《模式识别基础理论及其计算机视觉应用/高等学校智能科学与技术专业系列教材》系统地介绍了模式识别的基本原理及其在计算机视觉中的具体应用。本书内容包括模式识别与计算机视觉概述、分类器、神经网络分类器、聚类分析、蚁群和粒子群聚类算法、时序模型、图像匹配、图像分类与分割以及视频动作识别等。
　　《模式识别基础理论及其计算机视觉应用/高等学校智能科学与技术专业系列教材》可作为信息科学、计算机科学、计算机应用、模式识别、人工智能等学科大学本科生或研究生的专业教材， 也可供计算机视觉、模式识别技术应

本书的目的是考虑大型且具有挑战性的多阶段决策问题，这些问题原则上可以通过动态规划和最优控制来解决，但它们的精确解决方案在计算上是难以处理的。本书讨论依赖于近似的解决方法，以产生具有足够性能的次优策略。这些方法统称为增强学习，也可以叫做近似动态规划和神经动态规划等。
本书的主题产生于最优控制和人工智能思想的相互作用。本书的目的之一是探索这两个领域之间的共同边界，并架设一座具有任一领域背景的专业人士都可以访问的桥梁。

本书主要介绍了模式识别的相关内容，涉及模式识别的基本概念、聚类分析、线性判别函数、贝叶斯分类器、特征选择和提取、非参数模式识别方法、神经网络模式识别方法、模糊模式识别方法、句法模式识别方法，以及新型模式识别方法，如决策树方法、支持向量机方法、粗糙集方法等一些基本方法，并介绍了基于遗传算法、模拟退火算法和禁忌搜索算法进行特征选择的基本思想。书中算法采用MATLAB语言描述，便于读者编程实验。

本书围绕复杂多组分体系分析这一现代分析科学实践中具有代表性的核心问题，主要阐述和讨论了化学模式识别研究过程中涉及的相关理论基础、方法、原理和实际应用。

　　《现代控制理论（第2版）》较为全面地介绍了线性控制系统的状态空间分析与设计方法，以及控制、估计与滤波的基础知识。《现代控制理论（第2版）》从状态空间描述的基本概念入手，介绍了线性连续时间系统的状态响应、状态能控性和能观测性的概念及判断方法；对李雅普诺夫稳定性理论做了基本阐述；讨论了线性连续定常系统状态反馈和状态观测器的设计；对线性离散时间系统的状态空间分析与设计方法、线性二次型控制、估计与滤波的原理和方法作了介绍。此外，《现代控制理论（第2版）》结合MATLAB程序仿真实例，给出了MATLA

本书共5章,前4章分别介绍控制系统的状态空间模型及其建立问题、线性系统的状态解和输出响应解、线性系统的能控性和能观性与结构分解及其应用、控制系统的李雅普诺夫稳定性理论，最后一章着重讨论控制系统极点配置、观测器设计、系统解耦镇定等综合理论。

　　该书是针对理工科高年级学生编写的控制系统基础理论教科书。该书详细论述了控制系统的状态空间分析的基本方法及状态空间综合的基本理论与方法。包括状态空间模型的建立，状态方程的求解，线性控制系统的能控性和能观测性及状态反馈与状态观测器设计，控制系统的李雅普诺夫稳定性分析等基本内容。另外，为了加强实践环节的教学，最后一章是MATLAB仿真方法和模拟实验内容，以及倒立摆的实时控制实验，从倒立摆的建模、MATLAB仿真及实时控制等方面构建了一个完整的实验环节。这些精心设计的实验有力地配合了教材的理论学习，

本书广泛吸取统计学、神经网络、数据挖掘、机器学习、人工智能、群智能计算等学科的先进思想和理论，将其应用到模式识别领域中；以一种新的体系，系统、全面地介绍模式识别的理论、方法及应用。全书分为14章，内容包括：模式识别概述，特征的选择与优化，模式相似性测度，基于概率统计的贝叶斯分类器设计，判别函数分类器设计，神经网络分类器设计（BP神经网络、径向基函数神经网络、自组织竞争神经网络、概率神经网络、对向传播神经网络、反馈型神经网络），决策树分类器设计，粗糙集分类器设计，聚类分析，模糊聚类分析，禁忌搜索算

本书前几章着重讨论监督学习即已知训练样本及其类别条件下分类器的设计方法。在此之后介绍无监督模式识别，然后讲解模式识别系统中，特征提取和选择的准则和算法。第二部分介绍现代模式识别，其中包含支撑矢量机、组合分类器以及半监督学习。第三部分中讨论了深度学习模式识别。从现有的深度神经网络出发再到强化学习、宽度学习、图卷积网络等。并在*后，以实例的形式给出模式识别在各个领域中的应用，加深读者对模式识别方法更直观的认识。

现代控制理论是联系古典控制理论和智能控制理论的纽带，有着承上启下的作用。机械类专业研究生学好现代控制理论，对解决工程实践问题具有重要的指导意义。本书将以线性定常系统为主要研究对象，介绍了系统建模、求解问题，系统的可控性、可观测性和稳定性问题，还介绍了控制系统的校正和最优控制问题。