"Para apresentar uma obra sobre o Reconhecimento de Padrões há três abordagens possíveis. A via exclusivamente teórica, de grande rigor, que exige uma preparação elevada aos receptores. No extremo oposto deparamo-nos com as descrições orientadas para as aplicações. Neste caso é frequente encontrarem-se textos com uma abordagem teórica incipiente em que os resultados da teoria são utilizados, muitas vezes, de uma forma cega, sem apresentação dos fundamentos, das restrições, das capacidades de generalização, etc. É uma via simplista guiada pela aplicação, que olha para a teoria como uma fornecedora de receituários que os "aplicadores" mal ou bem utilizarão. O autor segue a via pedagogicamente mais adequada. Sem perder o rigor científico dos conceitos e dos fundamentos teóricos e do seu formalismo, ilustra a aplicação em exemplos diversos. O autor consegue assim equilibrar muito bem a teoria e a aplicação, permitindo uma formação científica sólida do leitor sem descurar, através de uma visão actual da aplicabilidade imediata, as aplicações do Reconhecimento de Padrões em diversos domínios."

Aurélio Campilho
Professor Associado da Faculdade de Engenharia da Universidade do Porto

INFORMAÇÕES

FORMATO: 235 x 169 mm

PÁGS.: 284

ISBN: 978-972-8469-08-5

ANO: 2005 2ª Edição

PVP: € 20,19 ( 6% IVA incluído)

COLECÇÃO: Ensino da Ciência e da Tecnologia - n.º 8

ÍNDICE

PREFÁCIO xi

AGRADECIMENTOS xiii

NOTAÇÃO xv

LISTA DE FIGURAS xvii

LISTA DE TABELAS xxi

1 INTRODUÇÃO 1

1.2 Classificador 6

1.3 Projecto de Sistemas de Reconhecimento de Padrões 9

1.3.2 Escolha de características 10

1.3.3 Projecto do classificador 11

1.3.4 Avaliação 12

1.4 Conclusão 14

1.5 Exercícios 15

1.6 Projectos em Computador 18

Referências Bibliográficas 19

2 TEORIA DE DECISÃO 21

2.2 Modelo das Observações 24

2.3 Classificador de Máximo a Posteriori 25

2.4 Classificador de Bayes 28

2.5 Classificação de Dados com Distribuição Normal 31

2.5.2 Densidade normal univariada 32

2.5.3 Densidade normal multivariada 33

2.6 Classificação Robusta e com Dúvidas 39

2.6.2 Classificação robusta 40

2.7 Avaliação 41

2.7.2 Distância de Kolmogorov* 46

2.7.3 Outras medidas de desempenho* 47

2.8 Conclusão 52

2.9 Exercícios 53

2.10 Projectos em Computador 56

Referências Bibliográficas 59

3 CLASSIFICAÇÃO SUPERVISIONADA 61

3.2 Classificação de Bayes Supervisionada 65

3.3 Estimação Paramétrica de Distribuições de Probabilidade 66

3.4 Estimação de Parâmetros 70

3.4.2 Relação com a divergência de Kullback-Leibler* 74

3.4.3 Algoritmo EM* 76

3.4.4 Estimação bayesiana 78

3.4.5 Estimação baseada em teoria da informação* 84

3.4.6 Avaliação* 89

3.5 Estimação Não Paramétrica de Distribuições de Probabilidade 92

3.5.2 Método de Parzen com janela invariante 96

3.6 Método dos k-vizinhos mais Próximos 98

3.7 Resultados Numéricos 103

3.7.2 Reconhecimento de objectos bidimensionais 107

3.8 Conclusão 110

3.9 Exercícios 111

3.10 Projectos em Computador 115

Referências Bibliográficas 116

4 CLASSIFICAÇÃO NÃO SUPERVISIONADA 119

4.2 Formulação do problema 122

4.3 Métodos paramétricos* 123

4.4 Métodos não paramétricos 128

4.4.2 Algoritmo de Lloyd-Max generalizado 130

4.4.3 Algoritmo de k-médias 136

4.4.4 Algoritmo de k-médias difuso 138

4.4.5 Inicialização 139

4.4.6 Agrupamento por solidificação simulada 140

4.4.7 Quantificação vectorial 145

4.4.8 Classificação hierárquica 148

4.4.9 Métodos de Ligação Simples e de Ligação Completa 150

4.5 Método baseado em mecânica estatística* 152

4.6 Conclusão 154

4.7 Exercícios 155

4.8 Projectos em computador 157

Referências Bibliográficas 157

5 REDES NEURONAIS 161

5.2 Modelo de McCulloch e Pitts 164

5.3 Perceptrão 165

5.3.2 Perceptrão simples 167

5.3.3 Treino do perceptrão simples 168

5.4 Perceptrão de Multicamada 173

5.4.2 Treino do perceptrão de multicamada 173

5.4.3 Técnicas de aceleração 180

5.4.4 Validação cruzada 181

5.5 Redes de Funções de Base Radiais 181

5.6 Aprendizagem e Generalização 183

5.7 Classificação Supervisionada com Redes Neuronais 185

5.7.2 Estimação das probabilidades a posteriori 186

5.8 Mapas de Kohonen 188

5.8.2 Treino 190

5.8.3 Técnicas de busca 194

5.9 Redes Elásticas 196

5.9.2 Interpretação probabilística* 200

5.10 Conclusão 201

5.11 Exercícios 201

5.12 Projectos em Computador 204

Referências Bibliográficas 206

6 CLASSIFICAÇÃO DE SEQUÊNCIAS 209

6.2 Método de Alinhamento Dinâmico 211

6.3 Programação Dinâmica 216

6.4 Classificação Bayesiana de Sequências 220

6.4.2 Modelos hierárquicos 220

6.4.3 Modelos de Markov não observáveis 222

6.4.4 Classificação de sequências 228

6.4.5 Estimação da sequência de estados 230

6.4.6 Relação com a filtragem não linear* 234

6.4.7 Treino do modelo 235

6.5 Aplicação ao Reconhecimento de Objectos 240

6.6 Conclusão 243

6.7 Exercícios 245

6.8 Projectos em Computador 249

Referências Bibliográficas 250

A TEORIA DAS PROBABILIDADES 253

A.1 Espaço de Probabilidade 255

A.2 Variáveis Aleatórias Vectoriais 256

A.3 Distribuição Conjunta 258

A.4 Probabilidade Condicional e Regra de Bayes 260

A.5 Valor Expectável 261

A.6 Distribuição Binomial 262

A.7 Distribuição Normal Multivariada 263

A.8 Exercícios 264

Referências Bibliográficas 266

B MEDIDAS DE DISTORÇÃO 267

B.1 Distorção 269

B.2 Espaços Métricos 270

B.3 Espaços Normados 271

B.4 Exercícios 272

Referências Bibliográficas 272

C ALGORITMOS DE OPTIMIZAÇÃO 273

C.1 Algoritmo do Gradiente 275

C.2 Recursões de Picard 276

C.3 Solidificação Simulada 277

Referências Bibliográficas 279

ÍNDICE REMISSIVO 281

COMPRAR CATÁLOGO INÍCIO