本书面向人工智能相关专业（智能科学与技术、控制科学与工程、计算机科学与技术）的本科生，以从人工智能角度理解模式识别和用模式识别原理解决工程问题为目标，将内容分为基础知识、模式分类和模式聚类三大部分，突出简明和实用的特点。书中穿插大量案例，可以帮助学生在掌握基本概念的基础上理解基本原理，熟悉典型方法，做到知其然，知其所以然。本书注重引导学生充分利用样本数据库和算法库等各种网络资源，通过课程学习、案例计算和算法实现，分析来自生产和生活实际中的模式识别问题，采用合适的模式识别算法和技术，通过Python和MATLAB 编程构建自己的模式识别系统来解决这些问题，并能够评估模式识别系统的性能和不足，理解不同模式识别算法的针对性和局限性，从而提高学生理论和实践相结合、综合运用所学知识解决具体模式识别问题的能力，培养学生深入学习更新、更先进的模式识别知识的兴趣。
本书可作为普通高等院校自动化、人工智能、计算机相关专业的教材，也可作为从事人工智能和自动化系统开发应用人员的参考书。
本书遵循教指委相关指导文件和高等院校学生学习规律编写而成。践行四新理念，融入思政元素，注重理论与实践相结合。
前言
模式（Pattern）泛指蕴含在数据记录中能够体现事物或对象某种内在属性的结构、特征、规律、趋势或联系，通常表现为某种重复出现的特定结构或形式。它可以是一系列事件或行为经常相伴发生或发展的方式，或者是一系列线条、图案、形状、颜色组织在一起反复出现的样式。模式识别（Pattern Recognition）就是通过对表征事物、现象的各种信息描述（数据、波形、图像、文字、逻辑关系和其他任何可测量特征的集合）进行辨认、分析和处理，发现隐含在数据中的模式和规律，用以推断未知数据的特征或类别，有效地完成识别、分类、解释、预测和决策等任务。
模式识别首先是人类思考问题、解决问题、认知事物、认识世界的一种方式。俗语说：物以类聚，人以群分。人们根据事物和对象特征的异同对其进行区分或归类，这将带来以下两方面的好处：一是对认识和经验分门别类地进行整理，找出隐含在数据记录中的规律，形成系统性的知识，方便记录、学习和传播；二是根据已有的知识触类旁通地认知新事物，做到人们常说的以此类推和举一反三。
模式识别然后才是一种人工智能的领域和方法，它受人类智慧的启发，模拟人类认知思考的模式和方法，以计算机为工具，综合运用数值分析、概率统计、神经网络，以及其他机器学习和人工智能技术，寻找隐含在样本数据背后的关联性和相似性，自动识别并揭示事物之间的特定联系、规律或趋势，完成对对象的识别、分类、聚类、预测和决策。
模式和模式识别在概念上的宽泛性，源于模式识别应用范围的广泛性。模式识别无处不在（图像识别、语音识别、文字识别等），其应用已经遍及人们生活的方方面面。
模式识别应用于人类身份识别，包括人脸识别、指纹识别、语音识别、步态识别等，已经在安防系统、手机支付、反恐等领域中获得广泛应用。
模式识别应用于基于内容的检索系统，根据用户提交到系统中的对象与互联网上各种对象间的相似性进行信息查询，例如输入一幅图像或一段视频以检索相似的图像和视频，输入一段旋律以检索相似的音乐作品等，极大地方便和丰富了人们的休闲娱乐生活。
模式识别将文字识别、语音识别、自然语言处理、语音合成等技术集成在一起，通过手机APP翻译软件实现了从图像到文字的拍照翻译、从文字到语言的朗读、不同语言之间的实时互译等功能，有效地促进了异国人士之间的交流，以及聋哑人和正常人的交流。
模式识别应用于工业机器人视觉系统，通过在线分析图像，既可以将产品自动区分为合格和不合格两类，并完成合格品的自动装箱和仓储管理，也可以自动识别和定位不同的工件，并根据配合关系自动完成产品的在线装配，从而显著提高工业生产效率。
模式识别应用于家庭服务机器人，可以通过物体识别区分家居环境中的各种家具、工具、食品，通过人脸识别、语音识别、表情识别、手势识别、情感识别与人交互，为人类提供陪伴交流和家居服务，通过助老助残提升老年人和残疾人的生活质量。
模式识别应用于交通领域，汽车自动驾驶采用行人检测、车道识别、交通信号识别等技术，不仅能够有效地消除人为驾驶错误和疲劳驾驶，保障交通安全，而且能够有效地减少交通拥堵，提高行车效率；交管部门采用车牌识别和车辆异常行为识别等技术，实现了车辆违章抓拍和停车场自动收费；智慧交通系统识别交通场景中的车辆行驶状况和拥堵状况，可以辅助交警进行交通调度，并帮助城市规划部门设计新的道路改善方案。
模式识别应用于医疗领域，在医学影像分析方面，基于诸如X光片、CT图像、超声波检测图像、心电图、脑电图、肌电图等各种医疗检测数据，通过计算机辅助诊断可以有效地进行病理诊断，帮助医生提高诊断的正确性和治疗效率；基于生物信息学的基因比对和基因模式识别，帮助医生发现特定基因序列与特殊疾病之间的因果关系，有助于发现癌症和其他罕见病的治疗方案。
模式识别应用于金融领域，通过金融数据分析和风险识别，可以有效地帮助人们进行股市预测、信用评分、欺诈检测等，既可以识别异常交易和欺诈行为，发现潜在的风险因素和异常波动，帮助金融机构监测和管理风险，提高金融安全，又可以识别市场需求和用户偏好，帮助投资者做出更准确的投资决策或制定更有效的营销策略。
总之，模式识别与人们的生活息息相关，其应用已经深入人们工作和生活的方方面面。我们应该重视模式识别理论的发展以及模式识别技术的应用，尤其是要在普通高校的理工科学生中促进模式识别相关知识的普及，并在信息科学相关专业中推动模式识别课程教学改革的深入。
高教司顺应时代的要求，主导推进战略性新兴领域十四五高等教育教材体系建设，以提高战略性新兴领域人才培养质量。这是一个非常明智和及时的举措。
作为长期从事模式识别相关教学和科研的高校一线教师，我们深知模式识别课程对于高校人工智能相关专业本科生知识架构和专业技能养成的重要性，也深感教材建设对于高校模式识别课程教学的重要性，因此，我们响应高教司的号召，把自己长期在一线教学科研中总结的经验融入这本教材的编写，希望能够对广大青年学子对模式识别课程的学习有所裨益，也对我国高校人工智能学科教育教学的发展有所助力。
本书分为三部分。在基础知识部分，重点讲授模式识别的基本概念、模式识别系统的性能指标和一般结构等内容；在模式分类部分，重点讲授基于判别函数、统计理论、神经网络的模式分类等内容；在模式聚类部分，重点讲授动态聚类、层次聚类、高斯混合模型聚类、密度聚类等内容。
由于编者学识水平所限，书中疏漏之处在所难免，还恳请各位同行专家不吝指正，以帮助我们及时修正完善。模式识别领域的发展日新月异，新的思想和方法层出不穷，在教学过程中，同行教师和青年学生如果有好的思路或建议，也请随时和我们联系交流，便于我们在后续版本更新中及时进行修订。希望能够在大家的帮助下完善本书，使其紧贴时代前进的脉搏，与时俱进地体现模式识别领域的最新发展，并因此能够对更多学子学习模式识别知识有所裨益，对我国人工智能科技的发展有所贡献，这正是我们所热切期待的。
以下是编者的联系方式：北方工业大学张晓平zhangxp@ncut.edu.cn（第4章）
北京工业大学龚道雄gongdx@bjut.edu.cn（第7章）
姜华杰jianghj@bjut.edu.cn（第5、6章）
东北大学秦皇岛分校赵玉良zhaoyuliang@neuq.edu.cn（第1章）
华南理工大学毕盛picy@scut.edu.cn（第2章）
董敏hollymin@scut.edu.cn（第3章）
罗家祥luojx@scut.edu.cn（第8章）
编者
目录
前言
第1部分基 础 知 识
第1章模式识别系统的构成和基本概念
1.1模式和模式识别
1.1.1模式识别范畴
1.1.2模式识别问题的数学表达
1.2模式识别系统的基本构成
1.3模式识别的基本概念
1.3.1模式识别的分类和聚类
1.3.2样本、特征和特征空间
1.3.3特征选择与降维
1.3.4距离与相似性度量
1.4模式识别系统的性能指标
1.4.1评估和优化模型性能的关键指标
1.4.2泛化、欠拟合与过拟合
1.4.3评估方法
本章小结
习题
参考文献
第2部分模 式 分 类
第2章基于判别函数的模式分类
2.1线性分类器
2.1.1线性判别函数与决策面
2.1.2最小二乘误差分类（LMSE)
2.1.3Fisher线性判别分析（FLDA）
2.1.4支持向量机（SVM）
2.2非线性分类器
2.2.1多项式分类器
2.2.2分段线性函数分类器
2.2.3k近邻算法
2.2.4决策树算法
2.3组合分类器
2.3.1Bagging算法
2.3.2Boosting算法（含AdaBoost算法）
2.3.3随机森林
本章小结
习题
参考文献
第3章基于统计理论的模式分类
3.1贝叶斯决策和贝叶斯分类器
3.1.1最小风险决策
3.1.2最小错误率决策
3.1.3朴素贝叶斯分类器
3.1.4正态分布下的贝叶斯分类器
3.2Neyman-Pearson决策
3.2.1Neyman-Pearson决策的算法原理
3.2.2Neyman-Pearson决策的模式分类应用举例
3.3最大似然估计
3.3.1最大似然估计的算法原理
3.3.2最大似然估计的模式分类应用举例
3.4期望最大化（EM）方法
3.4.1期望最大化方法
3.4.2期望最大化方法的模式分类应用举例
本章小结
习题
参考文献
第4章基于神经网络的模式分类
4.1基于多层前馈神经网络的模式分类
4.1.1神经元模型
4.1.2多层前馈神经网络
4.1.3BP算法
4.1.4多层前馈神经网络的模式分类应用举例
4.2基于卷积神经网络的模式分类
4.2.1卷积神经网络的结构
4.2.2卷积神经网络的训练和模式分类应用举例
4.3基于循环神经网络的模式分类
4.3.1循环神经网络的结构
4.3.2循环神经网络的训练和模式分类应用举例
4.4基于Transformer的模式分类
4.4.1Transformer的结构
4.4.2Transformer的训练和模式分类应用举例
4.5基于YOLOvX的视觉模式识别
4.5.1YOLOvX网络的基本原理
4.5.2YOLOv8网络的训练和目标检测应用举例
本章小结
习题
参考文献
第3部分模 式 聚 类
第5章动态聚类
5.1动态聚类的算法特点和适用场合
5.2典型的动态聚类算法
5.2.1k均值算法
5.2.2ISODATA聚类算法
5.3动态聚类应用举例
本章小结
习题
参考文献
第6章层次聚类
6.1层次聚类的算法特点和适用场合
6.2典型的层次聚类算法
6.2.1自下而上的聚集聚类算法（Agglomerative）
6.2.2自上而下的分裂聚类算法（Divisive）
6.3层次聚类算法应用举例
本章小结
习题
参考文献
第7章高斯混合模型聚类
7.1GMM的算法特点和适用场合
7.2GMM算法
7.2.1高斯分布
7.2.2GMM的算法原理
7.2.3GMM的参数学习
7.2.4应用EM算法训练GMM模型
7.2.5GMM组件个数的确定
7.3GMM聚类的应用举例
7.4GMM聚类的函数指令和编程实现
7.4.1MATLAB常用的GMM聚类函数
7.4.2Python常用的GMM聚类指令
7.4.3GMM聚类的Python程序代码举例
本章小结
习题
参考文献
第8章密度聚类
8.1基于密度的聚类
8.2DBSCAN算法
8.2.1算法基本思想
8.2.2确定参数Eps和MinPts
8.2.3性能评估
8.3OPTICS聚类
8.3.1基于密度的聚类排序
8.3.2识别聚类结构
本章小结
习题
参考文献
书单推荐
