模式识别导论

《模式识别导论》按照统计模式识别、句法模式识别、模糊模式识别法和神经网络模式识别法四大理论体系组织全书，其中统计模式识别是模式识别的经典内容和基础知识，模糊模式识别法和神经网络模式识别法两部分反映了模式识别学科发展的新进展，附录部分归纳了书中需要用到的概率知识、向量和矩阵运算的常用公式，以及供上机练习用的模式样本数据。《模式识别导论》内容由浅入深，便于教师根据不同情况选择教学内容。同时讲解详细，配有丰富的图表和例题，有助于读者阅读与理解。提供了习题和计算机作业，供学习时使用。《模式识别导论》可作为高等院校电子信息类专业高年级本科生和研究生的教材，也可供从事模式识别工作的广大科技人员参考。第1章绪论1．1模式和模式识别的概念1．2模式识别系统1．2．1简例1．2．2模式识别系统组成1．3模式识别概况1．3．1模式识别发展简介1．3．2模式识别分类1．4模式识别的应用第2章聚类分析2．1距离聚类的概念2．2相似性测度和聚类准则2．2．1相似性测度2．2．2聚类准则2．3基于距离阈值的聚类算法2．3．1近邻聚类法2．3．2最大最小距离算法2．4层次聚类法2．5动态聚类法2．5．1K-均值算法2．5．2迭代自组织的数据分析算法2．6聚类结果的评价习题第3章判别函数及几何分类法3．1判别函数3．2线性判别函数3．2．1线性判别函数的一般形式3．2．2线性判别函数的性质3．3广义线性判别函数3．4线性判别函数的几何性质3．4．1模式空间与超平面3．4．2权空间与权向量解3．4．3二分法3．5感知器算法3．6梯度法3．6．1梯度法基本原理3．6．2固定增量算法3．7最小平方误差算法3．8非线性判别函数3．8．1分段线性判别函数3．8．2分段线性判别函数的学习方法3．8．3势函数法习题第4章基于统计决策的概率分类法4．1研究对象及相关概率4．2贝叶斯决策4．2．1最小错误率贝叶斯决策4．2．2最小风险贝叶斯决策4．2．3正态分布模式的贝叶斯决策4．3贝叶斯分类器的错误率4．3．1错误率的概念4．3．2错误率分析4．3．3正态分布贝叶斯决策的错误率计算4．3．4错误率的估计4．4聂曼·皮尔逊决策4．5概率密度函数的参数估计4．5．1最大似然估计4．5．2贝叶斯估计与贝叶斯学习4．6概率密度函数的非参数估计4．6．1非参数估计的基本方法4．6．2Parzen窗法4．6．3k近邻估计法4．7后验概率密度函数的势函数估计法习题第5章特征选择与特征提取5．1基本概念5．2类别可分性测度5．2．1基于距离的可分性测度5．2．2基于概率分布的可分性测度5．3基于类内散布矩阵的单类模式特征提取5．4基于K-L变换的多类模式特征提取5．5特征选择5．5．1特征选择的准则5．5．2特征选择的方法习题第6章句法模式识别6．1．句法模式识别概述6．2形式语言的基本概念6．2．1基本定义6．2．2文法分类6．3模式的描述方法6．3．1基元的确定6．3．2模式的链表示法6．3．3模式的树表示法6．4文法推断6．4．1基本概念6．4．2余码文法的推断6．4．3扩展树文法的推断6．5句法分析6．5．1参考链匹配法6．5．2填充树图法6．5．3CYK分析法6．5．4