第1章 绪论
1．1 模式和模式识别的概念
1．2 模式识别系统
1．2．1 简例
1．2．2 模式识别系统组成
1．3 模式识别概况
1．3．1 模式识别发展简介
1．3．2 模式识别分类
1．4 模式识别的应用
第2章 聚类分析
2．1 距离聚类的概念
2．2 相似性测度和聚类准则
2．2．1 相似性测度
2．2．2 聚类准则
2．3 基于距离阈值的聚类算法
2．3．1 近邻聚类法
2．3．2 最大最小距离算法
2．4 层次聚类法
2．5 动态聚类法
2．5．1 K-均值算法
2．5．2 迭代自组织的数据分析算法
2．6 聚类结果的评价
习题
第3章 判别函数及几何分类法
3．1 判别函数
3．2 线性判别函数
3．2．1 线性判别函数的一般形式
3．2．2 线性判别函数的性质
3．3 广义线性判别函数
3．4 线性判别函数的几何性质
3．4．1 模式空间与超平面
3．4．2 权空间与权向量解
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 最小平方误差算法
3．8 非线性判别函数
3．8．1 分段线性判别函数
3．8．2 分段线性判别函数的学习方法
3．8．3 势函数法
习题
第4章 基于统计决策的概率分类法
4．1 研究对象及相关概率
4．2 贝叶斯决策
4．2．1 最小错误率贝叶斯决策
4．2．2 最小风险贝叶斯决策
4．2．3 正态分布模式的贝叶斯决策
4．3 贝叶斯分类器的错误率
4．3．1 错误率的概念
4．3．2 错误率分析
4．3．3 正态分布贝叶斯决策的错误率计算
4．3．4 错误率的估计
4．4 聂曼·皮尔逊决策
4．5 概率密度函数的参数估计
4．5．1 最大似然估计
4．5．2 贝叶斯估计与贝叶斯学习
4．6 概率密度函数的非参数估计
4．6．1 非参数估计的基本方法
4．6．2 Parzen窗法
4．6．3 k近邻估计法
4．7 后验概率密度函数的势函数估计法
习题
第5章 特征选择与特征提取
5．1 基本概念
5．2 类别可分性测度
5．2．1 基于距离的可分性测度
5．2．2 基于概率分布的可分性测度
5．3 基于类内散布矩阵的单类模式特征提取
5．4 基于K-L变换的多类模式特征提取
5．5 特征选择
5．5．1 特征选择的准则
5．5．2 特征选择的方法
习题
第6章 句法模式识别
6．1．句法模式识别概述
6．2 形式语言的基本概念
6．2．1 基本定义
6．2．2 文法分类
6．3 模式的描述方法
6．3．1 基元的确定
6．3．2 模式的链表示法
6．3．3 模式的树表示法
6．4 文法推断
6．4．1 基本概念
6．4．2 余码文法的推断
6．4．3 扩展树文法的推断
6．5 句法分析
6．5．1 参考链匹配法
6．5．2 填充树图法
6．5．3 CYK分析法
6．5．4 厄利分析法
6．6 句法结构的自动机识别
6．6．1 有限态自动机与正则文法
6．6．2 下推自动机与上下文无关文法
习题
第7章 模糊模式识别法
7．1 模糊数学概述
7．1．1 模糊数学的产生背景
7．1．2 模糊性
7．1．3 模糊数学在模式识别领域的应用
7．2 模糊集合
7．2．1 模糊集合定义
7．2．2 隶属函数的确定
7．2．3 模糊集合的运算
7．2．4 模糊集合与普通集合的相互转化
7．3 模糊关系与模糊矩阵
7．3．1 模糊关系定义
7．3．2 模糊关系的表示
7．3．3 模糊关系的建立
7．3．4 模糊关系和模糊矩阵的运算
7．3．5 模糊关系的三大性质
7．4 模糊模式分类的直接方法和间接方法
7．4．1 直接方法——隶属原则
7．4．2 间接方法——择近原则
7．5 模糊聚类分析法
7．5．1 基于模糊等价关系的聚类分析法
7．5．2 模糊相似关系直接用于分类
7．5．3 模糊K-均值算法
7．5．4 模糊ISODATA算法
习题
第8章 神经网络模式识别法
附录A 向量和矩阵运算
附录B 标准正态分布表及概率计算
附录C 计算机作业所用样本数据
参考文献
缺书网
扫码进群