第1章 引论
1.1 模式识别及模式识别系统
1.1.1 模式识别的基本概念
1.1.2 认知模式识别
1.1.3 计算机模式识别
1.2 模式识别的基本方法
1.2.1 统计模式识别
1.2.2 结构模式识别
1.2.3 模糊模式识别
1.2.4 神经网络模式识别
1.3 模式识别的一些基本准则
1.3.1 奥卡姆剃刀原理
1.3.2 没有免费的午餐定理
1.3.3 丑小鸭定理
1.4 模式识别的应用
1.4.1 生物特征识别
1.4.2 目标识别
1.4.3 图像识别
1.4.4 图形识别
1.4.5 故障诊断
第2章 线性判别函数法
2.1 判别函数的基本概念
2.2 线性判别函数
2.2.1 线性判别函数的一般形式
2.2.2 线性判别函数的基本性质
2.2.3 线性判别函数的几何性质
2.2.4 设计线性分类器的主要步骤
2.3 感知器学习算法
2.3.1 几个基本概念
2.3.2 感知器算法
2.4 最小均方误差算法
2.5 fisher线性判别法
2.5.1 类内离散度矩阵和类间离散度矩阵
2.5.2 fisher线性判别法
*2.6 线性二分能力
习题
上机练习
第3章 非线性判别函数
3.1 分段线性判别函数
3.1.1 一般分段线性判别函数
3.1.2 基于距离的分段线性判别函数
3.2 分段线性判别函数的学习方法
3.2.1 已知子类划分的学习方法
3.2.2 已知子类数目的学习方法
3.2.3 未知子类数目的学习方法
3.3 势函数法
3.3.1 势函数
3.3.2 势函数法
3.3.3 势函数的选择
*3.4 广义线性判别函数
*3.5 二次判别函数
习题
上机练习
第4章 统计决策方法
4.1 最小误判概率准则判决
4.1.1 基础知识
4.1.2 最小误判概率准则判决
4.2 最小损失准则判决
4.2.1 损失函数与平均损失
4.2.2 最小损失贝叶斯准则判决
*4.3 最小最大准则
4.4 正态分布模型的统计决策
4.4.1 正态分布概率密度函数
4.4.2 正态模型的bayes决策
习题
上机练习
第5章 概率密度函数估计
5.1 参数估计的基本概念
5.2 概率密度函数的参数估计
5.2.1 最大似然估计
5.2.2 bayes估计和bayes学习
5.3 概率密度函数的非参数估计
5.3.1 非参数估计的基本原理
5.3.2 parzen窗法
5.3.3 kn近邻法
习题
上机练习
第6章 聚类分析
6.1 聚类分析的基本概念
6.2 模式相似性测度和聚类准则
6.2.1 模式相似性测度
6.2.2 聚类准则
6.3 基于距离阈值的聚类法
6.3.1 近邻聚类法
6.3.2 最大最小距离聚类法
6.4 层次聚类法
6.4.1 类与类之间的距离
6.4.2 层次聚类法
6.5 动态聚类算法
6.5.1 hcm算法
6.5.2 isodata算法
习题
上机练习
第7章 特征提取与选择
7.1 特征提取与选择的基本概念
7.1.1 特征的种类
7.1.2 特征提取与选择
7.2 基于距离的特征提取
7.2.1 基于距离的类别可分性测度
7.2.2 基于距离可分性测度的特征提取
7.3 基于离散k-l变换的特征提取
7.3.1 离散k-l变换(dklt)
7.3.2 离散k-l变换在特征提取中的应用
7.4 特征选择方法
7.4.1 最优搜索法
7.4.2 次优搜索法
习题
上机练习
第8章 模糊模式识别
8.1 模糊集合
8.1.1 模糊集合的定义及表示
8.1.2 模糊集合的运算
8.2 模糊模式识别的基本方法
8.2.1 模糊模式识别的基本过程
8.2.2 常用的隶属度函数
8.2.3 最大隶属度原则
8.2.4 择近原则
8.3 模糊聚类分析
8.3.1 模糊等价关系法
8.3.2 模糊c-均值聚类算法
8.4 聚类有效性评价
8.4.1 硬聚类有效性评价
8.4.2 模糊聚类有效性评价
习题
上机练习
第9章 模式分析的核方法
9.1 核函数
9.1.1 非线性特征映射和核函数
9.1.2 核函数的基本理论
9.1.3 核函数的构造
9.2 核hcm算法
9.3 核fcm算法
9.4 核离散k-l变换
9.5 核fisher线性判别
9.6 支持向量机
9.6.1 线性支持向量机
9.6.2 非线性支持向量机
9.6.3 支持向量机的多分类方法
习题
上机练习
参考文献