Pattern recognition principles

第二版前言
第一版前言
第1章 绪论
1.1模式识别和模式的概念
1.2模式识别系统
1.3关于模式识别的一些基本问题
1.4关于本书的内容安排
第2章 贝叶斯决策理论
2.1引言
2.2几种常用的决策规则
2.2.1基于最小错误率的贝叶斯决策
2.2.2基于最小风险的贝叶斯决策
2.2.3在限定一类错误率条件下使另一类错误率为最小的两类别决策
2.2.4最小最大决策
2.2.5序贯分类方法
2.2.6分类器设计
2.3正态分布时的统计决策
2.3.1正态分布概率密度函数的定义及性质
2.3.2多元正态概率型下的最小错误率贝叶斯判别函数和决策面
2.4关于分类器的错误率问题
2.4.1在一些特殊情况下错误率的理论计算
2.4.2错误率的上界
2.5讨论
习题
第3章 概率密度函数的估计
3.1引言
3.2参数估计的基本概念
3.2.1最大似然估计
3.2.2贝叶斯估计和贝叶斯学习
3.3正态分布的监督参数估计
3.3.1最大似然估计示例
3.3.2贝叶斯估计和贝叶斯学习示例
3.4非监督参数估计
3.4.1非监督最大似然估计中的几个问题
3.4.2正态分布情况下的非监督参数估计
3.5总体分布的非参数估计
3.5.1基本方法
3.5.2Parzen窗法
3.5.3〓近邻估计
3.6关于分类器错误率的估计问题
3.6.1关于已设计好分类器时错误率的估计问题
3.6.2关于未设计好分类器时错误率的估计问题
3.7讨论
习题
第4章 线性判别函数
4.1引言
4.1.1线性判别函数的基本概念
4.1.2广义线性判别函数
4.1.3设计线性分类器的主要步骤
4.2Fisher线性判别
4.3感知准则函数
4.3.1几个基本概念
4.3.2感知准则函数及其梯度下降算法
4.4最小错分样本数准则
4.4.1解线性不等式组的共轭梯度法
4.4.2解线性不等式组的搜索法
4.5最小平方误差准则函数
4.5.1平方误差准则函数及其伪逆解
4.5.2MSE准则函数的梯度下降算法
4.5.3随机MSE准则函数及其随机逼近算法
4.6随机最小错误率线性判别准则函数
4.6.1随机最小错误率线性判别准则函数
4.6.2关于J〓（α）准则的随机逼近算法
4.6.3设计考虑和应用实例
4.7多类问题
4.7.1多类问题的基本概念
4.7.2决策树简介
4.8讨论
习题
第5章 非线性判别函数
5.1分段线性判别函数的基本概念
5.1.1基于距离的分段线性判别函数
5.1.2分段线性判别函数
5.1.3分段线性分类器设计的一般考虑
5.2用凹函数的并表示分段线性判别函数
5.2.1分段线性判别函数的表示
5.2.2算法步骤
5.3用交遇区的样本设计分段线性分类器
5.3.1算法基本思想
5.3.2紧互对原型对与交遇区
5.3.3局部训练法
5.3.4决策规则
5.4二次判别函数
习题
第6章 近邻法
6.1最近邻法
6.1.1最近邻决策规则
6.1.2最近邻法的错误率分析
6.2k-近邻法
6.3关于减少近邻法计算量和存储量的考虑
6.3.1近邻法的快速算法
6.3.2剪辑近邻法
6.3.3压缩近邻法
6.4可做拒绝决策的近邻法
6.4.1具有拒绝决策的k-近邻法
6.4.2具有拒绝决策的剪辑近邻法
6.5最佳距离度量近邻法
习题
第7章 经验风险最小化和有序风险最小化方法
7.1平均风险最小化和经验风险最小化
7.2有限事件类情况
7.3线性分界权向量数的估计
7.4事件出现频率一致收敛于其概率的条件
7.5生长函数的性质
7.6经验最优判决规则偏差的估计
7.7经验最优判决规则偏差估计的改进
7.8有序风险最小化方法
7.8.1判决规则选择准则
7.8.2几种判决规则类的排序方法
7.9讨论
习题
第8章 特征的选择与提取
8.1基本概念
8.1.1问题的提出
8.1.2一些基本概念
8.2类别可分离性判据
8.2.1用于可分性判据的类内类间距离
8.2.2基于概率分布的可分性判据
8.2.3基于熵函数的可分性判据
8.2.4类别可分离性判据的直接应用举例
8.3特征提取
8.3.1按欧氏距离度量的特征提取方法
8.3.2按概率距离判据的特征提取方法
8.3.3用散度准则函数的特征提取器
8.3.4多类情况
8.3.5基于判别熵最小化的特征提取
8.3.6两维显示
8.4特征选择
8.4.1最优搜索算法
8.4.2次优搜索法
8.4.3可分性判据的递推计算
8.5特征选择的几种新方法
8.5.1模拟退火算法
8.5.2Tabu搜索算法
8.5.3遗传算法
习题
第9章 基于K-L展开式的特征提取
9.1傅里叶级数展开式
9.2K-L展开式
9.3K-L展开式的性质
9.3.1展开系数
9.3.2表示熵
9.3.3总体熵
9.4K-L坐标系的产生矩阵
9.5从类平均向量中提取判别信息
9.6包含在类平均向量中判别信息的最优压缩
9.7包含在类中心化特征向量中判别信息的提取
9.8用于非监督模式识别问题中的特征提取
9.9K-L变换在人脸自动识别研究中的一个应用
9.9.1图像的归一化
9.9.2K-L变换
9.9.3特征向量的选取
9.10讨论
习题
第10章 非监督学习方法
10.1引言
10.2单峰子集（类）的分离方法
10.2.1投影方法
10.2.2基于对称集性质的单峰子集分离法
10.2.3单峰子集分离的迭代算法
10.3类别分离的间接方法
10.3.1动态聚类方法
10.3.2近邻函数准则算法
10.4分级聚类方法
10.5非监督学习方法中的一些问题
习题
第11章 人工神经网络
11.1引言
11.2人工神经元
11.2.1生物神经元
11.2.2人工神经元
11.2.3神经元的学习算法
11.3前馈神经网络及其主要算法
11.3.1前馈神经网络
11.3.2感知器
11.3.3三层前馈网络
11.3.4反向传播算法（BP法）
11.3.5径向基函数网络
11.4竞争学习和侧抑制
11.5自组织特征映射
11.6Hopfield网络
11.6.1离散Hopfield网络
11.6.2联想存储器
11.6.3优化计算
11.6.4连续时间Hopfield网络
11.7神经网络模式识别的典型做法
11.7.1多层前馈网络用于模式识别
11.7.2自组织网络用于模式识别
11.8前馈神经网络与统计模式识别的关系
11.8.1隐层的特征提取作用
11.8.2神经网络与贝叶斯分类器
11.9讨论
第12章 模糊模式识别方法
12.1引言
12.2模糊集的基本知识
12.3模糊特征和模糊分类
12.3.1模糊化特征
12.3.2结果的模糊化
12.4特征的模糊评价
12.4.1模糊程序的度量
12.4.2特征的模糊评价
12.5模糊聚类方法
12.5.1模糊C均值算法
12.5.2改进的模糊C均值算法
12.6模糊k近邻分类器
12.7讨论
第13章 统计学习理论和支持向量机
13.1引言
13.2机器学习的基本问题和方法
13.2.1机器学习问题的表示
13.2.2经验风险最小化
13.2.3复杂性与推广能力
13.3统计学习理论的核心内容
13.3.1学习过程一致性的条件
13.3.2函数集的学习性能与VC维
13.3.3推广性的界
13.3.4结构风险最小化
13.4支持向量机
13.4.1最优分类面
13.4.2广义最优分类面
13.4.3规范化超平面集的子集结构
13.4.4支持向量机
13.5讨论
第14章 模式识别在语音信号数字处理中的应用举例
14.1说话人识别概述
14.2语音信号及其几个特性
14.3短时基音周期的估计
14.4一个说话人识别系统举例
14.5讨论
第15章 印刷体汉字识别中的特征提取
15.1印刷体汉字识别的基本知识
15.2印刷体汉字的统计特性及分析
15.3文字的归一化
15.4印刷体汉字识别中的一些特征
15.5分类问题
15.6判别准则
15.7讨论
主要参考书目
附录A几种最优化算法
A.1梯度（下降）法
A.2牛顿法
A.3共轭梯度法
A.4Lagrange乘子法
A.5随机逼近法
var cpro_id = 'u317582';