总序
前言
第1章 绪论
1.1 模式和模式识别
1.2 模式的分类
1.3 模式识别系统的基本构成
1.4 模式识别方法及其分类
1.5 模式识别举例
1.6 本书内容安排
第2章 统计模式识别中的几何方法
2.1 统计分类的基本思想
2.1.1 特征空间和分类器设计
2.1.2 两个例子
2.2 模式的相似性度量和最小距离分类器
2.2.1 相似性度量和距离函数
2.2.2 最小距离分类器
2.3 线性可分情况下的几何分类法
2.3.1 线性判别函数和线性分类器
2.3.2 线性判别函数的参数确定
2.3.3 感知器算法
2.3.4 收敛性定理
2.3.5 梯度下降法
2.3.6 最小平方误差法
2.4 非线性可分情况下的几何分类法
2.4.1 广义线性判别函数法
2.4.2 分段线性判别函数法
2.4.3 非线性判别函数法：位势函数法
2.5 线性可分问题的非迭代解法
2.6 最优分类超平面
本章小结
第3章 统计模式识别中的概率方法
3.1 用概率方法描述分类问题
3.2 几个相关的概念
3.3 最小错误概率判决准则
3.4 最小风险判决规则
3.5 贝叶斯统计判决规则的似然比表现形式
3.5.1 最小错误概率判决规则的似然比表现形式
3.5.2 最小风险判决规则的似然比表现形式
3.6 拒绝判决
3.7 贝叶斯分类器的一般结构
3.8 Neyman-Pearson判决规则
3.9 最小最大判决规则
3.10 基于分段线性化的分类器设计
3.11 正态分布下的分类器设计
3.11.1 正态分布的定义和若干性质
3.11.2 正态分布下的分类器设计
3.12 有监督情况下类条件概率密度的参数估计
3.12.1 最大似然估计
3.12.2 贝叶斯估计和贝叶斯学习
3.13 非监督情况下类条件概率密度的参数估计
3.14 类条件概率密度的非参数估计
3.14.1 非参数估计的基本概念和方法
3.14.2 Parzen窗估计法
3.14.3 Kn-近邻估计法
3.14.4 正交级数副近法
本章小结
第4章 分类器的错误率
4.1 正态分布下的错误率
4.2 样本各维之间统计独立情况下的错误率
4.3 错误率界限的理论估计
4.3.1 Chernoff界限
4.3.2 Bhattacharyya界限
4.4 近邻分类法的错误率
4.5 分类器错误率的实验估计
4.5.1 已训练分类器错误率的实验估计
4.5.2 有限样本情况下分类器错误率的实验估计
本章小结
第5章 统计模式识别中的聚类方法
5.1 聚类分析
5.2 聚类准则
5.2.1 误差平方和准则函数
5.2.2 权平均平方距离和准则函数
5.2.3 类间距离和准则函数
5.2.4 离散度准则函数
5.3 基于分裂的聚类算法
5.3.1 简单增类聚类算法
5.3.2 改进的增类聚类算法
5.4 基于合并的聚类算法
5.5 动态聚类算法
5.5.1 C-均值动态聚类算法（I）
5.5.2 C-均值动态聚类算法（Ⅱ）
5.5.3 ISODATA算法
5.5.4 基于样本和核的相似性度量的动态聚类算法
5.6 基于近邻函数值准则的聚类算法
5.7 最小张树聚类算法
本章小结
第6章 结构模式识别中的句法方法
6.1 模式基元和模式结构的表达
6.2 形式语言基础
6.2.1 集合、集合间的关系和集合运算
6.2.2 符号串和语言
6.2.3 文法
6.2.4 文法的分类
6.3 有限状态自动机
6.3.1 确定的有限状态自动机
6.3.2 非确定的有限状态自动机
6.3.3 有限状态自动机之间的等价
6.3.4 有限状态文法和有限状态自动机
6.4 下推自动机
6.4.1 下推自动机的即时描述
6.4.2 上下文无关文法和下推自动机
6.5 图灵机
6.6 关于语言、文法和自动机的再讨论
6.6.1 语言的命名
6.6.2 从语言构建自动机
6.6.3 语言类型的确定
6.7 句法分析
6.7.1 正向剖析过程的树表示
6.7.2 先验规则引导的树正向剖析算法
6.7.3 基于三角表格的反向剖析算法
6.8 文法推断
6.8.1 正则文法的推断
6.8.2 非正则文法的推断
本章小结
第7章 总结
附录
参考文献
缺书网
扫码进群