包邮模式识别导论

第1章 绪论 1 1.1 模式和模式识别的概念2 1.2 模式识别系统4 1.2.1 简例4 1.2.2 模式识别系统组成7 1.3 模式识别概况8 1.3.1 模式识别发展简介8 1.3.2 模式识别分类8 1.4 模式识别的应用10 第2章 聚类分析 13 2.1 距离聚类的概念14 2.2 相似性测度和聚类准则15 2.2.1 相似性测度15 2.2.2 聚类准则18 2.3 基于距离阈值的聚类算法20 2.3.1 近邻聚类法20 2.3.2 *大*小距离算法21 2.4 层次聚类法23 2.5 动态聚类法27 2.5.1 K-均值算法27 2.5.2 迭代自组织的数据分析算法30 2.6 聚类结果的评价35 习题36 第3章 判别函数及几何分类法 37 3.1 判别函数38 3.2 线性判别函数40 3.2.1 线性判别函数的一般形式40 3.2.2 线性判别函数的性质41 3.3 广义线性判别函数46 3.4 线性判别函数的几何性质48 3.4.1 模式空间与超平面48 3.4.2 权空间与权向量解49 3.4.3 二分法50 3.5 感知器算法52 3.6 梯度法58 3.6.1 梯度法基本原理59 3.6.2 固定增量算法60 3.7 *小平方误差算法62 3.8 非线性判别函数69 3.8.1 分段线性判别函数69 3.8.2 分段线性判别函数的学习方法72 3.8.3 势函数法74 习题81 第4章 基于统计决策的概率分类法 82 4.1 研究对象及相关概率83 4.2 贝叶斯决策85 4.2.1 *小错误率贝叶斯决策85 4.2.2 *小风险贝叶斯决策86 4.2.3 正态分布模式的贝叶斯决策90 4.3 贝叶斯分类器的错误率96 4.3.1 错误率的概念96 4.3.2 错误率分析96 4.3.3 正态分布贝叶斯决策的错误率计算98 4.3.4 错误率的估计101 4.4 聂曼-皮尔逊决策104 4.5 概率密度函数的参数估计108 4.5.1 *大似然估计108 4.5.2 贝叶斯估计与贝叶斯学习110 4.6 概率密度函数的非参数估计115 4.6.1 非参数估计的基本方法115 4.6.2 Parzen窗法117 4.6.3 kN-近邻估计法121 4.7 后验概率密度函数的势函数估计法123 习题125 第5章 特征选择与特征提取 127 5.1 基本概念128 5.2 类别可分性测度130 5.2.1 基于距离的可分性测度131 5.2.2 基于概率分布的可分性测度133 5.3 基于类内散布矩阵的单类模式特征提取136 5.4 基于K-L变换的多类模式特征提取139 5.5 特征选择144 5.5.1 特征选取择的准则144 5.5.2 特征选择的方法145 习题148 第6章 句法模式识别 150 6.1 句法模式识别概述151 6.2 形式语言的基本概念152 6.2.1 基本定义152 6.2.2 文法分类154 6.3 模式的描述方法156 6.3.1 基元的确定156 6.3.2 模式的链表示法156 6.3.3 模式的树表示法158 6.4 文法推断160 6.4.1 基本概念160 6.4.2 余码文法的推断161 6.4.3 扩展树文法的推断162 6.5 句法分析164 6.5.1 参考链匹配法165 6.5.2 填充树图法165 6.5.3 CYK分析法166 6.5.4 厄利分析法168 6.6 句法结构的自动机识别169 6.6.1 有限态自动机与正则文法169 6.6.2 下推自动机与上下文无关文法173 习题176 第7章 模糊模式识别法 179 7.1 模糊数学概述180 7.1.1 模糊数学的产生背景180 7.1.2 模糊性181 7.1.3 模糊数学在模式识别领域的应用183 7.2 模糊集合183 7.2.1 模糊集合定义183 7.2.2 隶属函数的确定187 7.2.3 模糊集合的运算191 7.2.4 模糊集合与普通集合的相互转化193 7.3 模糊关系与模糊矩阵195 7.3.1 模糊关系定义195 7.3.2 模糊关系的表示196 7.3.3 模糊关系的建立197 7.3.4 模糊关系和模糊矩阵的运算199 7.3.5 模糊关系的三大性质202 7.4 模糊模式分类的直接方法和间接方法204 7.4.1 直接方法--隶属原则204 7.4.2 间接方法--择近原则206 7.5 模糊聚类分析法209 7.5.1 基于模糊等价关系的聚类分析法209 7.5.2 模糊相似关系直接用于分类212 7.5.3 模糊K-均值算法214 7.5.4 模糊ISODATA算法216 习题218 第8章 神经网络模式识别法 221 8.1 人工神经网络发展概况222 8.2 神经网络基本概念223 8.2.1 生物神经元223 8.2.2 人工神经元及神经网络224 8.2.3 神经网络的学习226 8.2.4 神经网络的结构分类227 8.3 前馈神经网络227 8.3.1 感知器227 8.3.2 BP网络228 8.3.3 竞争学习神经网络232 8.4 反馈网络模型Hopfield网络236 附录A 向量和矩阵运算239 附录B 标准正态分布表及概率计算245 附录C 计算机作业所用样本数据248 参考文献254