模式分类(原书第2版·典藏版)

目录


Pattern Classification, Second Edition



译者序

前言
第1章绪论



1.1 机器感知

1.2 一个例子

1.3 模式识别系统

1.3.1 传感器

1.3.2 分割和组织

1.3.3 特征提取

1.3.4 分类器

1.3.5 后处理

1.4 设计循环

1.4.1 数据采集

1.4.2 特征选择

1.4.3 模型选择

1.4.4 训练

1.4.5 评价

1.4.6 计算复杂度

1.5 学习和适应

1.5.1 有监督学习

1.5.2 无监督学习

1.5.3 强化学习

本章小结

全书各章概要

文献和历史评述

参考文献

第2章贝叶斯决策论


2.1 引言

2.2 贝叶斯决策论——连续特征

2.3 *小误差率分类




2.3.1 极小化极大准则


2.3.2 NeymanPearson准则

2.4 分类器、判别函数及判定面

2.4.1 多类情况

2.4.2 两类情况

2.5 正态密度

2.5.1 单变量密度函数

2.5.2 多元密度函数

2.6 正态分布的判别函数

2.6.1 情况1：
Σi=σ2I


2.6.2 情况2：
Σi=Σ

2.6.3 情况3：Σi＝任意




2.7 误差概率和误差积分


2.8 正态密度的误差上界



2.8.1 Chernoff界

2.8.2 Bhattacharyya界

2.8.3 信号检测理论和操作特性


2.9 贝叶斯决策论——离散特征

2.9.1 独立的二值特征

2.10 丢失特征和噪声特征

2.10.1 丢失特征

2.10.2 噪声特征

2.11 贝叶斯置信网

2.12 复合贝叶斯决策论及
上下文

本章小结

文献和历史评述

习题

上机练习

参考文献

第3章*大似然估计和贝叶斯
参数估计


3.1 引言

3.2 *大似然估计

3.2.1 基本原理

3.2.2 高斯情况：μ未知

3.2.3 高斯情况：μ和Σ均未知

3.2.4 估计的偏差

3.3 贝叶斯估计

3.3.1 类条件密度

3.3.2 参数的分布

3.4 贝叶斯参数估计：高斯情况

3.4.1 单变量情况：p(μ｜
)

3.4.2 单变量情况：p(x｜)



3.4.3 多变量情况

3.5 贝叶斯参数估计：一般理论

3.5.1 *大似然方法和贝叶斯方法何时有

区别


3.5.2 无信息先验和不变性

3.5.3 Gibbs算法

3.6 充分统计量


3.7 维数问题

3.7.1 精度、维数和训练集的大小

3.7.2 计算复杂度

3.7.3 过拟合

3.8 成分分析和判别函数

3.8.1 主成分分析

3.8.2 Fisher线性判别分析

3.8.3 多重判别分析

3.9 期望*大化算法

3.10 隐马尔可夫模型

3.10.1 一阶马尔可夫模型

3.10.2 一阶隐马尔可夫模型

3.10.3 隐马尔可夫模型的计算

3.10.4 估值问题

3.10.5 解码问题

3.10.6 学习问题

本章小结

文献和历史评述

习题

上机练习

参考文献

第4章非参数技术

4.1 引言

4.2 概率密度的估计

4.3 Parzen窗方法

4.3.1 均值的收敛性

4.3.2 方差的收敛性

4.3.3 举例说明

4.3.4 分类的例子

4.3.5 概率神经网络

4.3.6 窗函数的选取

4.4 n近邻估计

4.4.1 n近邻估计和Parzen
窗估计

4.4.2 后验概率的估计

4.5 *近邻规则

4.5.1 *近邻规则的收敛性

4.5.2 *近邻规则的误差率

4.5.3 误差界

4.5.4近邻规则

4.5.5近邻规则的计算复杂度

4.6 距离度量和*近邻分类

4.6.1 度量的性质

4.6.2 切空间距离

4.7 模糊分类

4.8 RCE网络

4.9 级数展开逼近

本章小结

文献和历史评述

习题

上机练习

参考文献
第5章线性判别函数



5.1 引言

5.2 线性判别函数和判定面

5.2.1 两类情况

5.2.2 多类的情况

5.3 广