现代模式识别

**章 引 论
1. 1 概论
1. 2 特征矢量和特征空间
1. 3 随机矢量的描述
1. 4 正态分布
参考文献
第二章 聚类分析
2. 1 聚类分析的概念
2. 2 模式相似性测度
2. 3 类的定义与类间距离
2. 4 聚类的算法
习题
参考文献
第三章 判别域代数界面方程法
3. 1 用判别域界面方程分类的概念
3. 2 线性判别函数
3. 3 判别函数值的鉴别意义. 权空间及解空间
3. 4 Fisher线性判别
3. 5 一次准则函数及梯度下降法
3. 6 二次准则函数及其解法
3. 7 线性规划方法
3. 8 线性二分能力(Linear dichotomies)
3. 9 广义线性判别函数
3. 10 二次判别函数
3. 11 分段线性判别函数
3. 12 位势函数分类法
习题
参考文献
第四章 统计判决
4. 1 *小误判概率准则判决
4. 2 *小损失准则判决
4. 3 *小*大损失准则判决
4. 4 N-P(Neyman-Pearson)判决
4. 5 序贯判决
4. 6 Fisher准则判决
习题
参考文献
第五章 统计决策中的训练. 学习与错误率测试. 估讦
5. 1 统计推断概述
5. 2 参数估计
5. 3 贝叶斯学习
5. 4 概率密度的窗函数估计法及kN-近邻法
5. 5 有限项正交函数级数逼近法
5. 6 用位势函数法逼近贝叶斯判决函数
5. 7 随机逼近方法求类的后验概率
5. 8 统计决策准则下线性判决函数的训练生成
5. 9 错误率测试
5. 10 平均损失及*小误判概率的估计方法
5. 11 经验风险设计
习题
参考文献
第六章 *近邻方法
6. 1 *近邻法
6. 2 剪辑*近邻法
6. 3 引入拒绝决策的*近邻法
6. 4 *近邻法中的*佳距离及其实际计算
习题
参考文献
第七章 特征提取与选择
7. 1 概述
7. 2 类别可分性判据
7. 3 基于可分性判据进行变换的特征提取与选择
7. 4 *佳鉴别矢量的提取
7. 5 离散K-L变换及其在特征提取与选择中的应用
7. 6 基于决策界的特征提取
7. 7 特征选择中的直接挑选法
习题
参考文献
第八章 模糊模式识别
8. 1 引言
8. 2 普通集合与模糊集合
8. 3 普通集合中的关系及有关知识
8. 4 模糊关系与模糊变换
8. 5 模糊度与特征提取和选择
8. 6 模糊识别的基本方法
习题
参考文献
第九章 神经网络在模式识别中的应用
9. 1 人工神经网络的基本知识
9. 2 前向型人工神经网络
9. 3 BP网的结构性能和学习改进
9. 4 Hopfield网络
9. 5 随机神经网络
9. 6 自适应共振理论神经网络
9. 7 自组织特征映射神经网络
9. 8 模糊神经网络
习题
参考文献
第十章 信息融合
10. 1 概述
10. 2 融合技术的层次性及融合系统的功能模块和结构
10. 3 关于信息融合的熵理论
10. 4 观测不相关的分布式*小损失准则下的检测与决策融合
10. 5 观测相关的决策融合
10. 6 N-P准则下的数据融合
10. 7 分布式检测决策融合的全局*优概述及某些约束条件下的*优解
10. 8 D-S证据理论融合算法
参考文献
第十一章 句法模式识别
11. 1 句法模式识别概述
11. 2 形式语言
11. 3 高维文法与随机文法
11. 4 模式的描述
11. 5 句法分析
11. 6 文法推断
参考文献
第十二章 智能化方法
12. 1 人工智能简述
12. 2 专家系统
12. 3 知识的表示
12. 4 智能推理技术
12. 5 不确定性推理
参考文献