模式识别原理

第1章 绪论 1.1 基本概念 1.2 基本问题 1.3 模式识别系统 1.4 模式识别方法第2章 贝叶斯分类器 2.1 引言 2.2 最小错误率贝叶斯决策 2.3 最小风险贝叶斯决策 2.4 判别函数与决策面 2.5 正态分布贝叶斯决策的应用 2.6 贝叶斯决策的扩展应用 2.7 小结第3章 线性判别函数 3.1 引言

第1章 绪论 1.1 基本概念 1.2 基本问题 1.3 模式识别系统 1.4 模式识别方法第2章 贝叶斯分类器 2.1 引言 2.2 最小错误率贝叶斯决策 2.3 最小风险贝叶斯决策 2.4 判别函数与决策面 2.5 正态分布贝叶斯决策的应用 2.6 贝叶斯决策的扩展应用 2.7 小结第3章 线性判别函数 3.1 引言 3.2 Fisher准则 3.3 感知准则 3.4 最小错分准则 3.5 最小平方误差准则 3.6 线性判别函数的扩展应用 3.7 小结第4章 结构法模式识别 4.1 模式基元 4.2 结构描述方法 4.3 句法分析 4.4 结构匹配 4.5 小结第5章 特征空间分析 5.1 基本概念 5.2 特征空间的距离准则 5.3 特征空间的统计准则 5.4 特征提取 5.5 小结第6章 非参数模式识别方法 6.1 最近邻法 6.2 k近邻法 6.3 基本非参数估计方法 6.4 ParZen窗估计方法 6.5 kN近邻估计方法 6.6 小结第7章 聚类分析 7.1 引言 7.2 距离和相似系数 7.3 层次聚类法 7.4 有序样本聚类法 7.5 小结第8章 K-L变换与应用 8.1 k-L变换 8.2 K-L展开式的性质与评价 8.3 K-L变换的应用 8.4 主分量分析法 8.5 小结第9章 人工神经网络 9.1 引言 9.2 神经元 9.3 单层感知器 9.4 线性网络 9.5 BP网络 9.6 径向基函数网络 9.7 Hopfield网络与联想记忆 9.8 小结第10章 统计学习理论与支撑向量机 10.1 引言 10.2 机器学习问题基础 10.3 统计学习理论 10.4 支撑向量机 10.5 多类分类问题 10.6 支撑向量机的应用 10.7 小结附录 模式识别实验 实验1 贝叶斯分类器 实验2 Fisher准则实验 实验3 线性分类器设计 实验4 BP神经网络分类器 实验5 Hopfield神经网络分类器 实验6 支撑向量机(SVM)分类器 实验7 DCT变换及其应用 实验8 基本PCA法分析 实验9 k近邻法分类器设计 实验10 层次聚类分析 实验11 Parzen窗法分析参考文献

本书是“高等工科院校信息控制类课程系列化教材”之一，全书共分10个章节，主要对模式识别的基础知识作了介绍，具体内容包括线性判别函数，结构法模式识别，特征空间分析，非参数模式识别方法等。该书可供各大专院校作为教材使用，也可供从事相关工作的人员作为参考用书使用。

本书是“高等工科院校信息控制类课程系列化教材”之一，全书共分10个章节，主要对模式识别的基础知识作了介绍，具体内容包括线性判别函数，结构法模式识别，特征空间分析，非参数模式识别方法等。该书可供各大专院校作为教材使用，也可供从事相关工作的人员作为参考用书使用。