前言
自从1998年开始攻读“模式识别与智能系统”专业的博士学位以来，我已经在模式识别这个领域耕耘20余年了。记得博士毕业时，我曾经非常奢望自己的论文能入选“全国优秀博士论文”，目的只有一个，就是希望能够出版我的博士论文，这样就有一本自己编写的关于模式识别的书了。可惜，奢望没能变成现实。多年来，稍有闲暇我就会萌发写一本“模式识别”书的念头。但闲暇如过眼烟云，稍纵即逝，写书的事也就被淡忘了。这次接到“人工智能出版工程”丛书编委会的邀请，便毫不迟疑地答应下来，总算有机会可以编写一本“模式识别”的书了。
关于“模式识别”，国内外已有不少优秀的教材或专著。回顾自己20余年的研究历程，模式识别的研究热点不断变迁。这个变迁过程遵循着一条被统称为“表示学习”的主线，历经了“线性子空间表示”“非线性子空间表示”“流形学习”“稀疏表示”“低秩模型”“深度学习”等阶段。因此，我们决定循着这条主线来布局本书的章节内容。“横看成岭侧成峰，远近高低各不同”，希望本书能给读者提供一个审视“模式识别”近年来发展脉络的新的视角。
本打算自己慢慢来写，慢慢地咀嚼回味20余年逝去的时光，但由于出版时间紧迫，容不得独自一人慢条斯理地写作，便只得邀请课题组的多位同事来协作完成，一起分享本书写作过程的喜悦和寂寞。本书共7章，第1章由金忠教授完成；第2章和第3章由本人和钱建军副教授共同完成，金忠教授审阅；第4章和第7章由崔振教授和许春燕副教授共同完成；第5章由宫辰教授领衔，深圳大学赖志辉教授、中山大学杨猛副教授共同参与完成；第6章由钱建军副教授领衔，张恒敏博士主笔，本人审阅完成。在此，诚挚感谢所有为本书写作做出贡献和努力的各位同事和朋友！如果没有你们的协作和付出，本书至少还需要一年甚至更多的时间才能完成。在此还要感谢电子工业出版社副总编辑赵丽松女士在本书写作过程中给予的鼓励和鞭策，以及编辑修改方面的诸多建议。最后，感谢我的家人，以及参与本书写作的同事和朋友们的家人的大力支持，2019年的每个周末和整个暑期，因为本书的写作，牺牲了陪伴你们的时间。
特别说明，本书参考文献是按章编排的，因此，各章中标注的参考文献均指的是本章的参考文献。
由于时间紧迫，本人才疏学浅，难免有错误和疏漏之处，殷切希望各位读者和同仁们批评指正，我将不胜感激。
杨健
2020年5月
杨健，南京理工大学教授、博士生导师，现任南京理工大学计算机学院/人工智能学院院长，长期从事模式识别与计算机视觉、生物特征识别等方面的研究，主持完成国家自然科学基金重大研究计划重点项目、国家杰出青年科学基金项目、国家973课题等相关项目。2013年入选国家百千万人才工程并被授予“有突出贡献中青年专家”称号，以及入选2013―2014年度教育部长江学者特聘教授；2018年入选万人计划科技创新领军人才。他在IEEE Transactions及Pattern Recognition等国际权威SCI期刊和会议上发表论文200余篇，Google Scholar被引用20 000余次，单篇**被引4 000余次，2014―2020连续7年入选爱思唯尔(Elsevier)“中国高被引学者榜”。他现担任或曾担任国际学术期刊Pattern Recognition、IEEE Trans. on Neural Networks and Learning Systems、Pattern Recognition Letters、 Neurocomputing和EEE/CAA Journal of Automatica Sinica等编委。2016年入选国际模式识别学会会士（IAPR Fellow）。他曾获得国家自然科学二等奖（第二完成人）、省部级一等奖3项（其中第一完成人2项）、第十一届中国青年科技奖等奖项。
目录
第1章 绪论
1．1 模式的基本概念
1．2 模式表示学习
1．2．1 线性子空间分析
1．2．2 基于流形、稀疏与低秩假设的模式表示
1．3 模式分类
1．3．1 贝叶斯分类器
1．3．2 最小距离分类器
1．3．3 最近邻分类器
1．3．4 BP神经网络
1．3．5 支持向量机
1．3．6 分类器组合
1．4 应用算例
1．4．1 手写体数字图像识别
1．4．2 人脸图像识别
参考文献
第2章 线性子空间表示
2．1 主成分分析
2．1．1 基本概念
2．1．2 最小均方误差逼近
2．1．3 PCA变换的统计不相关性
2．1．4 小样本情况下的主成分分析
2．2 线性鉴别分析
2．2．1 基本概念
2．2．2 经典的费希尔线性鉴别与Foley-Sammon线性鉴别方法
2．2．3 具有统计不相关性的线性鉴别分析
2．2．4 相关性分析
2．2．5 等价的最优鉴别向量集
2．2．6 几种等价的费希尔准则
2．3 小样本情况下的线性鉴别分析
2．3．1 两种线性鉴别方法的统一模型
2．3．2 压缩映射基本原理
2．3．3 同构映射基本原理
2．3．4 奇异情况下线性鉴别分析的实质：PCA+LDA
2．3．5 奇异情况下的组合鉴别分析方法
2．4 二维主成分分析
2．5 二维线性鉴别分析
2．5．1 基本思想
2．5．2 Liu图像投影鉴别分析
2．5．3 统计不相关的图像投影鉴别分析
2．5．4 图像鉴别特征抽取方法
2．5．5 相关性分析
2．6 应用算例
2．6．1 主成分分析
2．6．2 线性鉴别分析
2．6．3 小样本情况下的线性鉴别分析
2．6．4 二维主成分分析
2．6．5 二维线性鉴别分析
参考文献
第3 章非线性子空间表示
3．1 核方法的基本思想
3．2 核主成分分析
3．3 核费希尔鉴别分析
3．3．1 基础理论
3．3．2 最优费希尔鉴别向量的搜寻空间
3．3．3 计算费希尔最优鉴别向量的基本思想
3．3．4 简明的KFD算法框架：KPCA+LDA
3．4 完整的KFD算法（CKFD）
3．4．1 抽取两种鉴别信息
3．4．2 两种鉴别信息的融合
3．4．3 完整的KFD算法步骤
3．4．4 与其他KFD方法和LDA方法的关系
3．5 应用算例
3．5．1 在FERET人脸数据集上的实验
3．5．2 在手写体数字CENPARMI数据集上的实验
参考文献
第4 章流形学习
4．1 概述
4．2 非线性嵌入方法
4．2．1 ISOMAP 算法
4．2．2 LLE算法
4．2．3 LE算法
4．2．4 LPP算法
4．2．5 NLPP算法
4．2．6 其他非线性嵌入算法
4．3 特殊的黎曼流形
4．3．1 正交矩阵的格拉斯曼流形
4．3．2 非对称正定矩阵的李群流形
4．3．3 对称正定矩阵的李群流形
4．3．4 矩阵流形上的降维算法
4．4 流形对齐
4．4．1 无监督流形对齐问题描述
4．4．2 无监督流形的点点对齐
4．4．3 无监督流形的分布对齐
4．5 应用
4．5．1 图像分类
4．5．2 生物识别
4．5．3 域迁移学习
参考文献
第5章 稀疏表示
5．1 稀疏表示的基本算法
5．2 基于稀疏表示的特征抽取
5．2．1 稀疏主成分分析方法
5．2．2 稀疏判别分析方法
5．2．3 稳健联合稀疏嵌入方法
5．3 基于稀疏表示的分类
5．3．1 稀疏系数的作用
5．3．2 表示残差的正则化
5．3．3 稀疏表示分类中的字典学习
5．3．4 扩展的稀疏表示分类
5．4 稀疏表示的典型应用
5．4．1 人脸识别
5．4．2 目标跟踪
5．4．3 视觉显著性检测
参考文献
第6章 低秩模型
6．1 概述
6．2 与核范数有关的RPCA
6．2．1 RPCA和稳健矩阵补全
6．2．2 双核范数的矩阵分解
6．2．3 双核范数的归纳式矩阵分解
6．2．4 显著性检测的一个简单例子
6．3 与核范数有关的 LRR
6．3．1 LRR和隐式LRR
6．3．2 无噪声LRR的闭解
6．3．3 稳健低秩表示
6．3．4 非凸低秩表示
6．4 与核范数有关的 RMR
6．4．1 Lq范数正则核范数的矩阵回归
6．4．2 推广幂指数分布的矩阵回归
6．4．3 树结构核范数的矩阵回归
6．4．4 贝叶斯相关组的矩阵回归
6．5 应用
6．5．1 背景建模
6．5．2 子空间聚类
6．5．3 人脸识别
6．6 归纳与展望
参考文献
第7 章深度学习
7．1 概述
7．2 自编码器
7．2．1 正向传播与反向传播
7．2．2 自编码器架构
7．3 卷积神经网络
7．3．1 卷积神经网络基础
7．3．2 经典卷积神经网络模型
7．3．3 改进的卷积神经网络
7．4 递归神经网络
7．4．1 传统递归神经网络
7．4．2 基于门控单元的递归神经网络
7．4．3 时空递归神经网络
7．4．4 递归形状回归网络
7．4．5 联合任务递归学习
7．4．6 轻量级递归神经网络
7．5 生成对抗网络
7．5．1 传统生成对抗网络
7．5．2 生成对抗网络的变种
7．5．3 ST条件生成对抗网络
7．6 图卷积神经网络
7．6．1 图卷积学习
7．6．2 张量图卷积学习
7．7 应用
7．7．1 目标检测
7．7．2 目标跟踪
7．7．3 场景理解
7．7．4 图像重建
7．7．5 社交网络
参考文献
书单推荐
