模式識別

第1章 緒論
1.1 模式和模式識別的概念
1.2 模式識別的研究方法
1.2.1 識別方法
1.2.2 模式識別系統(tǒng)的組成
1.3 模式識別的應(yīng)用
參考文獻
第2章 貝葉斯決策理論
2.1 基于最小錯誤率的貝葉斯判別法
2.2 基于貝葉斯公式的幾種判別規(guī)則
2.2.1 基于最小風險的貝葉斯決策
2.2.2 最小最大決策
2.3 正態(tài)分布模式的統(tǒng)計決策
2.3.1 正態(tài)分布概率密度函數(shù)的定義及性質(zhì)
2.3.2 多元正態(tài)概率模型的貝葉斯判別函數(shù)
2.4 概率密度函數(shù)的估計
2.4.1 最大似然估計
2.4.2 貝葉斯估計
2.5 離散情況的貝葉斯決策
2.6 貝葉斯分類器的錯誤率
習題2
參考文獻
第3章 線性判別函數(shù)
3.1 線性判別函數(shù)
3.2 廣義線性判別函數(shù)
3.3 感知器算法
3.3.1 基于賞罰概念的感知器訓練算法
3.3.2 梯度下降法
3.4 最小平方誤差準則函數(shù)
3.5 多類問題
3.5.1 多類問題的基本概念
3.5.2 決策樹簡介
3.6 Fisher線性判別函數(shù)
習題3
參考文獻
第4章 模式特征提取與選擇
4.1 離散K-L變換
4.1.1 離散K-L展開式
4.1.2 基于K-L變換的數(shù)據(jù)壓縮
4.1.3 基于K_L變換的特征提取
4.2 離散傅里葉變換
4.2.1 一維離散傅里葉變換
4.2.2 二維離散傅里葉變換
4.3 離散余弦和正弦變換
4.3.1 余弦變換
4.3.2 正弦變換
4.4 Hadamard變換
4.5 Haar變換
4.6 小波變換
4.6.1 連續(xù)小波變換
4.6.2 離散小波變換
4.6.3 多分辨率分析
4.6.4 正交小波包
習題4
參考文獻
第5章 聚類分析
5.1 相似性測度和聚類準則
5.1.1 相似性測度
5.1.2 聚類準則
5.2 聚類算法
5.2.1 聚類算法的分類
5.2.2 層次聚類算法
5.2.3 K均值算法
5.2.4 核聚類
5.2.5 ISODATA算法
5.3 聚類有效性
習題5
參考文獻
第6章 人工神經(jīng)網(wǎng)絡(luò)
6.1 人工神經(jīng)網(wǎng)絡(luò)的構(gòu)成
……
第7章 支持向量機
第8章 核函數(shù)方法及應(yīng)用
第9章 模糊模式識別
第10章 模式識別應(yīng)用
參考文獻
附錄A 鳶尾屬植物樣本數(shù)據(jù)(Iris Data)
附錄B 習題解答