第二版前言
第一版前言
第1章 绪论
1. 1 模式识别和模式的概念
1. 2 模式识别系统
1. 3 关于模式识别的一些基本问题
1. 4 关于本书的内容安排
第2章 贝叶斯决策理论
2. 1 引言
2. 2 几种常用的决策规则
2. 2. 1 基于最小错误率的贝叶斯决策
2. 2. 2 基于最小风险的贝叶斯决策
2. 2. 3 在限定一类错误率条件下使另一类错误率为最小的两类别决策
2. 2. 4 最小最大决策
2. 2. 5 序贯分类方法
2. 2. 6 分类器设计
2. 3 正态分布时的统计决策
2. 3. 1 正态分布概率密度函数的定义及性质
2. 3. 2 多元正态概率型下的最小错误率贝叶斯判别函数和决策面
2. 4 关于分类器的错误率问题
2. 4. 1 在一些特殊情况下错误率的理论计算
2. 4. 2 错误率的上界
2. 5 讨论
习题
第3章 概率密度函数的估计
3. 1 引言
3. 2 参数估计的基本概念
3. 2. 1 最大似然估计
3. 2. 2 贝叶斯估计和贝叶斯学习
3. 3 正态分布的监督参数估计
3. 3. 1 最大似然估计示例
3. 3. 2 贝叶斯估计和贝叶斯学习示例
3. 4 非监督参数估计
3. 4. 1 非监督最大似然估计中的几个问题
3. 4. 2 正态分布情况下的非监督参数估计
3. 5 总体分布的非参数估计
3. 5. 1 基本方法
3. 5. 2 Parzen窗法
3. 5. 3 KN-近邻估计
3. 6 关于分类器错误率的估计问题
3. 6. 1 关于已设计好分类器时错误率的估计问题
3. 6. 2 关于未设计好分类器时错误率的估计问题
3. 7 讨论
习题
第4章 线性判别函数
4. 1 引言
4. 1. 1 线性判别函数的基本概念
4. 1. 2 广义线性判别函数
4. 1. 3 设计线性分类器的主要步骤
4. 2 Fisher线性判别
4. 3 感知准则函数
4. 3. l 几个基本概念
4. 3. 2 感知准则函数及其梯度下降算法
4. 4 最小错分样本数准则
4. 4. 1 解线性不等式组的共轭梯度法
4. 4. 2 解线性不等式组的搜索法
4. 5 最小平方误差准则函数
4. 5. 1 平方误差准则函数及其伪逆解
4. 5. 2 MSE准则函数的梯度下降算法
4. 5. 3 随机MSE准则函数及其随机逼近算法
4. 6 随机最小错误率线性判别准则函数
4. 6. 1 随机最小错误率线性判别准则函数
4. 6. 2 关于Jer(a)准则的随机逼近算法
4. 6. 3 设计考虑和应用实例
4. 7 多类问题
4. 7. 1 多类问题的基本概念
4. 7. 2 决策树简介
4. 8 讨论
习题
第5章 非线性判别函数
5. 1 分段线性判别函数的基本概念
5. 1. 1 基于距离的分段线性判别函数
5. 1. 2 分段线性判别函数
5. 1. 3 分段线性分类器设计的一般考虑
5. 2 用凹函数的并表示分段线性判别函数
5. 2. 1 分段线性判别函数的表示
5. 2. 2 算法步骤
5. 3 用交遇区的样本设计分段线性分类器
5. 3. 1 算法基本思想
5. 3. 2 紧互对原型对与交遇区
5. 3. 3 局部训练法
5. 3. 4 决策规则
5. 4 二次判别函数
习题
第6章 近邻法
6. 1 最近邻法
6. 1. 1 最近邻决策规则
6. 1. 2 最近邻法的错误率分析
6. 2 k-近邻法
6. 3 关于减少近邻法计算量和存储量的考虑
6. 3. 1 近邻法的快速算法
6. 3. 2 剪辑近邻法
6. 3. 3 压缩近邻法
6. 4 可做拒绝决策的近邻法
6. 4. 1 具有拒绝决策的k-近邻法
6. 4. 2 具有拒绝决策的剪辑近邻法
6. 5 最佳距离度量近邻法
习题
第7章 经验风险最小化和有序风险最小化方法
7. 1 平均风险最小化和经验风险最小化
7. 2 有限事件类情况
7. 3 线性分界权向量数的估计
7. 4 事件出现频率一致收敛于其概率的条件
7. 5 生长函数的性质
7. 6 经验最优判决规则偏差的估计
7. 7 经验最优判决规则偏差估计的改进
7. 8 有序风险最小化方法
7. 8. 1 判决规则选择准则
7. 8. 2 几种判决规则类的排序方法
7. 9 讨论
习题
第8章 特征的选择与提取
8. 1 基本概念
8. 1. 1 问题的提出
8. 1. 2 一些基本概念
8. 2 类别可分离性判据
8. 2. 1 用于可分性判据的类内类间距离
8. 2. 2 基于概率分布的可分性判据
8. 2. 3 基于熵函数的可分性判据
8. 2. 4 类别可分离性判据的直接应用举例
8. 3 特征提取
8. 3. 1 按欧氏距离度量的特征提取方法
8. 3. 2 按概率距离判据的特征提取方法
8. 3. 3 用散度准则函数的特征提取器
8. 3. 4 多类情况
8. 3. 5 基于判别炳最小化的特征提取
8. 3. 6 两维显示
8. 4 特征选择
8. 4. 1 最优搜索算法
8. 4. 2 次优搜索法
8. 4. 3 可分性判据的递推计算
8. 5 特征选择的几种新方法
8. 5. 1 模拟退火算法
8. 5. 2 Tabu搜索算法
8. 5. 3 遗传算法
习题
第9章 基于K-L展开式的特征提取
9. 1 傅里叶级数展开式
9. 2 K-L展开式
9. 3 K-L展开式的性质
9. 3. 1 展开系数
9. 3. 2 表示熵
9. 3. 3 总体熵
9. 4 K-L坐标系的产生矩阵
9. 5 从类平均向量中提取判别信息
9. 6 包含在类平均向量中判别信息的最优压缩
9. 7 包含在类中心化特征向量中判别信息的提取
9. 8 用于非监督模式识别问题中的特征提取
9. 9 K-L变换在人脸自动识别研究中的一个应用
9. 9. 1 图像的归一化
9. 9. 2 K-L变换
9. 9. 3 特征向量的选取
9. 10 讨论
习题
第10章 非监督学习方法
10. 1 引言
10. 2 单峰子集(类)的分离方法
10. 2. 1 投影方法
lo. 2. 2 基于对称集性质的单峰子集分离法
10. 2. 3 单峰子集分离的迭代算法
10. 3 类别分离的间接方法
10. 3. 1 动态聚类方法
10. 3. 2 近邻函数准则算法
10. 4 分级聚类方法
10. 5 非监督学习方法中的一些问题
习题
第11章 人工神经网络
11. 1 引言
11. 2 人工神经元
11. 2. 1 生物神经元
11. 2. 2 人工神经元
11. 2. 3 神经元的学习算法
11. 3 前馈神经网络及其主要算法
11. 3. 1 前馈神经网络
11. 3. 2 感知器
11. 3. 3 三层前馈网络
11. 3. 4 反向传播算法(BP法)
11. 3. 5 径向基函数网络
11. 4 竞争学习和侧抑制
11. 5 自组织特征映射
11. 6 Hopfield网络
11. 6. 1 离散Hopfield网络
11. 6. 2 联想存储器
11. 6. 3 优化计算
11. 6. 4 连续时间Hopfield网络
11. 7 神经网络模式识别的典型做法
11. 7. 1 多层前馈网络用于模式识别
11. 7. 2 自组织网络用于模式识别
11. 8 前馈神经网络与统计模式识别的关系
11. 8. 1 隐层的特征提取作用
11. 8. 2 神经网络与贝叶斯分类器
11. 9 讨论
第12章 模糊模式识别方法
12. 1 引言
12. 2 模糊集的基本知识
12. 3 模糊特征和模糊分类
12. 3. 1 模糊化特征
12. 3. 2 结果的模糊化
12. 4 特征的模糊评价
12. 4. 1 模糊程度的度量
12. 4. 2 特征的模糊评价
12. 5 模糊聚类方法
12. 5. 1 模糊C均值算法
12. 5. 2 改进的模糊C均值算法
12. 6 模糊A近邻分类器
12. 7 讨论
第13章 统计学习理论和支持向量机
13. 1 引言
13. 2 机器学习的基本问题和方法
13. 2. 1 机器学习问题的表示
13. 2. 2 经验风险最小化
13. 2. 3 复杂性与推广能力
13, 3 统计学习理论的核心内容
13. 3. 1 学习过程一致性的条件
13, 3. 2 函数集的学习性能与VC维
13. 3. 3 推广性的界
13. 3. 4 结构风险最小化
13. 4 支持向量机
13. 4. 1 最优分类面
13. 4. 2 广义最优分类面
13. 4. 3 规范化超平面集的子集结构
13. 4. 4 支持向量机
13. 5 讨论
第14章 模式识别在语音信号数字处理中的应用举例
14. 1 说话人识别概述
14. 2 语音信号及其几个特性
14. 3 短时基音周期的估计
14. 4 一个说话人识别系统举例
14. 5 讨论
第15章 印刷体汉字识别中的特征提取
15. 1 印刷体汉字识别的基本知识
15. 2 印刷体汉字的统计特性及分析
15. 3 文字的归一化
15. 4 印刷体汉字识别中的一些特征
15. 5 分类问题
15. 6 判别准则
15. 7 讨论
主要参考书目
附录A 几种最优化算法
A. 1 梯度(下降)法
A. 2 牛顿法
A. 3 共扼梯度法
A. 4 Lagrange乘子法
A. 5 随机逼近法