模式識別導論

第1章 緒論
1．1 模式和模式識別的概念
1．2 模式識別系統(tǒng)
1．2．1 簡例
1．2．2 模式識別系統(tǒng)組成
1．3 模式識別概況
1．3．1 模式識別發(fā)展簡介
1．3．2 模式識別分類
1．4 模式識別的應用
第2章 聚類分析
2．1 距離聚類的概念
2．2 相似性測度和聚類準則
2．2．1 相似性測度
2．2．2 聚類準則
2．3 基于距離閾值的聚類算法
2．3．1 近鄰聚類法
2．3．2 最大最小距離算法
2．4 層次聚類法
2．5 動態(tài)聚類法
2．5．1 K-均值算法
2．5．2 迭代自組織的數(shù)據(jù)分析算法
2．6 聚類結果的評價
習題
第3章 判別函數(shù)及幾何分類法
3．1 判別函數(shù)
3．2 線性判別函數(shù)
3．2．1 線性判別函數(shù)的一般形式
3．2．2 線性判別函數(shù)的性質
3．3 廣義線性判別函數(shù)
3．4 線性判別函數(shù)的幾何性質
3．4．1 模式空間與超平面
3．4．2 權空間與權向量解
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 最小平方誤差算法
3．8 非線性判別函數(shù)
3．8．1 分段線性判別函數(shù)
3．8．2 分段線性判別函數(shù)的學習方法
3．8．3 勢函數(shù)法
習題
第4章 基于統(tǒng)計決策的概率分類法
4．1 研究對象及相關概率
4．2 貝葉斯決策
4．2．1 最小錯誤率貝葉斯決策
4．2．2 最小風險貝葉斯決策
4．2．3 正態(tài)分布模式的貝葉斯決策
4．3 貝葉斯分類器的錯誤率
4．3．1 錯誤率的概念
4．3．2 錯誤率分析
4．3．3 正態(tài)分布貝葉斯決策的錯誤率計算
4．3．4 錯誤率的估計
4．4 聶曼·皮爾遜決策
4．5 概率密度函數(shù)的參數(shù)估計
4．5．1 最大似然估計
4．5．2 貝葉斯估計與貝葉斯學習
4．6 概率密度函數(shù)的非參數(shù)估計
4．6．1 非參數(shù)估計的基本方法
4．6．2 Parzen窗法
4．6．3 k近鄰估計法
4．7 后驗概率密度函數(shù)的勢函數(shù)估計法
習題
第5章 特征選擇與特征提取
5．1 基本概念
5．2 類別可分性測度
5．2．1 基于距離的可分性測度
5．2．2 基于概率分布的可分性測度
5．3 基于類內散布矩陣的單類模式特征提取
5．4 基于K-L變換的多類模式特征提取
5．5 特征選擇
5．5．1 特征選擇的準則
5．5．2 特征選擇的方法
習題
第6章 句法模式識別
6．1．句法模式識別概述
6．2 形式語言的基本概念
6．2．1 基本定義
6．2．2 文法分類
6．3 模式的描述方法
6．3．1 基元的確定
6．3．2 模式的鏈表示法
6．3．3 模式的樹表示法
6．4 文法推斷
6．4．1 基本概念
6．4．2 余碼文法的推斷
6．4．3 擴展樹文法的推斷
6．5 句法分析
6．5．1 參考鏈匹配法
6．5．2 填充樹圖法
6．5．3 CYK分析法
6．5．4 厄利分析法
6．6 句法結構的自動機識別
6．6．1 有限態(tài)自動機與正則文法
6．6．2 下推自動機與上下文無關文法
習題
第7章 模糊模式識別法
7．1 模糊數(shù)學概述
7．1．1 模糊數(shù)學的產生背景
7．1．2 模糊性
7．1．3 模糊數(shù)學在模式識別領域的應用
7．2 模糊集合
7．2．1 模糊集合定義
7．2．2 隸屬函數(shù)的確定
7．2．3 模糊集合的運算
7．2．4 模糊集合與普通集合的相互轉化
7．3 模糊關系與模糊矩陣
7．3．1 模糊關系定義
7．3．2 模糊關系的表示
7．3．3 模糊關系的建立
7．3．4 模糊關系和模糊矩陣的運算
7．3．5 模糊關系的三大性質
7．4 模糊模式分類的直接方法和間接方法
7．4．1 直接方法——隸屬原則
7．4．2 間接方法——擇近原則
7．5 模糊聚類分析法
7．5．1 基于模糊等價關系的聚類分析法
7．5．2 模糊相似關系直接用于分類
7．5．3 模糊K-均值算法
7．5．4 模糊ISODATA算法
習題
第8章 神經網絡模式識別法
附錄A 向量和矩陣運算
附錄B 標準正態(tài)分布表及概率計算
附錄C 計算機作業(yè)所用樣本數(shù)據(jù)
參考文獻