模式識(shí)別導(dǎo)論

第1章 引論
1.1 模式識(shí)別及模式識(shí)別系統(tǒng)
1.1.1 模式識(shí)別的基本概念
1.1.2 認(rèn)知模式識(shí)別
1.1.3 計(jì)算機(jī)模式識(shí)別
1.2 模式識(shí)別的基本方法
1.2.1 統(tǒng)計(jì)模式識(shí)別
1.2.2 結(jié)構(gòu)模式識(shí)別
1.2.3 模糊模式識(shí)別
1.2.4 神經(jīng)網(wǎng)絡(luò)模式識(shí)別
1.3 模式識(shí)別的一些基本準(zhǔn)則
1.3.1 奧卡姆剃刀原理
1.3.2 沒(méi)有免費(fèi)的午餐定理
1.3.3 丑小鴨定理
1.4 模式識(shí)別的應(yīng)用
1.4.1 生物特征識(shí)別
1.4.2 目標(biāo)識(shí)別
1.4.3 圖像識(shí)別
1.4.4 圖形識(shí)別
1.4.5 故障診斷
第2章 線性判別函數(shù)法
2.1 判別函數(shù)的基本概念
2.2 線性判別函數(shù)
2.2.1 線性判別函數(shù)的一般形式
2.2.2 線性判別函數(shù)的基本性質(zhì)
2.2.3 線性判別函數(shù)的幾何性質(zhì)
2.2.4 設(shè)計(jì)線性分類(lèi)器的主要步驟
2.3 感知器學(xué)習(xí)算法
2.3.1 幾個(gè)基本概念
2.3.2 感知器算法
2.4 最小均方誤差算法
2.5 fisher線性判別法
2.5.1 類(lèi)內(nèi)離散度矩陣和類(lèi)間離散度矩陣
2.5.2 fisher線性判別法
*2.6 線性二分能力
習(xí)題
上機(jī)練習(xí)
第3章 非線性判別函數(shù)
3.1 分段線性判別函數(shù)
3.1.1 一般分段線性判別函數(shù)
3.1.2 基于距離的分段線性判別函數(shù)
3.2 分段線性判別函數(shù)的學(xué)習(xí)方法
3.2.1 已知子類(lèi)劃分的學(xué)習(xí)方法
3.2.2 已知子類(lèi)數(shù)目的學(xué)習(xí)方法
3.2.3 未知子類(lèi)數(shù)目的學(xué)習(xí)方法
3.3 勢(shì)函數(shù)法
3.3.1 勢(shì)函數(shù)
3.3.2 勢(shì)函數(shù)法
3.3.3 勢(shì)函數(shù)的選擇
*3.4 廣義線性判別函數(shù)
*3.5 二次判別函數(shù)
習(xí)題
上機(jī)練習(xí)
第4章 統(tǒng)計(jì)決策方法
4.1 最小誤判概率準(zhǔn)則判決
4.1.1 基礎(chǔ)知識(shí)
4.1.2 最小誤判概率準(zhǔn)則判決
4.2 最小損失準(zhǔn)則判決
4.2.1 損失函數(shù)與平均損失
4.2.2 最小損失貝葉斯準(zhǔn)則判決
*4.3 最小最大準(zhǔn)則
4.4 正態(tài)分布模型的統(tǒng)計(jì)決策
4.4.1 正態(tài)分布概率密度函數(shù)
4.4.2 正態(tài)模型的bayes決策
習(xí)題
上機(jī)練習(xí)
第5章 概率密度函數(shù)估計(jì)
5.1 參數(shù)估計(jì)的基本概念
5.2 概率密度函數(shù)的參數(shù)估計(jì)
5.2.1 最大似然估計(jì)
5.2.2 bayes估計(jì)和bayes學(xué)習(xí)
5.3 概率密度函數(shù)的非參數(shù)估計(jì)
5.3.1 非參數(shù)估計(jì)的基本原理
5.3.2 parzen窗法
5.3.3 kn近鄰法
習(xí)題
上機(jī)練習(xí)
第6章 聚類(lèi)分析
6.1 聚類(lèi)分析的基本概念
6.2 模式相似性測(cè)度和聚類(lèi)準(zhǔn)則
6.2.1 模式相似性測(cè)度
6.2.2 聚類(lèi)準(zhǔn)則
6.3 基于距離閾值的聚類(lèi)法
6.3.1 近鄰聚類(lèi)法
6.3.2 最大最小距離聚類(lèi)法
6.4 層次聚類(lèi)法
6.4.1 類(lèi)與類(lèi)之間的距離
6.4.2 層次聚類(lèi)法
6.5 動(dòng)態(tài)聚類(lèi)算法
6.5.1 hcm算法
6.5.2 isodata算法
習(xí)題
上機(jī)練習(xí)
第7章 特征提取與選擇
7.1 特征提取與選擇的基本概念
7.1.1 特征的種類(lèi)
7.1.2 特征提取與選擇
7.2 基于距離的特征提取
7.2.1 基于距離的類(lèi)別可分性測(cè)度
7.2.2 基于距離可分性測(cè)度的特征提取
7.3 基于離散k-l變換的特征提取
7.3.1 離散k-l變換（dklt）
7.3.2 離散k-l變換在特征提取中的應(yīng)用
7.4 特征選擇方法
7.4.1 最優(yōu)搜索法
7.4.2 次優(yōu)搜索法
習(xí)題
上機(jī)練習(xí)
第8章 模糊模式識(shí)別
8.1 模糊集合
8.1.1 模糊集合的定義及表示
8.1.2 模糊集合的運(yùn)算
8.2 模糊模式識(shí)別的基本方法
8.2.1 模糊模式識(shí)別的基本過(guò)程
8.2.2 常用的隸屬度函數(shù)
8.2.3 最大隸屬度原則
8.2.4 擇近原則
8.3 模糊聚類(lèi)分析
8.3.1 模糊等價(jià)關(guān)系法
8.3.2 模糊c-均值聚類(lèi)算法
8.4 聚類(lèi)有效性評(píng)價(jià)
8.4.1 硬聚類(lèi)有效性評(píng)價(jià)
8.4.2 模糊聚類(lèi)有效性評(píng)價(jià)
習(xí)題
上機(jī)練習(xí)
第9章 模式分析的核方法
9.1 核函數(shù)
9.1.1 非線性特征映射和核函數(shù)
9.1.2 核函數(shù)的基本理論
9.1.3 核函數(shù)的構(gòu)造
9.2 核hcm算法
9.3 核fcm算法
9.4 核離散k-l變換
9.5 核fisher線性判別
9.6 支持向量機(jī)
9.6.1 線性支持向量機(jī)
9.6.2 非線性支持向量機(jī)
9.6.3 支持向量機(jī)的多分類(lèi)方法
習(xí)題
上機(jī)練習(xí)
參考文獻(xiàn)