目标识别原理与应用

　　第1章 绪论
　　1.1 引言
　　1.2 目标识别相关概念
　　1.2.1 模式与模式识别
　　1.2.2 模式识别与机器学习
　　1.2.3 监督学习与非监督学习
　　1.3 目标识别系统组成
　　1.4 目标识别基本方法
　　1.5 评估方法与性能指标
　　1.5.1 评估方法
　　1.5.2 性能指标
　　第2章 目标特征提取和选择
　　2.1 引言
　　2.2 特征评价准则
　　2.2.1 基于距离的可分性判据
　　2.2.2 基于概率密度函数的可分性判据
　　2.2.3 基于熵函数的可分性判据
　　2.3 特征提取方法
　　2.3.1 基于距离可分性判据的特征提取方法
　　2.3.2 基于概率密度函数可分性判据的特征提取方法
　　2.3.3 基于熵函数可分性判据的特征提取方法
　　2.4 特征选择方法
　　2.4.1 最优搜索算法——分支定界法
　　2.4.2 次优搜索算法
　　2.5 基于主成分分析的特征提取
　　2.6 基于离散K-L变换的特征提取
　　2.6.1 K-L变换基本原理
　　2.6.2 基于总的类内、类间离散度矩阵的K-L变换
　　第3章 线性分类器
　　3.1 引言
　　3.2 线性判别函数
　　3.2.1 线性判别函数的几何意义
　　3.2.2 广义线性判别函数
　　3.2.3 线性判别函数设计的一般步骤
　　3.3 Fisher线性判别分析
　　3.4 感知准则函数
　　3.4.1 基本概念
　　3.4.2 感知准则算法
　　3.4.3 感知准则算法在多类中应用
　　3.5 最小平方误差准则函数
　　3.6 线性支持向量机
　　第4章 贝叶斯分类器
　　4.1 引言
　　4.2 贝叶斯分类器设计
　　4.2.1 最大后验概率判决准则
　　4.2.2 最小风险贝叶斯判决准则
　　4.2.3 N-P判决准则
　　4.3 正态分布时的贝叶斯分类
　　4.3.1 正态分布及其性质回顾
　　4.3.2 正态分布概率模型下的最小错误概率决策
　　4.4 概率密度函数参数估计
　　4.4.1 最大似然估计
　　4.4.2 贝叶斯估计
　　4.4.3 贝叶斯学习
　　4.5 朴素贝叶斯分类器
　　第5章 非线性分类器
　　5.1 引言
　　5.2 近邻法
　　5.2.1 最近邻法
　　5.2.2 k-近邻法
　　5.2.3 剪辑近邻法
　　5.2.4 压缩近邻法
　　5.3 决策树
　　5.3.1 CLS学习算法
　　5.3.2 ID3算法
　　5.3.3 C4.5 算法
　　5.3.4 树剪枝
　　……
　　第6章 聚类分析
　　第7章 神经网络分类器
　　第8章 雷达目标识别
　　第9章 雷达辐射源信号识别
　　第10章 SAR图像目标识别
　　第11章 文本命名实体识别
　　附录A 概率统计知识
　　附录B 矩阵知识
　　附录C 优化理论
　　参考文献

　　《目标识别原理与应用》以目标识别理论、方法为主线，注重基础，紧跟前沿，突出应用。在详细介绍目标识别涉及的特征提取、分类器设计技术基础上，给出目标识别应用实例，有利于读者将理论与实际相结合，加深对目标识别技术的理解。《目标识别原理与应用》共11章，主要内容包括目标特征提取和选择、线性分类器、贝叶斯分类器、近邻法、决策树、集成学习方法、聚类分析、神经网络分类器等基础理论，雷达目标识别、雷达辐射源信号识别、SAR图像目标识别、文本命名实体识别等应用实例。
　　《目标识别原理与应用》可供从事目标识别领域相关工作的工程技术人员和研究人员参考，也可作为高校相关专业课程教材使用。