模式识别导论PDF电子书下载

目录 1

§1.1 模式识别与模式识别的目的 1

第一章 引言 1

§1.2 模式识别的全过程 3

§1.3 模式信息的采集 5

§1.3.1 地面景物图象的获取 5

§1.3.2 图形、文字信息的获取 6

§1.3.3 语音信息的获取 10

§1.4 模式识别前的预处理 12

§1.4.1 遥感图象的预处理 12

§1.4.2 图形、文字的预处理 19

§1.4.3 语音识别的预处理 23

第二章 统计模式识别（一）——几何分类法 26

§2.1 统计分类的基本思想 26

§2.2 模板匹配法及其数学描述 27

§2.2.1 光学模板匹配 27

§2.2.2 电子模板匹配（模拟灰度） 28

§2.2.3 电子模板匹配（数字灰度） 29

§2.2.4 模式匹配的实现 30

§2.3.1 相似性度量 30

§2.3 模式的相似性度量及距离分类法 30

§2.3.2 距离函数 31

§2.3.3 标准样本的距离分类器 33

§2.3.4 分散样本的距离分类器 34

§2.4 几何分类法（线性可分时） 36

§2.4.1 线性判别函数 36

§2.4.2 广义线性判别函数 40

§2.4.3 感知器算法 41

§2.4.4 LMSE算法 46

§2.4.5 线性分类器用于多类问题 49

§2.5 几何分类法（非线性可分时） 51

§2.5.1 势函数的选择 51

§2.5.2 势函数算法的迭代训练 52

第三章 统计模式识别（二）——概率分类法 56

§3.1 统计分类的判别准则 56

§31.1 Bayes法则 56

§3.1.2 Bayes风险 57

§3.1.3 基于Bayes法则的分类器 58

§3.1.4 最小最大决策 60

§3.1.5 Neyman-per son决策 62

§3.1.8 离散情况下的Bayes判决 63

§3.1.7 复合Baye s决策理论 64

§3.2.1 正态密度函数 65

§3.2 正态密度及其判别函数 65

§3.3 密度函数的估计 70

§3.3.1 最大似然估计 71

§3.3.2 Bayes估计 74

§3.4 统计量的充分性 77

§3.4.1 因子化定理 78

§3.4.2 充分统计量与指数族 79

§3.5 非参数方法 80

§3.5.1 概率密度的估计 82

§3.5.2 Parzen窗估计法 83

§3.2.2 正态分布样品的判决函数 86

§3.5.3 近邻估计 88

§3.6.1 特征维数与错误率的关系 93

§3.6 分类错误率问题 93

§3.6.2 协方差矩阵的估计 94

§3.6.3 一个分割平面的能力 95

§3.6.4 平均错误率问题 96

§3.6.5 错误率的估计 98

§3.7 降低特征的维数 99

第四章 聚类分析 106

§4.1 聚类的基础 106

§4.2 基于试探的聚类算法 109

§4.2.1 基于最邻近规则的试探法 109

§4.2.2 最大最小距离算法 109

§4.3 层次聚类算法 110

§4.4 动态聚类法 112

§4.4.1 K均值算法 112

§4.4.2 迭代自组织的数据分析算法 113

§4.5.1 模式类的表示 118

§4.5 概念合取聚类法 118

§4.5.2 最佳分类的评判 119

§4.5.3 算法实现 119

§4.6.1 基本概念 124

§4.6.2 分类法 124

§4.6 最小张树分类法 124

§5.1 综述 126

第五章 模糊模式识别 126

§5.2 模糊子集 127

§5.2.1 模糊子集的定义 127

§5.2.2 隶属函数的确定 128

§5.2.3 模糊子集的运算 136

§5.3 模糊关系 141

§5.3.1 模糊关系的性质及其建立 141

§5.3.2 模糊矩阵的运算 144

§5.3.3 模式分类的隶属原则与择近原则 149

§5.3.4 基于模糊等价关系的模式分类 152

§5.3.5 基于模糊相似关系的分类 154

第六章 结构模式识别 157

§6.1 概述 157

§6.2 结构模式识别系统 158

§6.3 模式基元的选择与抽取 159

§6.3.1 强调边界或骨架的基元选择 161

§6.3.2 强调区域的基元选择 162

§6.3.3 模式基元的抽取 163

§6.4.1 串文法 166

§6.4 模式文法 166

§6.4.2 扩展的串文法 172

§6.4.3 阵列文法 174

§6.4.4 树文法 175

§6.4.5 网文法 177

§6.4.6 图文法 178

§6.5 串的识别与分析 182

§6.5.1 有限自动机 183

§6.5.2 非确定的下推自动机 188

§6.5.3 导出树 192

§6.5.4 CYK算法 193

§6.5.5 Early算法 195

§6.5.6 转移图法 199

第七章 智能模式识别（一）——逻辑推理法 202

§7.1 研究智能模式识别的必要性 202

§7.2 知识表示方法 204

§7.2.1 谓词逻辑表示法 205

§7.2.2 产生式表示法 209

§7.2.3 语义网络表示法 213

§7.2.4 框架表示法 215

§7.2.5 过程表示法 217

§7.3 基于知识的推理 220

§7.2.6 知识表示的发展动向 220

§7.3.1 求解问题的重要手段——推理 221

§7.3.2 问题的变换与分解 223

§7.3.3 基本搜索方法 225

§7.3.4 基于规则的推理 229

§7.3.5 语义网络推理 232

§7.4 知识的获取 234

§7.4.1 人工地获取知识 235

§7.4.2 自动地获取知识 237

§7.5 智能模式识别实例 239

§7.5.1 汉字的知识性表示 239

§7.5.2 获取待识汉字的符号性表述 242

§7.5.3 基于框架结构的推理 247

§7.5.4 规则的添加 248

§7.5.5 小结 249

第八章 智能模式识别（二）——神经网络法 251

§8.1 大脑神经元的构成及其机理 251

§8.2.1 基本模型 254

§8.2 人工神经网络概述 254

§8.2.2 与传统模式分类器的对比 255

§8.3 BP模型及其在模式识别上的应用 267

§8.3.1 BP模型的背景 267

§8.3.2 BP模型的算法及其特点 269

§8.3.3 应用实例 271

§8.4 Hopfield模型及其在模式识别上的应用 273

§8.4.1 Hopfield网络模型及算法 273

§8.4.2 应用 276

§8.5 其它神经网络模型及其在模式识别中的应用 278

§8.5.1 高阶关联神经网络 279

§8.5.2 其它几种神经网络 281

附录A 改进的霍夫曼编码 285

附录B 逻辑运算公式 286

主要参考文献 288