模式识别原理与应用PDF电子书下载

第1章 绪论 1

1.1 模式识别的基本概念 1

1.2 模式识别系统 2

1.3 模式识别的基本方法 3

习题 5

参考文献 6

第2章 贝叶斯决策理论 7

2.1 分类器的描述方法 7

2.1.1 基本假设 7

2.1.2 模式分类器的描述 7

2.2 最大后验概率判决准则 9

2.2.1 判决准则 9

2.2.2 错误概率 11

2.3 最小风险贝叶斯判决准则 12

2.4 Neyman-Person判决准则 14

2.5 最小最大风险判决准则 17

习题 19

参考文献 21

第3章 概率密度函数估计 22

3.1 概率密度函数估计概述 22

3.2 参数估计的基本概念与评价准则 22

3.2.1 参数估计的基本概念 22

3.2.2 参数估计的评价准则 23

3.3 概率密度函数的参数估计 28

3.3.1 最大似然估计 28

3.3.2 贝叶斯估计 30

3.3.3 贝叶斯学习 33

3.4 概率密度函数的非参数估计 35

3.4.1 非参数估计的基本原理 35

3.4.2 Parzen窗法 36

3.4.3 kN-近邻法 42

习题 43

参考文献 44

第4章 线性判别分析 45

4.1 线性判别函数 45

4.1.1 线性判别函数的几何意义 45

4.1.2 广义线性判别函数 51

4.1.3 线性判别函数设计的一般步骤 52

4.2 线性分类器 53

4.2.1 基于错误概率的线性分类器设计 53

4.2.2 Fisher线性判决 54

4.2.3 感知准则函数 58

4.2.4 最小平方误差准则函数 60

4.2.5 决策树 61

4.3 分段线性分类器 64

4.3.1 分段线性分类器的定义 65

4.3.2 分段线性距离分类器 65

4.3.3 分段线性分类器设计的一般考虑 67

4.4 近邻分类器 68

4.4.1 最近邻法 69

4.4.2 k-近邻法 69

习题 71

参考文献 71

第5章 特征提取和选择 72

5.1 基本概念 72

5.1.1 特征的特点 72

5.1.2 特征的类别 72

5.1.3 特征的形成 73

5.1.4 特征提取和选择的作用 73

5.2 类的可分性判据 74

5.2.1 基于距离的可分性判据 74

5.2.2 基于概率密度函数的可分性判据 77

5.2.3 基于熵函数的可分性判据 79

5.3 基于可分性判据的特征提取 80

5.3.1 基于距离可分性判据的特征提取方法 80

5.3.2 基于概率密度函数可分性判据的特征提取方法 81

5.3.3 基于熵函数可分性判据的特征提取方法 82

5.4 主分量分析（PCA） 82

5.5 独立分量分析（ICA） 84

5.5.1 ICA概述 84

5.5.2 基于累积量的ICA估计 86

5.5.3 ICA的极大似然估计方法 87

5.6 基于核函数的方法 89

5.6.1 基于核函数方法的基本思想 89

5.6.2 基于核函数的主分量分析 90

5.6.3 基于核函数的独立分量分析 91

5.6.4 基于核函数的Fisher线性判别 92

5.7 特征选择方法 93

5.7.1 最优搜索算法 94

5.7.2 次优搜索算法 95

5.7.3 遗传算法 96

习题 98

参考文献 100

第6章 聚类分析 101

6.1 模式相似性测度与聚类准则 101

6.1.1 模式相似性测度 101

6.1.2 聚类准则 104

6.2 基于试探的聚类算法 105

6.2.1 基于最近邻规则的试探法 105

6.2.2 最大最小距离聚类算法 106

6.3 层次聚类法 107

6.3.1 层次聚类法概述 107

6.3.2 类与类之间的距离 107

6.4 动态聚类法 111

6.4.1 动态聚类法的基本思想 111

6.4.2 K均值算法 111

6.4.3 迭代自组织的数据分析算法 113

6.4.4 基于LBG算法的聚类分析 116

6.5 分解法 116

6.5.1 一分为二法 116

6.5.2 分裂法 117

习题 117

参考文献 118

第7章 结构模式识别 119

7.1 结构模式识别概述 119

7.2 形式语言与自动机 120

7.2.1 短语结构文法 120

7.2.2 正则文法和有限自动机 122

7.2.3 上下文无关文法和下推自动机 125

7.3 高维文法和随机文法 127

7.3.1 树文法和识别器 127

7.3.2 网文法 129

7.3.3 随机文法和识别器 130

7.4 句法分析 132

7.4.1 穷举法 132

7.4.2 Cocke-Younger-Kasami算法 133

7.4.3 Earley剖析算法 135

7.5 文法推断 136

7.5.1 文法推断的概念 136

7.5.2 正则文法的推断 137

7.5.3 上下文无关文法的推断 141

习题 142

参考文献 143

第8章 模糊模式识别 144

8.1 模糊集合 144

8.1.1 模糊子集的概念 144

8.1.2 隶属函数的确定 145

8.1.3 模糊子集的运算 150

8.2 模糊关系 152

8.2.1 模糊关系的定义 152

8.2.2 模糊关系与模糊矩阵的运算 153

8.3 模糊模式识别的基本思想 154

8.3.1 特征的模糊化 154

8.3.2 结果的模糊化 155

8.3.3 硬分类和模糊分类 155

8.3.4 模式分类的最大隶属原则与择近原则 156

8.4 模糊聚类分析 160

8.4.1 模糊等价关系法 160

8.4.2 传递闭包法 161

8.4.3 模糊K均值算法 162

习题 163

参考文献 164

第9章 神经网络模式识别 165

9.1 神经网络的基本要素 165

9.1.1 人工神经元模型 165

9.1.2 神经网络结构 166

9.1.3 神经网络的学习方法 168

9.2 前馈神经网络 169

9.2.1 感知器 169

9.2.2 BP网络 170

9.2.3 径向基函数网络 173

9.3 自组织特征映射神经网络 174

9.3.1 网络结构 175

9.3.2 自组织特征映射算法 175

9.4 支持向量机 176

9.4.1 线性可分情况 176

9.4.2 线性不可分情况 178

9.5 神经网络模式识别 179

9.5.1 神经网络模式识别与统计模式识别 179

9.5.2 神经网络模式识别的基本思想 180

习题 180

参考文献 181

第10章 多分类器融合 182

10.1 多分类器融合的基本原理 182

10.1.1 多分类器融合的必要性 182

10.1.2 多分类器融合的体系结构 182

10.1.3 多分类器融合的分类 184

10.2 多数投票法和BKS方法 186

10.2.1 多数投票法 186

10.2.2 BKS方法 187

10.3 基于Bayes理论的多分类器融合 188

10.3.1 基于Bayes理论的多分类器合成规则 188

10.3.2 基于Bayes理论的多分类器合成方法 192

10.4 基于证据理论的多分类器融合 194

10.4.1 证据理论基础 194

10.4.2 度量层的多分类器融合 197

10.4.3 决策层的多分类器融合 198

10.5 基于神经网络的多分类器融合 202

10.6 基于模糊积分的多分类器融合 203

10.6.1 gλ-模糊测度 203

10.6.2 模糊积分 204

10.6.3 模糊积分在信息融合中的应用 205

10.7 基于决策模板的多分类器融合 206

习题 208

参考文献 208

第11章 文本分类 210

11.1 文本分类技术 210

11.1.1 文本分类流程 210

11.1.2 文本预处理 210

11.1.3 分类器 216

11.2 垃圾邮件识别技术 217

11.2.1 服务器与客户端过滤 218

11.2.2 黑白名单过滤技术 219

11.2.3 规则匹配过滤技术 220

11.2.4 垃圾邮件内容过滤技术 220

11.3 网页分类技术 222

11.3.1 网页分类流程 222

11.3.2 基于向量空间模型的网页噪声净化 224

习题 226

参考文献 226

第12章 语音识别 228

12.1 语音识别的基本原理 228

12.1.1 语音识别系统的结构 228

12.1.2 语音信号的预处理 229

12.1.3 语音识别的特征提取 229

12.1.4 语音识别的模型建立 232

12.1.5 语音识别的判决准则 234

12.2 说话人识别 235

12.2.1 说话人识别的基本原理 235

12.2.2 说话人识别系统举例 236

12.3 语种识别 237

12.3.1 语种识别的基本原理 237

12.3.2 语种识别系统举例 238

12.4 关键词识别 240

12.4.1 关键词识别的基本原理 240

12.4.2 关键词识别系统举例 241

12.5 连续语音识别 241

12.5.1 连续语音识别的基本原理 241

12.5.2 连续语音识别系统举例 243

习题 243

参考文献 244

第13章 图像识别 245

13.1 图像识别的基本原理 245

13.2 人脸识别 246

13.2.1 费歇尔脸方法 247

13.2.2 小波分解 248

13.2.3 基于小波变换与SVM的人脸识别 249

13.3 签名识别 250

13.3.1 签名图像预处理与特征提取 250

13.3.2 基于证据理论融合的签名识别 254

13.4 车牌识别 256

13.4.1 车牌识别系统简介 256

13.4.2 车牌图像定位分割算法 256

习题 258

参考文献 258

第14章 视频识别 260

14.1 视频结构分析 260

14.1.1 视频结构模型 260

14.1.2 非压缩域镜头边界检测方法 261

14.1.3 镜头的表示 267

14.1.4 代表帧的选取方法 267

14.2 主持人识别 270

14.3 标题条识别 275

14.3.1 含有标题条的图像帧检测 275

14.3.2 文字区域识别 277

习题 278

参考文献 278