模式识别及MATLAB实现学习与实验指导

第 1 章贝叶斯决策1 1.1 知识要点 1 1.2 实验指导 7 1.2.1 基于*小错误率的贝叶斯决策 7 1.2.2 *小风险判决规则 12 1.2.3 *大似然比判决规则 16 1.2.4 Neyman-Pearsen 判决 21 第2 章参数估计 25 2.1 知识要点 25 2.2 实验指导 30 2.2.1 *大似然估计 30 2.2.2 贝叶斯估计 33 2.2.3 Parzen 窗 36 2.2.4 N k 近邻估计法 38 第3 章非参数判别分类法 41 3.1 知识要点 41 3.2 实验指导 44 3.2.1 两分法 44 3.2.2 两分法的设计 47 3.2.3 没有不确定区域的两分法 52 3.2.4 广义线性判别函数的设计与实现 56 3.2.5 感知器算法的设计/实现 58 3.2.6 两类问题Fisher 准则 62 3.2.7 基于距离的分段线性判别函数 68 3.2.8 支持向量机 74 第4 章聚类分析法 80 4.1 知识要点 81 4.2 实验指导 84 4.2.1 距离测度 84 4.2.2 相似测度算法 90 4.2.3 基于匹配测度算法的实现 98 4.2.4 基于类间距离测度方法 103 4.2.5 聚类函数准则 106 4.2.6 基于*近邻规则的聚类算法 108 4.2.7 基于*大*小距离聚类算法的实现 113 4.2.8 基于K-均值聚类算法实验 116 第5 章特征提取与选择 124 5.1 知识要点 124 5.2 实验指导 128 5.2.1 基于距离的可分性判据 128 5.2.2 图像的傅里叶变换二（旋转性质） 130 5.2.3 基于熵函数的可分性判据 134 5.2.4 利用类均值向量提取特征 136 5.2.5 基于类平均向量中判别信息的*优压缩的实现 141 5.2.6 增添特征法 ……