模式识别

第1章 引论

1.1 概述

1.1.1 模式识别的概念

1.1.2 模式识别系统

1.1.3 模式识别的基本方法

1.2 特征矢量和特征空间

1.3 随机矢量的描述

1.4 正态分布

1.4.1 正态分布的定义

1.4.2 多元正态分布的性质

第2章 聚类分析及最近邻方法

2.1 聚类分析的概念

2.1.1 聚类分析的基本思想

2.1.2 特征量

2.1.3 方法的有效性

2.2 模式相似性测度

2.2.1 距离测度（差值测度）

2.2.2 相似测度

2.2.3 匹配测度

2.3 类间距离

2.3.1 类间距离测度方法

2.4 准则函数

2.4.1 点与集合间的距离

2.4.2 聚类的准则函数

2.5 聚类的算法

2.5.1 聚类的技术方案

2.5.2 基于相似性阈值的简单聚类方法

2.5.3 谱系聚类法

2.5.4 动态聚类法（Dynamic clustering algorithm）

2.5.5 近邻函数法

2.6 最近邻方法

2.6.1 最近邻法

2.6.2 剪辑最近邻法

2.6.3 引入拒绝类别决策的最近邻法

习题

算法编程

第3章 判别域代数界面方程法

3.1 判别域界面方程分类的概念

3.2 线性判别函数

3.2.1 两类问题

3.2.2 多类问题

3.3 判别函数值的鉴别意义、权空间及解空间

3.3.1 判别函数值的大小、正负的数学意义

3.3.2 权空间、解矢量与解空间

3.4 Fisher线性判别

3.5 线性可分条件下判别函数权矢量算法

3.5.1 感知器算法

3.5.2 一次准则函数及梯度下降法

3.5.3 感知器训练算法在多类问题中的应用

……

第4章 统计判决

第5章 统计决策中的经典学习方法

第6章 特征提取与选择

第7章 其他模式识别方法

参考文献

《模式识别》系统地论述了各类经典的模式识别的理论与方法，同时还较全面地反映了本学科的新近科技成果。《模式识别》讨论的主流模式识别技术是：统计模式识别、模糊模式识别、神经网络技术、句法模式识别、信息融合及树分类器方法。全书共7章。第1章为引论，第2章至第6章介绍的统计模式识别，包括：聚类分析、最近邻法、判别域代数界面方程法、统计判决、学习与错误率估计、特征提取与选择，第7章对模糊模式识别方法、神经网络技术、句法模式识别、信息融合及树分类器的基础知识进行了介绍。
《模式识别》可供电子科学与技术、信息与通信工程、控制科学与工程、计算机科学与技术及其他领域的有关专业和研究方向的本科高年级学生及硕士生作为信息分析、检测、识别的教材或教学参考书，也可供相关专业的科研人员参考。