模式识别PDF电子书下载

第1章 绪论 1

1.1 模式和模式识别的概念 1

1.2 模式识别的研究方法 1

1.2.1 识别方法 1

1.2.2 模式识别系统的组成 2

1.3 模式识别的应用 3

参考文献 5

第2章 贝叶斯决策理论 6

2.1 基于最小错误率的贝叶斯判别法 6

2.2 基于贝叶斯公式的几种判别规则 10

2.2.1 基于最小风险的贝叶斯决策 10

2.2.2 最小最大决策 13

2.3 正态分布模式的统计决策 15

2.3.1 正态分布概率密度函数的定义及性质 15

2.3.2 多元正态概率模型的贝叶斯判别函数 20

2.4 概率密度函数的估计 24

2.4.1 最大似然估计 25

2.4.2 贝叶斯估计 28

2.5 离散情况的贝叶斯决策 31

2.6 贝叶斯分类器的错误率 33

习题2 37

参考文献 37

第3章 线性判别函数 39

3.1 线性判别函数 39

3.2 广义线性判别函数 42

3.3 感知器算法 44

3.3.1 基于赏罚概念的感知器训练算法 44

3.3.2 梯度下降法 46

3.4 最小平方误差准则函数 47

3.5 多类问题 50

3.5.1 多类问题的基本概念 50

3 5 2 决策树简介 51

3.6 Fisher线性判别函数 54

习题3 56

参考文献 57

第4章 模式特征提取与选择 58

4.1 离散K-L变换 58

4.1.1 离散K-L展开式 59

4.1.2 基于K-L变换的数据压缩 60

4.1.3 基于K-L变换的特征提取 62

4.2 离散傅里叶变换 64

4.2.1 一维离散傅里叶变换 64

4.2.2 二维离散傅里叶变换 65

4.3 离散余弦和正弦变换 67

4.3.1 余弦变换 67

4.3.2 正弦变换 69

4.4 Hadamaard变换 70

4.5 Haar变换 72

4.6 小波变换 73

4.6.1 连续小波变换 73

4.6.2 离散小波变换 75

4.6.3 多分辨率分析 75

4.6.4 正交小波包 78

习题4 79

参考文献 80

第5章 聚类分析 81

5.1 相似性测度和聚类准则 82

5.1.1 相似性测度 82

5.1.2 聚类准则 83

5.2 聚类算法 86

5.2.1 聚类算法的分类 86

5.2.2 层次聚类算法 87

5.2.3 K均值算法 90

5.2.4 核聚类 93

5.2.5 ISODATA算法 95

5.3 聚类有效性 99

习题5 101

参考文献 102

第6章 人工神经网络 103

6.1 人工神经网络的构成 103

6.1.1 神经元的结构模型 103

6.1.2 人工神经网络的连接方式 105

6.1.3 神经网络模型分类 107

6.1.4 神经网络学习规则 108

6.2 多层前馈网络学习算法 109

6.2.1 前馈网络模型 109

6.2.2 感知器分类学习算法 113

6.2.3 BP网络分类学习算法 115

6.3 联想记忆网络学习算法 118

6.3.1 反馈网络模型 119

6.3.2 联想记忆分类学习算法 124

6.4 海明网络分类学习算法 127

6.4.1 海明神经网络结构 127

6.4.2 海明网络分类学习算法 128

6.5 特征映射网络分类学习算法 130

6.5.1 特征映射网络结构 130

6.5.2 特征映射分类学习算法 131

6.6 前馈网络分类机理 133

6.6.1 前馈网络分类的几何机理 133

6.6.2 前馈网络分类的代数机理 137

6.7 径向基函数网络 139

6.7.1 径向基函数 139

6.7.2 径向基函数网络的特点 140

6.7.3 径向基函数网络的正则化 142

习题6 145

参考文献 146

第7章 支持向量机 149

7.1 最优分类超平面 149

7.2 支持向量机的理论基础 153

7.2.1 支持向量机的三种分类形式 153

7.2.2 统计学习理论 160

7.2.3 优化理论 166

7.3 常用的几种支持向量机 168

7.3.1 C-支持向量分类机 168

7.3.2 C-支持向量机的变形 174

7.3.3 广义支持向量机 175

7.3.4 v-支持向量机 176

7.4 支持向量回归机 178

7.4.1 回归问题 178

7.4.2 线性回归 179

7.4.3 非线性回归 182

7.4.4 ε-支持向量回归机 184

7.4.5 v-支持向量回归机 185

习题7 187

参考文献 187

第8章 核函数方法及应用 189

8.1 核函数的可分性条件 190

8.1.1 输入空间中样本点线性可分的判别条件 190

8.1.2 特征空间中样本点线性可分的判别条件 191

8.2 核函数的参数确定 195

8.3 核函数的构造方法 196

8.3.1 基于特征变换的核函数构造 196

8.3.2 利用Mercer核函数的性质组合核函数 197

8.3.3 借助其他领域知识构造核函数 198

8.4 几种核方法 198

8.4.1 KPCA的基本思想 198

8.4.2 基于类内散布的最优kernel PCA展开方法 201

8.4.3 融合先验类别信息的非线性主元分析算法 202

8.4.4 PKPCA与KPCA和KFD的关系 205

习题8 205

参考文献 206

第9章 模糊模式识别 207

9.1 模糊数学的基本理论 207

9.1.1 模糊集合 207

9.1.2 模糊关系 210

9.1.3 模糊集合的度量 213

9.2 模糊模式识别的基本方法 217

9.2.1 最大隶属原则 217

9.2.2 择近原则 218

9.3 模糊聚类分析方法 220

9.3.1 基于模糊等价矩阵的聚类分析 220

9.3.2 模糊C均值聚类算法 224

9.3.3 模糊聚类的有效性 228

习题9 232

参考文献 233

第10章 模式识别应用 235

10.1 车牌识别 235

10.1.1 车牌图像预处理 235

10.1.2 车牌定位 239

10.1.3 字符分割 246

10.1.4 字符识别 247

10.2 语音识别 252

10.2.1 语音识别研究的发展与现状 252

10.2.2 语音识别方法简介 254

10.2.3 DHMM语音识别系统 256

参考文献 280

附录A 鸢尾属植物样本数据（Iris Data） 283

附录B 习题解答 285

习题2 285

习题3 288

习题4 289

习题5 292

习题6 298

习题7 299

习题8 302

习题9 303