1.2　端到端的学习方式　17410.1.3　基本结构　17610.1.4　前馈运算　17710.1.5　反馈运算　17710.2　传统神经网络　17810.2.1　感知机　17910.2.2　多层感知机　18010.3　卷积神经网络基础　18210.3.1　卷积神经网络的基本组件与操作　18310.3.2　卷积神经网络经典结构　18910.4　本章小结　19510.5　习题　195第 11章　深度神经网络典型架构11.1　循环神经网络　19811.1.1　传统循环神经网络的训练　19911.1.2　长短期记忆网络　19911.2　生成对抗网络　20111.2.1　生成对抗网络的基本原理　20111.2.2　生成对抗网络的训练　20211.2.3　生成对抗网络的变体　20311.3　变分自编码器　20511.3.1　变分自编码器的原理　20511.3.2　变分自编码器的实现　20611.4　图神经网络　20711.4.1　图神经网络的基本概念　20711.4.2　谱方法的原理　20811.4.3　谱方法的演变　20911.4.4　图卷积网络　21011.4.5　图注意力网络　21011.5　Transformer模型　21111.5.1　模型架构　21111.5.2　多头注意力层　21111.5.3　掩码机制　21311.5.4　其他层结构　21311.5.5　Vision Transformer　21411.6　扩散模型　21511.6.1　扩散模型的原理　21511.6.2　扩散模型与基于分数的模型的联系　21611.7　本章小结　21811.8　习题　218第 12章　模式识别的典型应用12.1　指纹识别　22012.1.1　指纹识别的原理　22012.1.2　指纹传感器　22112.1.3　指纹识别算法　22212.1.4　指纹识别应用　22312.2　光学字符识别　22412.2.1　光学字符识别的原理　22412.2.2　光学字符识别算法　22412.2.3　光学字符识别应用　22612.3　语音识别　22712.3.1　语音识别的原理　22712.3.2　语音识别算法　22712.3.3　语音识别应用　22812.4　人脸识别　22912.4.1　人脸识别的原理　22912.4.2　人脸识别算法　22912.4.3　人脸识别应用　23112.5　本章小结　23212.6　习题　232第 13章　大模型13.1　语言大模型　23413.1.1　语言大模型的发展　23413.1.2　语言大模型的关键技术　23613.1.3　语言大模型的应用　24213.2　视觉大模型　24313.2.1　视觉大模型的架构　24313.2.2　视觉大模型的训练　24513.2.3　典型视觉大模型　24613.2.4　视觉大模型在模式识别中的应用　25113.3　语音大模型　25213.3.1　语音相关的基本概念　25213.3.2　经典的语音大模型　25213.4　多模态大模型　25413.4.1　多模态大模型的基本概念　25513.4.2　多模态大模型的关键技术　25513.4.3　多模态大模型在模式识别中的应用　25713.5　本章小结　25813.6　习题　259