第二版前言(Ⅴ)

第一版前言(Ⅶ)第1章绪论(1)

11模式识别和模式的概念(1)

12模式识别系统(2)

13关于模式识别的一些基本问题(3)

14关于本书的内容安排(8)第2章贝叶斯决策理论(9)

21引言(9)

22几种常用的决策规则(9)

221基于最小错误率的贝叶斯决策(9)

222基于最小风险的贝叶斯决策(13)

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(16)

224最小最大决策(18)

225序贯分类方法(20)

226分类器设计(20)

23正态分布时的统计决策(24)

231正态分布概率密度函数的定义及性质(24)

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(30)

24关于分类器的错误率问题(34)

241在一些特殊情况下错误率的理论计算(35)

242错误率的上界(38)

25讨论(42)

习题(43)第3章概率密度函数的估计(46)

31引言(46)

32参数估计的基本概念(47)

321最大似然估计(48)

322贝叶斯估计和贝叶斯学习(50)

33正态分布的监督参数估计(54)

331最大似然估计示例(54)

332贝叶斯估计和贝叶斯学习示例(55)

34非监督参数估计(59)

341非监督最大似然估计中的几个问题(59)

342正态分布情况下的非监督参数估计(62)

35总体分布的非参数估计(65)

351基本方法(65)

352Parzen 窗法(67)

353kN近邻估计(71)

36关于分类器错误率的估计问题(72)

361关于已设计好分类器时错误率的估计问题(73)

362关于未设计好分类器时错误率的估计问题(75)

37讨论(80)

习题(81)第4章线性判别函数(83)

41引言(83)

411线性判别函数的基本概念(84)

412广义线性判别函数(85)

413设计线性分类器的主要步骤(87)

42Fisher 线性判别(87)

43感知准则函数(91)

431几个基本概念(91)

432感知准则函数及其梯度下降算法(93)

44最小错分样本数准则(95)

441解线性不等式组的共轭梯度法(95)

442解线性不等式组的搜索法(98)

45最小平方误差准则函数(101)

451平方误差准则函数及其伪逆解(101)

452MSE 准则函数的梯度下降算法(104)

453随机 MSE 准则函数及其随机逼近算法(104)

46随机最小错误率线性判别准则函数(106)

461随机最小错误率线性判别准则函数(106)

462关于Jer(α)准则的随机逼近算法(109)

463设计考虑和应用实例(111)

47多类问题(112)

471多类问题的基本概念(112)

472决策树简介(113)

48讨论(117)

习题(117)第5章非线性判别函数(120)

51分段线性判别函数的基本概念(120)

511基于距离的分段线性判别函数(120)

512分段线性判别函数(121)

513分段线性分类器设计的一般考虑(122)

52用凹函数的并表示分段线性判别函数(124)

521分段线性判别函数的表示(124)

522算法步骤(126)

53用交遇区的样本设计分段线性分类器(129)

531算法基本思想(129)

532紧互对原型对与交遇区(129)

533局部训练法(130)

534决策规则(131)

54二次判别函数(133)

习题(134)第6章近邻法(136)

61最近邻法(136)

611最近邻决策规则(136)

612最近邻法的错误率分析(136)

62k近邻法(140)

63关于减少近邻法计算量和存储量的考虑(142)

631近邻法的快速算法(142)

632剪辑近邻法(145)

633压缩近邻法(153)

64可做拒绝决策的近邻法(154)

641具有拒绝决策的k近邻法(154)

642具有拒绝决策的剪辑近邻法(154)

65最佳距离度量近邻法(156)

习题(159)第7章经验风险最小化和有序风险最小化方法(161)

71平均风险最小化和经验风险最小化(161)

72有限事件类情况(162)

73线性分界权向量数的估计(163)

74事件出现频率一致收敛于其概率的条件(164)

75生长函数的性质(165)

76经验最优判决规则偏差的估计(166)

77经验最优判决规则偏差估计的改进(167)

78有序风险最小化方法(168)

781判决规则选择准则(169)

782几种判决规则类的排序方法(170)

79讨论(173)

习题(174)第8章特征的选择与提取(176)

81基本概念(176)

811问题的提出(176)

812一些基本概念(176)

82类别可分离性判据(178)

821用于可分性判据的类内类间距离(178)

822基于概率分布的可分性判据(180)

823基于熵函数的可分性判据(183)

824类别可分离性判据的直接应用举例(184)

83特征提取(185)

831按欧氏距离度量的特征提取方法(185)

832按概率距离判据的特征提取方法(189)

833用散度准则函数的特征提取器(192)

834多类情况(193)

835基于判别熵最小化的特征提取(195)

836两维显示(197)

84特征选择(198)

841最优搜索算法(199)

842次优搜索法(202)

843可分性判据的递推计算(204)

85特征选择的几种新方法(205)

851模拟退火算法(205)

852Tabu 搜索算法(207)

853遗传算法(208)

习题(210)第9章基于KL展开式的特征提取(212)

91傅里叶级数展开式(212)

92KL 展开式(213)

93KL 展开式的性质(215)

931展开系数(215)

932表示熵(215)

933总体熵(217)

94KL 坐标系的产生矩阵(218)

95从类平均向量中提取判别信息(218)

96包含在类平均向量中判别信息的最优压缩(220)

97包含在类中心化特征向量中判别信息的提取(221)

98用于非监督模式识别问题中的特征提取(223)

99KL 变换在人脸自动识别研究中的一个应用(223)

991图像的归一化(224)

992KL 变换(224)

993特征向量的选取(226)

910讨论(227)

习题(228)第10章非监督学习方法(230)

101引言(230)

102单峰子集(类)的分离方法(230)

1021投影方法(230)

1022基于对称集性质的单峰子集分离法(232)

1023单峰子集分离的迭代算法(233)

103类别分离的间接方法(234)

1031动态聚类方法(235)

1032近邻函数准则算法(241)

104分级聚类方法(244)

105非监督学习方法中的一些问题(247)

习题(248)第11章人工神经网络(250)

111引言(250)

112人工神经元(251)

1121生物神经元(251)

1122人工神经元(251)

1123神经元的学习算法(253)

113前馈神经网络及其主要算法(253)

1131前馈神经网络(253)

1132感知器(253)

1133三层前馈网络(254)

1134反向传播算法(BP法)(254)

1135径向基函数网络(257)

114竞争学习和侧抑制(258)

115自组织特征映射(259)

116Hopfield 网络(261)

1161离散Hopfield 网络(261)

1162联想存储器(263)

1163优化计算(263)

1164连续时间 Hopfield 网络(264)

117神经网络模式识别的典型做法(265)

1171多层前馈网络用于模式识别(265)

1172自组织网络用于模式识别(266)

118前馈神经网络与统计模式识别的关系(267)

1181隐层的特征提取作用(267)

1182神经网络与贝叶斯分类器(270)

119讨论(271)第12章模糊模式识别方法(273)

121引言(273)

122模糊集的基本知识(273)

123模糊特征和模糊分类(275)

1231模糊化特征(276)

1232结果的模糊化(276)

124特征的模糊评价(277)

1241模糊程度的度量(277)

1242特征的模糊评价(278)

125模糊聚类方法(280)

1251模糊C均值算法(280)

1252改进的模糊C均值算法(281)

126模糊k近邻分类器(282)

127讨论(283)第13章统计学习理论和支持向量机(284)

131引言(284)

132机器学习的基本问题和方法(285)

1321机器学习问题的表示(285)

1322经验风险最小化(286)

1323复杂性与推广能力(287)

133统计学习理论的核心内容(288)

1331学习过程一致性的条件(288)

1332函数集的学习性能与 VC 维(290)

1333推广性的界(293)

1334结构风险最小化(295)

134支持向量机(296)

1341最优分类面(296)

1342广义最优分类面(298)

1343规范化超平面集的子集结构(299)

1344支持向量机(299)

135讨论(303)第14章模式识别在语音信号数字处理中的应用举例(305)

141说话人识别概述(305)

142语音信号及其几个特性(306)

143短时基音周期的估计(310)

144一个说话人识别系统举例(312)

145讨论(314)第15章印刷体汉字识别中的特征提取(315)

151印刷体汉字识别的基本知识(315)

152印刷体汉字的统计特性及分析(317)

153文字的归一化(321)

154印刷体汉字识别中的一些特征(323)

155分类问题(327)

156判别准则(328)

157讨论(329)主要参考书目(330)附录A几种最优化算法(331)

A1梯度(下降)法(331)

A2牛顿法(332)

A3共轭梯度法(333)

A4Lagrange 乘子法(335)

A5随机逼近法(336)