介绍模式识别中的基础知识、主要模型及热门应用，使学生掌握模式识别的基本原理、实际应用以及*新研究进展，培养学生在本学科中的视野与独立解决任务的能力，为学生在模式识别的项目开发及相关科研活动打好基础。

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MAT

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。

本书讲述了Markov跳变系统是一种特殊的随机混杂系统，通过时间、事件两种机制共同驱动系统状态的演化,系统在有限集合中各个模态之间的转移服从Markov过程。广义系统是比正常系统更具广泛形式的一类系统。本书采用脉冲比例导数状态反馈控制策略，研究了几类不确定广义Markov跳变系统的鲁棒正常化和混杂脉冲控制问题。本书主要

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

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。

本书揭示非高斯系统控制问题的信息学和系统学本质特征，提出随机分布泛函和统计信息集合驱动的反馈控制和估计思想，建立基于动静混合神经网络和泛函算子优化的新型随机分布系统建模、分析、控制、估计和优化理论与故障检测理论框架。本书内容具有以下有别于传统随机控制的特点：被控对象具有非高斯随机变量和非线性动态；控制指标是输出PDF、

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。

模式识别与机器学习是计算机科学与技术的重要研究内容之一。 《模式识别与机器学习技术》首先讲解了贝叶斯分类、支持向量机和人工神经网络等常用的机器学习算法，并对结构数据的核函数和增量支持向量机算法进行了全面综述，讲解了深度学习新的模型和计算机视觉的基本知识。以农业为应用场景，结合作者的科研工作，详细介绍了基于卷积神经网络

本书对线性系统理论的基础内容作了循序渐进的阐述，内容精炼、重点突出、论证严谨、可读性好，强调基础理论与工程应用的有机结合。全书共9章，内容包括：学科领域的发展简史；系统的概念、原理及描述方法；数学基础；线性系统的运动分析、实现理论及其计算机运算和实际工程实现问题分析；系统的稳定性理论；能控性和能观性分析，揭示认识系统和