模式识别导论

第1章　绪论

1.1　模式和模式识别的概念

1.2　模式识别系统

1.2.1 简例

1.2.2　模式识别系统组成

1.3　模式识别概况

1.3.1　模式识别发展简介

1.3.2　模式识别分类

1.4　模式识别的应用

第2章　聚类分析

2.1　距离聚类的概念

2.2　相似性测度和聚类准则

2.2.1　相似性测度

2.2.2　聚类准则

2.3　基于距离阈值的聚类算法

2.3.1　近邻聚类法

2.3.2　最大最小距离算法

2.4　层次聚类法

2.5　动态聚类法

2.5.1　K-均值算法

2.5.2　迭代自组织的数据分析算法

2.6　聚类结果的评价

习题

第3章　判别函数及几何分类法

3.1　判别函数

3.2　线性判别函数

3.2.1　线性判别函数的一般形式

3.2.2　线性判别函数的性质

3.3　广义线性判别函数

3.4　线性判别函数的几何性质

3.4.1　模式空间与超平面

3.4.2　权空间与权向量解

3.4.3　二分法

3.5　感知器算法

3.6　梯度法

3.6.1　梯度法基本原理

3.6.2　固定增量算法

3.7　最小平方误差算法

3.8　非线性判别函数

3.8.1　分段线性判别函数

3.8.2　分段线性判别函数的学习方法

3.8.3　势函数法

习题

第4章　基于统计决策的概率分类法

4.1　研究对象及相关概率

4.2　贝叶斯决策

4.2.1　最小错误率贝叶斯决策

4.2.2　最小风险贝叶斯决策

4.2.3　正态分布模式的贝叶斯决策

4.3　贝叶斯分类器的错误率

4.3.1　错误率的概念

4.3.2　错误率分析

4.3.3　正态分布贝叶斯决策的错误率计算

4.3.4　错误率的估计

4.4　聂曼·皮尔逊决策

4.5　概率密度函数的参数估计

4.5.1　最大似然估计

4.5.2　贝叶斯估计与贝叶斯学习

4.6　概率密度函数的非参数估计

4.6.1　非参数估计的基本方法

4.6.2　Parzen窗法

……

第5章　特征选择与特征提取

第6章　句法模式识别

第7章　模糊模式识别法

第8章　神经网络模式识别法

附录A 向量和矩阵运算

附录B　标准正态分布表及概率计算

附录C　计算机作业所用样本数据

参考文献

本书按照统计模式识别、句法模式识别、模糊模式识别法和神经网络模式识别法四大理论体系组织全书，其中统计模式识别是模式识别的经典内容和基础知识，模糊模式识别法和神经网络模式识别法两部分反映了模式识别学科发展的新进展，附录部分归纳了书中需要用到的概率知识、向量和矩阵运算的常用公式，以及供上机练习用的模式样本数据。本书内容由浅入深，便于教师根据不同情况选择教学内容。同时讲解详细，配有丰富的图表和例题，有助于读者阅读与理解。提供了习题和计算机作业，供学习时使用。本书可作为高等院校电子信息类专业高年级本科生和研究生的教材，也可供从事模式识别工作的广大科技人员参考。

内容由浅入深，便于教师根据不同情况选择教学内容。同时讲解详细，配有丰富的图表和例题，有助于读者阅读与理解。提供了习题和计算机作业，供学习时使用。