模式识别PDF电子书下载

第1章 引论 1

1.1 概述 1

1.1.1 模式识别的概念 1

1.1.2　模式识别系统 2

1.1.3 模式识别的基本方法 4

1.2 特征矢量和特征空间 6

1.3 随机矢量的描述 7

1.4 正态分布 12

1.4.1 正态分布的定义 12

1.4.2 多元正态分布的性质 14

第2章 聚类分析及最近邻方法 19

2.1 聚类分析的概念 19

2.1.1 聚类分析的基本思想 19

2.1.2 特征量 20

2.1.3 方法的有效性 20

2.2 模式相似性测度 22

2.2.1 距离测度（差值测度） 23

2.2.2 相似测度 26

2.2.3 匹配测度 28

2.3 类间距离 30

2.3.1 类间距离测度方法 30

2.4 准则函数 32

2.4.1 点与集合间的距离 32

2.4.2 聚类的准则函数 35

2.5 聚类的算法 39

2.5.1 聚类的技术方案 39

2.5.2 基于相似性阈值的简单聚类方法 39

2.5.3 谱系聚类法 42

2.5.4 动态聚类法（Dynamic clustering algoithm） 46

2.5.5 近邻函数法 55

2.6 最近邻方法 58

2.6.1 最近邻法 59

2.6.2 剪辑最近邻法 59

2.6.3 引入拒绝类别决策的最近邻法 62

习题 63

算法编程 66

第3章 判别域代数界面方程法 69

3.1 判别域界面方程分类的概念 69

3.2 线性判別函数 70

3.2.1 两类问题 71

3.2.2 多类问题 71

3.3 判别函数值的鉴別意义、权空间及解空间 77

3.3.1 判别函数值的大小、正负的数学意义 77

3.3.2 权空间、解矢量与解空间 79

3.4 Fishe线性判别 81

3.5 线性可分条件下判别函数权矢量算法 86

3.5.1 感知器算法 86

3.5.2 一次准则函数及梯度下降法 89

3.5.3 感知器训练算法在多类问题中的应用 92

3.6 一般情况下的判别函数权矢量算法 94

3.6.1 分段二次准则函数及共轭梯度法 95

3.6.2 最小平方误差准则及W-H算法 97

3.6.3 H-K（Ho-Kashyap）算法 99

3.7 广义线性判别函数 102

3.8 二次判别函数 105

3.9 位势函数分类法 106

3.9.1 位势函数的概念 106

3.9.2 由位势函数产生判别函数的训练算法及分类规则 108

3.10 支持矢量机简介 111

习题 115

算法编程 116

第4章 统计判决 118

4.1 最小误判概率准则判决 119

4.1.1 最小误判概率准则判决的一般形式 119

4.1.2 正态模式最小误判概率判决规则的具体形式 125

4.1.3 正态模式分类的误判概率 130

4.2 最小损失准则判决 134

4.2.1 损失概念、损失函数与平均损失 134

4.2.2 最小损失准则判决 136

4.3 最小最大损失准则 140

4.4 N-P（Neyman-Pearson）判决 144

4.5 序贯判决（SPRD） 149

4.5.1 控制误判概率的序贯判决 150

4.5.2 计入提取特征代价的最小损失准则下的序贯判决 154

习题 155

算法编程 161

第5章 统计决策中的经典学习方法 164

5.1 统计推断概述 164

5.2 参数估计 166

5.2.1 均值矢量和协方差阵的矩法估计 166

5.2.2 最大似然估计（MLE） 169

5.2.3 贝叶斯估计（BE） 171

5.2.4 最大似然估计和贝叶斯估计的性能比较 173

5.3 贝叶斯学习 174

5.4 概密的窗函数估计法 178

5.4.1 概密的基本估计式 178

5.4.2 Parzen窗法 180

5.4.3 kN—近邻估计法 181

5.4.4 后验概率的估计 182

5.5 有限项正交函数级数逼近法 183

5.5.1 最小积分平方差逼近方法 183

5.5.2 最小均方差逼近方法 186

5.6 用位势函数法逼近贝叶斯判决函数 187

5.7 错误率估计 189

5.7.1 分类器错误率的实验估算基本原理 189

5.7.2 样本抽取方式对误判概率估计的影响 190

5.7.3 训练与测试样本集的大小对错误率的影响 191

5.7.4 训练样本使用技术及错误率的测试方法 192

习题 193

算法编程 197

第6章 特征提取与选择 201

6.1 概述 201

6.2 类别可分性判据 202

6.2.1 基于几何距离的可分性判据 203

6.2.2 基于类的概率密度函数的可分性判据 207

6.2.3 基于后验概率的可分性判据 209

6.3 基于可分性判据进行变换的特征提取 211

6.3.1 基于离差阵的特征提取 211

6.3.2 多类情况 213

6.3.3 基于熵概念的某些特征提取与选择方法 214

6.4 最佳鉴别矢量的提取 214

6.4.1 Fisher鉴别矢量及鉴别平面 215

6.4.2 最佳鉴别矢量集 217

6.5 离散K-L变换及其在特征提取与选择中的应用 218

6.5.1 离散K-L变换（DKLT） 219

6.5.2 离散K-L变换在特征提取与选择中的应用 223

6.6 特征选择中的直接挑选法 230

6.6.1 次优搜索法 230

6.6.2 最优搜索法 233

习题 235

第7章 其他模式识别方法 238

7.1 模糊模式识别 238

7.1.1 模糊数学基础知识 238

7.1.2 模糊模式识别的基本方法 244

7.2 神经网络在模式识别中的应用 246

7.2.1 人工神经网络的基本知识 246

7.2.2 常见的神经网络模型 250

7.3 句法模式识别 253

7.3.1 句法模式识别概述 253

7.3.2 形式语言介绍 254

7.3.3 句法模式识别的基本内容 259

7.4 信息融合 260

7.4.1 信息融合概述 260

7.4.2 融合技术层次性及融合系统功能模块和结构 261

7.5 树分类器 268

7.5.1 树分类器原理及设计原则 269

7.5.2 树分类器关键技术 270

7.5.3 决策树生成算法 271

习题 276

参考文献 278