模式识别

第1章  引论                  
 1. 1  模式和模式识别                  
 1. 2  模式识别的发展和应用                  
 1. 3  模式识别的研究方法                  
 第2章  线性判别函数                  
 2. 1  线性判别函数和决策面                  
 2. 2  感知准则函数和梯度下降法                  
 2. 3  固定增量算法及其收敛性                  
 2. 4  最小平方误差准则函数                  
 2. 5  多类情况下的线性判别函数和固定增量算法                  
 2. 6  分段线性判别函数                  
 2. 7  Fisher线性判别函数                  
 2. 8  支持向量机                  
 第3章  Bayes决策理论                  
 3. 1  最小错误概率的Bayes决策                  
 3. 2  最小风险的Bayes决策                  
 3. 3  Neyman-Pearson决策                  
 3. 4  最小最大决策                  
 3. 5  Bayes分类器和判别函数                  
 3. 6  正态分布时的Bayes决策法则                  
 3. 7  离散情况的Bayes决策                  
 第4章  概率总体的估计                  
 4. 1  参数估计                  
 4. 1. 1  极大似然估计                  
 4. 1. 2  Bayes学习                  
 4. 2  非参数技术                  
 4. 2. 1  概率密度函数估计的基本方法                  
 4. 2. 2  Parzen窗法                  
 4. 2. 3  密度函数估计值的收敛性                  
 4. 2. 4  应用Parzen窗法的一个例子                  
 4. 2. 5  后验概率的估计                  
 第5章  近邻法则和集群                  
 5. 1  近邻法则                  
 5. 1. 1  近邻法则的一般概念                  
 5. 1. 2  近邻法则的错误率                  
 5. 1. 3  K-近邻法则                  
 5. 1. 4  关于近邻法则的讨论                  
 5. 1. 5  快速近邻算法                  
 5. 2  集群                  
 5. 2. 1  样本间类似性的度量                  
 5. 2. 2  集群的准则函数                  
 5. 2. 3  迭代最优化方法                  
 5. 2. 4  等级集群方法                  
 5. 2. 5  基于近邻法则的集群算法                  
 第6章  模式特征的抽取和选择                  
 6. 1  概述                  
 6. 2  离散的Karhunen-Loeve变换                  
 6. 3  多个分布的特征选择                  
 6. 4  特征抽取方法举例                  
 6. 4. 1  手写体字符识别的特征抽取                  
 6. 4. 2  心电图特征的抽取                  
 第7章  结构模式识别方法和形式语言                  
 7. 1  句法结构模式识别方法                  
 7. 2  形式语言和短语结构文法                  
 7. 3  正规语言和有限自动机                  
 7. 4  前后文无关语言和下推自动机                  
 7. 5  图灵机和线性界限自动机                  
 第8章  形式语言在模式识别中的发展                  
 8. 1  程序文法                  
 8. 1. 1  应用于模式识别时各型文法功能的比较                  
 8. 1. 2  前后文无关程序文法                  
 8. 2  高维模式文法                  
 8. 2. 1  阵列文法                  
 8. 2. 2  矩阵文法                  
 8. 3  PDL文法                  
 8. 4  树文法                  
 第9章  句法分析                  
 9. 1  句法分析的一般概念                  
 9. 2  正规语言的句法分析方法                  
 9. 3  算子优先算法                  
 9. 4  Cocke-Younger-Kasami算法(CYK算法)                  
 9. 5  Earley算法                  
 9. 6  Earley算法分析                  
 9. 6. 1  Earley算法的实现                  
 9. 6. 2  Earley算法的改进                  
 9. 7  几种前后文无关语言句法分析算法的比较                  
 第10章  句法结构模式识别方法的发展                  
 10. 1  随机文法                  
 10. 1. 1  随机文法的概念                  
 10. 1. 2  随机有限自动机                  
 10. 1. 3  随机文法在模式识别中的应用                  
 10. 1. 4  随机文法中产生式概率的估计                  
 10. 2  属性文法                  
 10. 2. 1  词义信息的利用                  
 10. 2. 2  前后文无关属性文法                  
 10. 2. 3  利用属性文法的统计考虑                  
 10. 2. 4  关于属性文法的讨论                  
 第11章  文法推断和基元选择                  
 11. 1  文法推断的基本概念                  
 11. 2  正规文法的推断                  
 11. 2. 1  规范确定文法                  
 11. 2. 2  规范微商文法                  
 11. 2. 3  K-尾文法                  
 11. 3  前后文无关文法的推断                  
 11. 3. 1  利用前后文无关文法的自嵌套特性                  
 11. 3. 2  利用具有结构信息的样本                  
 11. 4  模式基元的抽取                  
 11. 5  依据边界或骨架的模式基元抽取方法                  
 11. 6  依据区域的模式基元抽取方法                  
 第12章  句法模式识别与专家系统的关系                  
 12. 1  句法模式识别的进一步考虑                  
 12. 2  用句法方法的基于知识的模式识别系统                  
 12. 3  句法专家系统的算法                  
 12. 3. 1  ED算法                  
 12. 3. 2  EDS算法                  
 12. 3. 3  ES算法                  
 第13章  模糊集论在模式识别中的应用                  
 13. 1  模糊集论的基本概念                  
 13. 1. 1  模糊性和模糊子集                  
 13. 1. 2  模糊子集的基本运算                  
 13. 1. 3  水平截集                  
 13. 1. 4  模糊相关性的度量                  
 13. 1. 5  模糊关系及其运算                  
 13. 2  模式识别的模糊本质                  
 13. 3  模式识别的模糊方法                  
 13. 3. 1  隶属度原则和择近原则                  
 13. 3. 2  基于模糊等价关系的模式分类                  
 13. 3. 3  模糊文法                  
 第14章  人工神经网络在模式识别中的应用                  
 14. 1  人工神经网络概要                  
 14. 1. 1  最简单的感知器                  
 14. 1. 2  误差反向传播训练算法(BP算法)                  
 14. 2  用模式识别方法研究神经网络                  
 14. 2. 1  前馈神经网络的分解                  
 14. 2. 2  用分段线性划分研究神经网络的几个问题                  
 14. 3  神经网络的PLD算法                  
 主要参考文献