現(xiàn)代模式識別（第二版）

第一章 緒論
1.1 概述
1.2 特征矢量和特征空間
1.3 隨機(jī)矢量的描述
1.4 正態(tài)分布
參考文獻(xiàn)
第二章 聚類分析
2.1 聚類分析的概念
2.2 模式相似性測度
2.3 類的定義與類間距離
2.4 準(zhǔn)則函數(shù)
2.5 聚類的算法
文獻(xiàn)簡評 應(yīng)用簡介
習(xí)題
上機(jī)練習(xí)
參考文獻(xiàn)
第三章 判別域代數(shù)界面方程法
3.1 用判別域界面方程分類的概念
3.2 線性判別函數(shù)
3.3 判別函數(shù)值的鑒別意義、權(quán)空間及解空間
3.4 Fisher線性判別
3.5 線性可分條件下判別函數(shù)的權(quán)矢量算法
3.6 一般情況下的判別函數(shù)權(quán)矢量算法
3.7 線性規(guī)劃方法
3.8 線性二分能力
3.9 廣義線性判別函數(shù)
3.10 二次判別函數(shù)
3.11 分段線性判別函數(shù)
3.12 位勢函數(shù)分類法
3.13 支持矢量機(jī)簡介
3.14 最小最大概率機(jī)
文獻(xiàn)簡評 應(yīng)用簡介
習(xí)題
上機(jī)練習(xí)
參考文獻(xiàn)
第四章 統(tǒng)計(jì)判決
4.1 最小誤判概率準(zhǔn)則判決
4.2 最小損失準(zhǔn)則判決
4.3 最小最大損失準(zhǔn)則
4.4 N-P(Neyman—Pearson)判決
4.5 序貫判決(SPRD)
4.6 Fisher準(zhǔn)則判決
4.7 特征數(shù)據(jù)缺損或被噪聲污染下的Bayes判決
4.8 批對象的復(fù)合判決
文獻(xiàn)簡評 應(yīng)用簡介
習(xí)題
上機(jī)練習(xí)
參考文獻(xiàn)
第五章 統(tǒng)計(jì)決策中的學(xué)習(xí)與錯誤率估計(jì)
5.1 統(tǒng)計(jì)推斷概述
5.2 參數(shù)估計(jì)
5.3 Bayes學(xué)習(xí)
5.4 概密的窗函數(shù)估計(jì)法
5.5 有限項(xiàng)正交函數(shù)級數(shù)逼近法
5.6 用位勢函數(shù)法逼近Bayes判決函數(shù)
5.7 隨機(jī)逼近方法求類的后驗(yàn)概率
5.8 統(tǒng)計(jì)決策準(zhǔn)則下線性判決函數(shù)的訓(xùn)練生成
5.9 錯誤率估計(jì)
5.10 基于平均損失估計(jì)的學(xué)習(xí)及最小誤判概率的估計(jì)
5.11 無監(jiān)督估計(jì)(盲估計(jì))
5.12 期望最大化算法
5.13 集成學(xué)習(xí)
文獻(xiàn)簡評 應(yīng)用簡介
習(xí)題
上機(jī)練習(xí)
參考文獻(xiàn)
第六章 最近鄰法
6.1 基本的最近鄰法
6.2 剪輯最近鄰法
6.3 引入拒絕決策的最近鄰法
6.4 最近鄰法中的最佳距離及其實(shí)際計(jì)算
文獻(xiàn)簡評 應(yīng)用簡介
習(xí)題
參考文獻(xiàn)
第七章 特征提取與選擇
7.1 概述
7.2 類別可分性判據(jù)
7.3 基于可分性判據(jù)進(jìn)行變換的特征提取與選擇
7.4 最佳鑒別矢量的提取
7.5 離散K-L變換及其在特征提取與選擇中的應(yīng)用
7.6 獨(dú)立成分分析
7.7 基于決策界的特征提取
7.8 特征選擇中的直接挑選法
7.9 多維尺度分析
文獻(xiàn)簡評 應(yīng)用簡介
習(xí)題
參考文獻(xiàn)
第八章 模糊模式識別
8.1 引言
8.2 普通集合與模糊集合
8.3 普通集合上的關(guān)系及有關(guān)知識
8.4 模糊關(guān)系與模糊變換
8.5 模糊度和特征提取與選擇
8.6 模糊識別的基本方法
8.7 基于模糊相似矩陣的分類方法
8.8 模糊C-均值聚類算法
8.9 最大樹法模式識別
8.10 幾何圖形的模糊識別
文獻(xiàn)簡評 應(yīng)用簡介
習(xí)題
參考文獻(xiàn)
第九章 神經(jīng)網(wǎng)絡(luò)在模式識別中的應(yīng)用
9.1 人工神經(jīng)網(wǎng)絡(luò)的基本知識
9.2 前向型人工神經(jīng)網(wǎng)絡(luò)
9.3 BP網(wǎng)的性能和學(xué)習(xí)改進(jìn)
9.4 Hopfield網(wǎng)絡(luò)
9.5 隨機(jī)神經(jīng)網(wǎng)絡(luò)
9.6 自適應(yīng)共振理論神經(jīng)網(wǎng)絡(luò)
9.7 自組織特征映射神經(jīng)網(wǎng)絡(luò)
9.8 模糊神經(jīng)網(wǎng)絡(luò)
9.9 概率神經(jīng)網(wǎng)絡(luò)
9.10 RCE神經(jīng)網(wǎng)絡(luò)
文獻(xiàn)簡評 應(yīng)用簡介
習(xí)題
上機(jī)練習(xí)
參考文獻(xiàn)
第十章 信息融合
10.1 概述
10.2 融合技術(shù)層次性及融合系統(tǒng)功能模塊和結(jié)構(gòu)
10.3 關(guān)于信息融合的熵理論
10.4 觀測不相關(guān)的分布式最小損失準(zhǔn)則下的檢測與決策融合
10.5 觀測相關(guān)的決策融合
10.6 N-P準(zhǔn)則下的決策融合
10.7 分布式檢測決策融合全局最優(yōu)概述及某些約束條件下最優(yōu)解
10.8 D-S證據(jù)理論的融合算法
文獻(xiàn)簡評 應(yīng)用簡介
習(xí)題
參考文獻(xiàn)
第十一章 結(jié)構(gòu)模式識別
11.1 結(jié)構(gòu)模式識別概述
11.2 形式語言
11.3 高維文法與隨機(jī)文法
11.4 模式的描述
11.5 句法分析
11.6 文法推斷
文獻(xiàn)簡評 應(yīng)用簡介
習(xí)題
參考文獻(xiàn)
第十二章 智能化方法
12.1 人工智能
12.2 專家系統(tǒng)
12.3 知識的表示
12.4 智能推理技術(shù)
12.5 不確定性推理
文獻(xiàn)簡評 應(yīng)用簡介
習(xí)題
參考文獻(xiàn)
第十三章 樹分類器
13.1 樹分類器原理
13.2 樹分類器的設(shè)計(jì)原則
13.3 樹分類器的關(guān)鍵技術(shù)
13.4 決策樹生成算法
文獻(xiàn)簡評 應(yīng)用簡介
習(xí)題
上機(jī)練習(xí)
參考文獻(xiàn)
第十四章 支持矢量機(jī)
14.1 最優(yōu)化的分析方法原理
14.2 最優(yōu)分類界面
14.3 廣義最優(yōu)分類界面
14.4 最優(yōu)界面與廣義最優(yōu)界面分類性能的統(tǒng)計(jì)特性
14.5 支持矢量機(jī)(SVM)
14.6 基于Adaboost的SVM組合
文獻(xiàn)簡評 應(yīng)用簡介
習(xí)題
參考文獻(xiàn)
第十五章 基于隱馬爾可夫模型識別方法
15.1 一階馬爾可夫模型(MM)
15.2 一階隱馬爾可夫模型(HMM)
15.3 可見序列概率估計(jì)
15.4 隱狀態(tài)估計(jì)
15.5 模型參數(shù)估計(jì)
15.6 隱馬爾可夫模型方法模式識別
文獻(xiàn)簡評 應(yīng)用簡介
習(xí)題
參考文獻(xiàn)
第十六章 子空間模式識別方法
16.1 概述
16.2 子空間投影
16.3 子空間判別法
16.4 線性回歸模型法
16.5 正交子空間法
16.6 Kohonen學(xué)習(xí)子空間法
16.7 子空間的平均學(xué)習(xí)法
文獻(xiàn)簡評 應(yīng)用簡介
習(xí)題
參考文獻(xiàn)
第十七章 機(jī)器統(tǒng)計(jì)學(xué)習(xí)理論
17.1 機(jī)器統(tǒng)計(jì)學(xué)習(xí)理論概述
17.2 經(jīng)驗(yàn)風(fēng)險最小化設(shè)計(jì)
17.3 經(jīng)驗(yàn)風(fēng)險最小化原則的一致性條件
17.4 最優(yōu)指示函數(shù)判決風(fēng)險的界
17.5 訓(xùn)練序列的長度和識別率估計(jì)精度的關(guān)系
17.6 結(jié)構(gòu)風(fēng)險最小化
文獻(xiàn)簡評 應(yīng)用簡介
習(xí)題
參考文獻(xiàn)