模式识别的模糊数学方法PDF电子书下载

第1篇 概论 1

第1章什么是模式识别 1

§1.1模式识别技术发展简史 1

目 录 1

§1.2模式识别技术的重要应用 2

§1.3模式识别的基本概念 4

参考文献 7

第2章相似测度与模糊集合 8

§2.1距离 8

§2.1.1距离的一般定义 8

§2.1.2常用的几种距离 9

§2.2相似度 9

§2.2.1相似度的定义 10

§2.2.2相似度与距离的关系 11

§2.3.1札德的模糊集合定义 12

§2.3模糊集合的若干概念 12

§2.3.2以模糊测度为基础的模糊集合定义 13

§2.3.3相似度与隶属度 14

§2.3.4条件隶属度 14

§2.4模糊集合的运算 16

§2.4.1札德运算及其他 16

§2.4.2测度运算 17

§2.4.3测度运算的性质 17

§2.5复合事件的模糊测度 21

§2.6模糊关系 22

参考文献 26

第3章模式识别方法论 27

§3.1 引言 27

§3.2 模板匹配 28

§3.3 软匹配 30

§3.4多点匹配 31

§3.5分类方法 32

§3.6 模板设计 33

参考文献 34

第2篇分类方法 35

第4章 集合与分割 35

§4.1特征空间与特征集合 35

§4.2 硬分割 36

§4.3软的二分割 39

§4.4软的c分割 40

§4.5从软分割到硬分割的转化 40

§4.6关于分割的再探讨 41

参考文献 43

§5.1直接模糊分类 44

第5章隶属函数与鉴别函数 44

§5.2最小距离分类 45

§5.2.1单模板情况 45

§5.2.2多模板情况 46

§5.3线性分类 47

§5.3.1线性鉴别函数 47

§5.3.2多维情况 47

§5.4线性鉴别函数的性质 51

§5.4.1模式空间与加权空间 51

§5.4.2超平面的几何性质 53

§5.4.3二分法能力 54

§5.5距离鉴别函数与线性鉴别函数的比较 56

参考文献 56

第6章聚类分析 57

§6.1用模糊关系矩阵聚类 57

§6.1.1普通集合上的聚类 57

§6.1.2模糊集合上的硬聚类 58

§6.1.3模糊关系矩阵的建立 60

§6.1.4直接由模糊相似矩阵聚类 62

§6.1.5软聚类 63

§6.2用目标函数聚类 64

§6.2.1硬聚类 64

§6.2.2软聚类 67

参考文献 69

第7章统计模式识别 70

§7.1贝叶斯决策理论 70

§7.2正态分布情况 71

§7.3模糊事件的概率测度 73

§7.4正态分布情况 74

参考文献 76

§8.1引言 77

第8章句法模式识别 77

§8.2描述模式的各种文法和语言 78

§8.2.1 PDL文法 78

§8.2.2树状文法 79

§8.2.3高维文法 81

§8.2.4属性文法 82

§8.3模糊文法 84

§8.3.1模糊语言 84

§8.3.2模糊文法 84

§8.3.3模糊自动机 85

§8.4形式语言的误差校正剖析 90

§8.4.1两个句子模式之间的距离 90

§8.4.2一个句子与一个语言之间的距离 92

§8.4.3误差校正剖析 92

§8.4.4树状自动机的误差校正 95

参考文献 99

第3篇模板设计 101

第9章隶属函数的确定 101

§9.1推理法 101

§9.1.1三角形的模板 102

§9.1.2相似度隶属函数 102

§9.2模糊统计 103

§9.3正态分布的利用 104

§9.4参数估值 106

参考文献 110

第10章线性鉴别函数的学习 111

§10.1目标函数 111

§10.1.1感知准则 112

§10.1.2费舍尔准则 112

§10.2.1梯度下降法 114

§10.2学习算法 114

§10.1.3最小平方误差准则 114

§10.2.2感知准则函数法 115

§10.2.3松驰法 117

§10.2.4费舍尔算法 117

§10.2.5最小平方误差法 118

§10.2.6何-卡氏（Ho-Kashvap）法 119

§10.3普遍性与收敛性 120

§10.3.1普遍性 120

§10.3.2收敛性 120

参考文献 122

第11章文法推断 123

§11.1一些基本概念 123

§11.2有限状态文法的推断 124

§11.3二维文法推断 126

参考文献 127