主流模式識別技術(shù)及其發(fā)展研究

前言
第1章 引言
1．1 模式與模式識別的概念
1．2 模式識別的研究方法
1．3 模式識別的應用
第2章 統(tǒng)計模式識別中的概率方法
2．1 貝葉斯決策的基本概念
2．2 基于最小錯誤率的貝葉斯決策
2．3 基于最小風險的貝葉斯決策
2．4 正態(tài)分布模型的統(tǒng)計決策
2．5 貝葉斯分類器的錯誤率
2．6 聶曼-皮爾遜決策
2．7 概率密度函數(shù)的參數(shù)估計
2．8 概率密度函數(shù)的非參數(shù)估計
第3章 統(tǒng)計模式識別中的聚類方法
3．1 聚類分析的概念
3．2 模式相似性測度與聚類準則
3．3 基于距離閾值的聚類法
3．4 層次聚類算法
3．5 動態(tài)聚類算法
第4章 結(jié)構(gòu)模式識別中的句法方法
4．1 形式語言基礎
4．2 文法推斷
4．3 句法分析
4．4 句法結(jié)構(gòu)的自動機識別
第5章 特征提取與特征選擇
5．1 特征提取與特征選擇的基本概念
5．2 類別可分性判據(jù)
5．3 基于類別可分性判據(jù)的特征提取
5．4 基于K-L變換的特征提取
5．5 特征提取方法
5．6 特征選擇方法
第6章 模糊模式識別方法
6．1 模糊集
6．2 模糊關(guān)系
6．3 模糊模式識別的基本方法
6．4 模糊聚類分析
第7章 神經(jīng)網(wǎng)絡模式識別方法
7．1 人工神經(jīng)網(wǎng)絡的基本原理
7．2 BP神經(jīng)網(wǎng)絡
7．3 徑向基函數(shù)神經(jīng)網(wǎng)絡
7．4 Hopfield神經(jīng)網(wǎng)絡
7．5 自組織特征映射神經(jīng)網(wǎng)絡
第8章 統(tǒng)計學習理論與支持向量機方法
8．1 機器學習的基本問題與方法
8．2 統(tǒng)計學習理論
8．3 支持向量機
參考文獻