模式識別原理

第1章 緒論
1.1 基本概念
1.2 基本問題
1.3 模式識別系統(tǒng)
1.4 模式識別方法
第2章 貝葉斯分類器
2.1 引言
2.2 最小錯誤率貝葉斯決策
2.3 最小風險貝葉斯決策
2.4 判別函數(shù)與決策面
2.5 正態(tài)分布貝葉斯決策的應(yīng)用
2.6 貝葉斯決策的擴展應(yīng)用
2.7 小結(jié)
第3章 線性判別函數(shù)
3.1 引言
3.2 Fisher準則
3.3 感知準則
3.4 最小錯分準則
3.5 最小平方誤差準則
3.6 線性判別函數(shù)的擴展應(yīng)用
3.7 小結(jié)
第4章 結(jié)構(gòu)法模式識別
4.1 模式基元
4.2 結(jié)構(gòu)描述方法
4.3 句法分析
4.4 結(jié)構(gòu)匹配
4.5 小結(jié)
第5章 特征空間分析
5.1 基本概念
5.2 特征空間的距離準則
5.3 特征空間的統(tǒng)計準則
5.4 特征提取
5.5 小結(jié)
第6章 非參數(shù)模式識別方法
6.1 最近鄰法
6.2 k近鄰法
6.3 基本非參數(shù)估計方法
6.4 ParZen窗估計方法
6.5 kN近鄰估計方法
6.6 小結(jié)
第7章 聚類分析
7.1 引言
7.2 距離和相似系數(shù)
7.3 層次聚類法
7.4 有序樣本聚類法
7.5 小結(jié)
第8章 K-L變換與應(yīng)用
8.1 k-L變換
8.2 K-L展開式的性質(zhì)與評價
8.3 K-L變換的應(yīng)用
8.4 主分量分析法
8.5 小結(jié)
第9章 人工神經(jīng)網(wǎng)絡(luò)
9.1 引言
9.2 神經(jīng)元
9.3 單層感知器
9.4 線性網(wǎng)絡(luò)
9.5 BP網(wǎng)絡(luò)
9.6 徑向基函數(shù)網(wǎng)絡(luò)
9.7 Hopfield網(wǎng)絡(luò)與聯(lián)想記憶
9.8 小結(jié)
第10章 統(tǒng)計學習理論與支撐向量機
10.1 引言
10.2 機器學習問題基礎(chǔ)
10.3 統(tǒng)計學習理論
10.4 支撐向量機
10.5 多類分類問題
10.6 支撐向量機的應(yīng)用
10.7 小結(jié)
附錄 模式識別實驗
實驗1 貝葉斯分類器
實驗2 Fisher準則實驗
實驗3 線性分類器設(shè)計
實驗4 BP神經(jīng)網(wǎng)絡(luò)分類器
實驗5 Hopfield神經(jīng)網(wǎng)絡(luò)分類器
實驗6 支撐向量機(SVM)分類器
實驗7 DCT變換及其應(yīng)用
實驗8 基本PCA法分析
實驗9 k近鄰法分類器設(shè)計
實驗10 層次聚類分析
實驗11 Parzen窗法分析
參考文獻