模式识别PDF电子书下载

1.1　模式与模式识别的概念 1

第1章 绪论 1

1.2　模式识别的研究方法 2

1.2.1　模式识别系统 2

1.2.2　识别方法 3

1.3　模式识别的发展与应用 4

1.4　本书内容的安排 5

第2章　贝叶斯决策理论 6

2.1 贝叶斯决策的基本概念 6

2.2.1　最小错误率的贝叶斯决策 7

2.2 几种常用的决策规则 7

2.2.2　最小风险的贝叶斯决策 11

2.2.3　限定错误率的两类判别决策 14

2.2.4　最大最小决策 16

2.2.5　分类器设计 18

2.3　正态分布时的统计决策 20

2.3.1　单变量正态分布概率密度函数 20

2.3.2　多元正态分布概率密度函数 20

2.3.3　多元正态分布下最小错误率贝叶斯决策 23

2.4 离散情况的贝叶斯决策 26

2.5　概率密度函数估计 28

2.5.1 参数估计 29

2.5.2　非参数估计 36

2.6　分类错误率的计算 43

2.6.1　在一些特殊情况下错误率的理论计算 44

2.6.2　错误率上界的估计 46

2.7　本章小结 50

练习题 51

3.1.1　线性判别函数的基本概念 53

3.1 感知准则函数 53

第3章　线性与非线性判别函数 53

3.1.2　感知器概念及其训练算法 54

3.1.3　感知器准则函数及其梯度法 55

3.2 最小平方误差准则与最小错分样本数准则 56

3.2.1　最小平方误差准则 56

3.2.2　最小错分样本数准则 58

3.3 Fisher线性判别准则 59

3.3.1　线性投影与Fisher准则函数 59

3.3.2　线性求解最佳解向量 60

3.4　分段线性判别函数的基本概念 61

3.3.3　Fisher算法实现步骤 61

3.4.1　基于距离的分段线性判别函数 62

3.4.2　分段线性分类器的设计 63

3.5　二次判别函数 65

3.6　本章小结 66

练习题 67

第4章　近邻法则和集群 68

4.1 最近邻法 68

4.1.1　最近邻法决策规则 68

4.1.2　最近邻法的错误率分析 69

4.2　k近邻法及模糊k近邻分类器 73

4.2.1 k近邻法 73

4.2.2　k近邻法错误率的分析 74

4.2.3　模糊k近邻fkNN（fuzzy k Nearest Neighbor）分类器 77

4.3 关于近邻法则的讨论 77

4.3.1　近邻法分类结果讨论 77

4.3.2　近邻法则的优缺点 79

4.4　改进的近邻法 81

4.4.1　快速搜索近邻法 81

4.4.2　快速近邻算法 82

4.4.3　剪辑近邻法 85

4.4.4　压缩近邻法 86

4.4.5　k近邻法的快速计算 87

4.5　集群 89

4.5.1　样本间相似性的计算 89

4.5.2　集群的准则函数 91

4.5.3　迭代最优化方法 94

4.5.4　等级集群方法 95

4.5.5　基于近邻法则的集群算法 98

练习题 100

4.6　本章小结 100

第5章　数据聚类 102

5.1 数据聚类的三个要点 102

5.2　模式相似性测度及标准化 103

5.2.1　相似性测度 103

5.2.2　标准化问题 104

5.3　聚类的准则函数 105

5.3.1　误差平方和准则 105

5.3.2　散布准则 106

5.3.3　基于模式与类核间距离的准则函数 108

5.4　分级聚类算法 108

5.5　动态聚类法 111

5.5.1　K均值算法 113

5.5.2　ISODATA算法 114

5.5.3　模糊K均值聚类 116

5.5.4　核聚类 117

5.6　聚类有效性分析 119

5.7　本章小结 120

练习题 120

第6章　特征抽取和选择 122

6.1　特征抽取和选择的基本概念 122

6.2.1　基于类间距离的可分离性判据 123

6.2　类别可分离性判据 123

6.2.2　基于类概率密度函数的可分离性判据 126

6.2.3　基于熵函数的可分离性判据 128

6.3　特征抽取方法 129

6.3.1　基于可分离性判据的特征抽取方法 130

6.3.2　基于离散K-L变换的特征抽取方法 131

6.3.3　特征的模糊化与特征模糊评价 133

6.4　特征选择方法 135

6.4.1　经典的优化搜索算法 136

6.4.2　新的优化搜索算法 139

6.5　本章小结 140

练习题 141

第7章 统计学习理论与支持向量机方法 142

7.1 机器学习的基本问题与方法 142

7.1.1　机器学习概述 142

7.1.2　机器学习的基本问题 145

7.1.3　学习系统实例 147

7.1.4　机器学习方法 150

7.1.5　机器学习的应用 155

7.2.1　学习过程的一致性 157

7.2 统计学习理论的核心内容 157

7.2.2　学习过程收敛速度的界 168

7.2.3　结构风险最小化原则 174

7.3　支持向量机 177

7.3.1 支持向量机产生的理论背景 177

7.3.2　线性支持向量机 179

7.3.3　非线性支持向量机 185

7.3.4　SVM算法目前的研究状况 188

7.3.5　支持向量机的应用 189

练习题 191

7.4　本章小结 191

第8章　句法分析及句法结构模式识别方法 193

8.1 形式语言理论概述 193

8.1.1　形式语言概述 193

8.1.2　形式语言在模式识别中发展的几种文法 196

8.2　正规语言的句法分析方法 200

8.2.1　句法分析定义 200

8.2.2　句法分析方法 201

8.2.3　正规语言句法分析 204

8.3.1　算子优先文法 206

8.3　算子优先算法 206

8.3.2　算子优先关系矩阵的构造 207

8.4　CYK算法 209

8.5 Earley算法 212

8.6　随机文法 218

8.6.1　随机文法相关概念 218

8.6.2　随机有限自动机 220

8.6.3　随机文法的应用 223

8.7　属性文法 223

8.7.1　属性文法的概念 224

8.8　本章小结 225

8.7.2　属性文法应用的举例 225

练习题 226

第9章 模式识别技术应用实例 228

9.1 指纹识别系统应用实例 228

9.1.1　指纹识别系统中的模式识别及应用 228

9.1.2　基于指纹特征的考生身份识别系统 231

9.2　IC卡应用实例 236

9.2.1　IC卡技术 236

9.2.2　校园一卡通智能管理系统的设计与实现 236

9.3.1　基于机器学习的入侵检测系统实例 240

9.3　入侵检测系统应用实例 240

9.3.2　基于SVM的入侵检测系统实例 246

9.3.3　基于遗传算法的入侵检测系统 250

9.4 字符识别应用实例 253

9.4.1　几种常用的模式识别方法及其在字符识别方面的比较 253

9.4.2　BP网络及学习过程 253

9.4.3　基于遗传算法和BP网络的文字识别方法 255

9.5　本章小结 258

练习题 258

参考文献 260