模式識別導論

本書按照統計模式識別、句法模式識別、模糊模式識別法和神經網絡模式識別法四大理論體系組織全書，其中統計模式識別是模式識別的經典內容和基礎知識，模糊模式識別法和神經網絡模式識別法兩部分反映了模式識別學科發展的新進展，附錄部分歸納了書中需要用到的概率知識、向量和矩陣運算的常用公式，以及供上機練慣用的模式樣本數據。 本書內容由淺入深，便於教師根據不同情況選擇教學內容。同時講解詳細，配有豐富的圖表和例題，有助於讀者閱讀與理解。提供了習題和電腦作業，供學習時使用。 本書可作為高等院校電子信息類專業高年級本科生和研究生的教材，也可供從事模式識別工作的廣大科技人員參考。

第1章緒論
1．1模式和模式識別的概念
1．2模式識別系統
1．2．1簡例
1．2．2模式識別系統組成
1．3模式識別概況
1．3．1模式識別發展簡介
1．3．2模式識別分類
1．4模式識別的應用
第2章聚類分析
2．1距離聚類的概念
2．2相似性測度和聚類準則
2．2．1相似性測度
2．2．2聚類準則
2．3基於距離閾值的聚類算法
2．3．1近鄰聚類法
2．3．2□大□小距離算法
2．4層次聚類法
2．5動態聚類法
2．5．1K-均值算法
2．5．2迭代自組織的數據分析算法
2．6聚類結果的評價
習題
第3章判別函數及幾何分類法
3．1判別函數
3．2線性判別函數
3．2．1線性判別函數的一般形式
3．2．2線性判別函數的性質
3．3廣義線性判別函數
3．4線性判別函數的幾何性質
3．4．1模式空間與超平面
3．4．2權空間與權向量解
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□小平方誤差算法
3．8非線性判別函數
3．8．1分段線性判別函數
3．8．2分段線性判別函數的學習方法
3．8．3勢函數法
習題
第4章基於統計決策的概率分類法
4．1研究對象及相關概率
4．2貝葉斯決策
4．2．1□小錯誤率貝葉斯決策
4．2．2□小風險貝葉斯決策
4．2．3正態分佈模式的貝葉斯決策
4．3貝葉斯分類器的錯誤率
4．3．1錯誤率的概念
4．3．2錯誤率分析
4．3．3正態分佈貝葉斯決策的錯誤率計算
4．3．4錯誤率的估計
4．4聶曼·皮爾遜決策
4．5概率密度函數的參數估計
4．5．1□大似然估計
4．5．2貝葉斯估計與貝葉斯學習
4．6概率密度函數的非參數估計
4．6．1非參數估計的基本方法
4．6．2Parzen窗法
4．6．3k近鄰估計法
4．7後驗概率密度函數的勢函數估計法
習題
第5章特徵選擇與特徵提取
5．1基本概念
5．2類別可分性測度
5．2．1基於距離的可分性測度
5．2．2基於概率分佈的可分性測度
5．3基於類內散佈矩陣的單類模式特徵提取
5．4基於K-L變換的多類模式特徵提取
5．5特徵選擇
5．5．1特徵選擇的準則
5．5．2特徵選擇的方法
習題
第6章句法模式識別
6．1．句法模式識別概述
6．2形式語言的基本概念
6．2．1基本定義
6．2．2文法分類
6．3模式的描述方法
6．3．1基元的確定
6．3．2模式的鍊錶示法
6．3．3模式的樹表示法
6．4文法推斷
6．4．1基本概念
6．4．2餘碼文法的推斷
6．4．3擴展樹文法的推斷
6．5句法分析
6．5．1參考鏈匹配法
6．5．2填充樹圖法
6．5．3CYK分析法
6．5．4厄利分析法
6．6句法結構的自動機識別
6．6．1有限態自動機與正則文法
6．6．2下推自動機與上下文無關文法
習題
第7章模糊模式識別法
7．1模糊數學概述
7．1．1模糊數學的產生背景
7．1．2模糊性
7．1．3模糊數學在模式識別領域的應用
7．2模糊集合
7．2．1模糊集合定義
7．2．2隸屬函數的確定
7．2．3模糊集合的運算
7．2．4模糊集合與普通集合的相互轉化
7．3模糊關係與模糊矩陣
7．3．1模糊關係定義
7．3．2模糊關係的表示
7．3．3模糊關係的建立
7．3．4模糊關係和模糊矩陣的運算
7．3．5模糊關係的三大性質
7．4模糊模式分類的直接方法和間接方法
7．4．1直接方法——隸屬原則
7．4．2間接方法——擇近原則
7．5模糊聚類分析法
7．5．1基於模糊等價關係的聚類分析法
7．5．2模糊相似關係直接用於分類
7．5．3模糊K-均值算法
7．5．4模糊ISODATA算法
習題
第8章神經網絡模式識別法
附錄A向量和矩陣運算
附錄B標準正態分佈表及概率計算
附錄C計算機作業所用樣本數據
參考文獻