模式识别原理与应用

第1章 绪论
　1.1 模式识别的基本概念
　1.2 模式识别系统
　1.3 模式识别的基本方法
　习题
　参考文献
第2章 贝叶斯决策理论
　2.1 分类器的描述方法
　　2.1.1 基本假设
　　2.1.2 模式分类器的描述
　2.2 *大后验概率判决准则
　　2.2.1 判决准则
　　2.2.2 错误概率
　2.3 *小风险贝叶斯判决准则
　2.4 NeymanPerson判决准则
　2.5 *小*大风险判决准则
　习题
　参考文献
第3章 概率密度函数估计
　3.1 概率密度函数估计概述
　3.2 参数估计的基本概念与评价准则
　　3.2.1 参数估计的基本概念
　　3.2.2 参数估计的评价准则
　3.3 概率密度函数的参数估计
　　3.3.1 *大似然估计
　　3.3.2 贝叶斯估计
　　3.3.3 贝叶斯学习
　3.4 概率密度函数的非参数估计
　　3.4.1 非参数估计的基本原理
　　3.4.2 Parzen窗法
　　3.4.3 kN步邻法
　习题
　参考文献
第4章 线性判别分析
　4.1 线性判别函数
　　4.1.1 线性判别函数的几何意义
　　4.1.2 广义线性判别函数
　　4.1.3 线性判别函数设计的一般步骤
　4.2 线性分类器
　　4.2.1 基于错误概率的线性分类器
　　4.2.2 Fisher线性判决
　　4.2.3 感知准则函数
　　4.2.4 *小平方误差准则函数
　　4.2.5 决策树
　4.3 分段线性分类器
　　4.3.1 分段线性分类器的定义
　　4.3.2 分段线性距离分类器
　　4.3.3 分段线性分类器设计的一般
　4.4 近邻分类器
　　4.4.1 *近邻法
　　4.4.2 k-近邻法
　习题
　参考文献
第5章 特征提取和选择
第6章 聚类分析
第7章 结构模式识别
第8章 模糊模式识别
第9章 神经网络模式识别
第10章 多分类器融合
第11章 文本分类
第12章 语音识别
第13章 图像识别
第14章 视频识别