模式識別導論

第1章 引論
1.1 模式識別及模式識別系統(tǒng)
1.1.1 模式識別的基本概念
1.1.2 認知模式識別
1.1.3 計算機模式識別
1.2 模式識別的基本方法
1.2.1 統(tǒng)計模式識別
1.2.2 結構模式識別
1.2.3 模糊模式識別
1.2.4 神經網絡模式識別
1.3 模式識別的一些基本準則
1.3.1 奧卡姆剃刀原理
1.3.2 沒有免費的午餐定理
1.3.3 丑小鴨定理
1.4 模式識別的應用
1.4.1 生物特征識別
1.4.2 目標識別
1.4.3 圖像識別
1.4.4 圖形識別
1.4.5 故障診斷
第2章 線性判別函數法
2.1 判別函數的基本概念
2.2 線性判別函數
2.2.1 線性判別函數的一般形式
2.2.2 線性判別函數的基本性質
2.2.3 線性判別函數的幾何性質
2.2.4 設計線性分類器的主要步驟
2.3 感知器學習算法
2.3.1 幾個基本概念
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 類內離散度矩陣和類間離散度矩陣
2.5.2 fisher線性判別法
*2.6 線性二分能力
習題
上機練習
第3章 非線性判別函數
3.1 分段線性判別函數
3.1.1 一般分段線性判別函數
3.1.2 基于距離的分段線性判別函數
3.2 分段線性判別函數的學習方法
3.2.1 已知子類劃分的學習方法
3.2.2 已知子類數目的學習方法
3.2.3 未知子類數目的學習方法
3.3 勢函數法
3.3.1 勢函數
3.3.2 勢函數法
3.3.3 勢函數的選擇
*3.4 廣義線性判別函數
*3.5 二次判別函數
習題
上機練習
第4章 統(tǒng)計決策方法
4.1 最小誤判概率準則判決
4.1.1 基礎知識
4.1.2 最小誤判概率準則判決
4.2 最小損失準則判決
4.2.1 損失函數與平均損失
4.2.2 最小損失貝葉斯準則判決
*4.3 最小最大準則
4.4 正態(tài)分布模型的統(tǒng)計決策
4.4.1 正態(tài)分布概率密度函數
4.4.2 正態(tài)模型的bayes決策
習題
上機練習
第5章 概率密度函數估計
5.1 參數估計的基本概念
5.2 概率密度函數的參數估計
5.2.1 最大似然估計
5.2.2 bayes估計和bayes學習
5.3 概率密度函數的非參數估計
5.3.1 非參數估計的基本原理
5.3.2 parzen窗法
5.3.3 kn近鄰法
習題
上機練習
第6章 聚類分析
6.1 聚類分析的基本概念
6.2 模式相似性測度和聚類準則
6.2.1 模式相似性測度
6.2.2 聚類準則
6.3 基于距離閾值的聚類法
6.3.1 近鄰聚類法
6.3.2 最大最小距離聚類法
6.4 層次聚類法
6.4.1 類與類之間的距離
6.4.2 層次聚類法
6.5 動態(tài)聚類算法
6.5.1 hcm算法
6.5.2 isodata算法
習題
上機練習
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
7.1.2 特征提取與選擇
7.2 基于距離的特征提取
7.2.1 基于距離的類別可分性測度
7.2.2 基于距離可分性測度的特征提取
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
習題
上機練習
第8章 模糊模式識別
8.1 模糊集合
8.1.1 模糊集合的定義及表示
8.1.2 模糊集合的運算
8.2 模糊模式識別的基本方法
8.2.1 模糊模式識別的基本過程
8.2.2 常用的隸屬度函數
8.2.3 最大隸屬度原則
8.2.4 擇近原則
8.3 模糊聚類分析
8.3.1 模糊等價關系法
8.3.2 模糊c-均值聚類算法
8.4 聚類有效性評價
8.4.1 硬聚類有效性評價
8.4.2 模糊聚類有效性評價
習題
上機練習
第9章 模式分析的核方法
9.1 核函數
9.1.1 非線性特征映射和核函數
9.1.2 核函數的基本理論
9.1.3 核函數的構造
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
9.6.1 線性支持向量機
9.6.2 非線性支持向量機
9.6.3 支持向量機的多分類方法
習題
上機練習
參考文獻