目录
第1章模式识别概述1
1.1基本概念1
1.2系统组成2
1.2.1数据获取2
1.2.2预处理2
1.2.3特征提取与选择3
1.2.4分类识别3
1.3基本方法3
1.3.1根据表示方式分类3
1.3.2根据学习方法分类4
1.4应用场景4
1.4.1图像识别与检索4
1.4.2生物特征识别5
1.4.3文字识别5
1.4.4语音识别5
1.5本书的主要内容6
第2章线性分类器7
2.1基本概念7
2.2Fisher线性判别分析10
2.3感知器算法15
2.3.1规范化增广样本向量和解区16
2.3.2感知器准则函数17
2.4广义线性判别函数21
2.5多类线性分类器22
2.5.1两分法22
2.5.2多类线性分类器23
2.6Python实现27
2.6.1Fisher线性分类器27
2.6.2感知器29
习题34第3章贝叶斯分类器36
3.1基本概念36
3.1.1先验概率37
3.1.2类条件概率密度37
3.1.3后验概率37
3.1.4贝叶斯公式37
3.2贝叶斯决策38
3.2.1最小错误率贝叶斯决策38
3.2.2最小风险贝叶斯决策40
3.3基于正态分布的最小错误率贝叶斯分类器43
3.4朴素贝叶斯分类器48
3.5Python实现51
3.5.1最小错误率贝叶斯决策和最小风险贝叶斯决策51
3.5.2基于正态分布的最小错误率贝叶斯决策56
3.5.3朴素贝叶斯分类器60
习题62
第4章概率密度函数估计65
4.1基本概念65
4.2最大似然估计方法66
4.3贝叶斯估计与贝叶斯学习70
4.3.1贝叶斯估计70
4.3.2贝叶斯学习73
4.4非参数估计的基本原理74
4.5Parzen窗口估计法76
4.6kN近邻估计法78
4.7Python实现81
4.7.1Parzen窗口估计法81
4.7.2kN近邻估计法83
习题85第5章其他典型分类方法87
5.1近邻法87
5.1.1最近邻法87
5.1.2k近邻法88
5.1.3改进的近邻法89
5.2支持向量机90
5.2.1线性可分的情况91
5.2.2线性不可分情况94
5.3决策树95
5.3.1基本概念96
5.3.2信息增益98
5.3.3信息增益率99
5.3.4基尼指数100
5.3.5剪枝处理100
5.3.6连续值处理103
5.3.7缺失值处理103
5.4随机森林104
5.4.1基本概念104
5.4.2袋外错误率105
5.5Boosting方法106
5.6Python实现109
5.6.1线性支持向量机109
5.6.2决策树度量指标计算111
习题113
第6章特征提取与选择114
6.1基本概念114
6.2类别可分性判断依据114
6.2.1类别可分性准则114
6.2.2基于距离的类别可分性判据115
6.2.3基于概率密度函数的类别可分性判据118
6.2.4基于熵的类别可分性判据119
6.3主成分分析法120
6.4多维尺度分析123
6.4.1多维尺度法的概念123
6.4.2古典解的求法125
6.5特征选择方法127
6.5.1最优搜索算法127
6.5.2次优搜索算法129
6.6Python实现130
6.6.1主成分分析法130
6.6.2多维尺度分析132
习题133
第7章聚类分析135
7.1基于模型的方法135
7.2动态聚类方法136
7.2.1C均值算法137
7.2.2ISODATA算法140
7.3基于密度的聚类算法142
7.3.1DBSCAN算法142
7.3.2增量DBSCAN聚类算法143
7.3.3DBSCAN算法的改进算法145
7.4分级聚类方法146
7.5Python实现147
7.5.1C均值算法147
7.5.2ISODATA算法150
7.5.3DBSCAN算法154
7.5.4分级聚类算法158
习题160第8章深度神经网络161
8.1卷积神经网络161
8.1.1基本原理162
8.1.2输入层163
8.1.3卷积层163
8.1.4池化层164
8.1.5典型网络结构164
8.2循环神经网络167
8.2.1基本原理168
8.2.2典型网络结构169
8.3注意力机制170
8.3.1认知神经学中的注意力171
8.3.2网络中的注意力机制172
8.3.3自注意力173
8.4Python实现175
8.4.1LeNet5网络实现手写数字识别175
8.4.2循环神经网络实现手写数字识别178
8.4.3GRU的Python实现181
习题182
第9章模式识别在图像分析中的应用与发展183
9.1图像分类183
9.2微观组织图像分割系统189
9.3人耳识别系统设计及实现203
9.4大模型网络及其应用209
参考文献214
