本书对统计模式识别的基本理论和技术做了全面且详尽的介绍。包括用于分类器设计的重要方法和用于数据分析和预处理的关键技术。前者有基于概率密度函数估计的参数法和非参数法，基于判别函数构建的线性模型、径向基函数网络、支持向量机、投影方法（神经网络）和判别分析决策树等；后者涉及特征选择和特征提取以及聚类分析。此外，本书还就分类器的特性测评和利用分类器的组合技术改进分类器特性等进行了较充分的讨论。并且，对模型选择、不可靠分类、缺值数据、离群值检测、连续变量与离散变量的混合等问题进行了探讨。本书前言统计模式识别是一个异常活跃的学习和研究领域，近些年来取得了许多新进展。很多新的应用都需要健壮而有效的模式识别技术。统计决策与估计被盾做是模式识别研究的基本部分。统计模式识别（第二版）做了全面的修订，加入了大量的新方法和新技术，以及新的参考文献。本书对统计模式识别这个领域做了全面的介绍——包括工程学、统计学、计算机科学以及社会科学等内容。本书覆盖了许多应用领域，如数据库的设计、神经网络以及决策支持系统等。本书主要特点：对模式识别做了完备的介绍；每种方法的论述都附有实例说明；涵盖了贝叶斯方法、神经网络、支持向量机以及非监督分类；每小节的结束部分都阐述了所提及方法的应用，并介绍了讲一步的理论进展；附有相异度、参数估计、线性数和概率论等背景知识；附有各咱各样的练习，从一目了然的问题到较为复杂的工程性问题。本书主要供统计学与工程学的高年级本科生和研究生学习统计模式识别、模式处理、神经网络以及数据挖掘之用，同时也可作为从事高级信息开发工作的专业技术人员的优秀参考书。
鄂公网安备 42010302001612号 