模式识别导论PDF电子书下载

第1章　绪论 1

1.1　模式识别的基本概念 1

1.1.1　模式与模式识别 1

1.1.2　模式空间、特征空间与类型空间 2

1.1.3　预处理 4

1.1.4　特征提取／选择 5

1.1.5　分类 6

1.2　模式识别系统 6

1.3　模式识别方法 8

1.4　随机向量及其分布 12

1.4.1　分布函数与参数 12

1.4.2　正态分布与性质 15

1.5　正交函数和正交变换 20

1.5.1　正交函数系 20

11.7.1　正则文法的推断 5 22

1.5.2　正交变换矩阵 24

习题 29

参考文献 30

2.1 引言 33

第2章　模式的采集——二维信号的数字化 33

2.2　图象模式的获取与描述 34

2.3 通过傅里叶变换把二维信号数字化 37

2.4　相关／卷积与卷积定理 42

2.5　采样定理 46

参考文献 50

第3章　判决函数 52

3.1 引言 52

3.2　线性判决函数的一般形式 53

3.3　超平面的某些几何性质 54

3.4　多类问题中的线性判决规则 59

3.5　二分法和二分能力 67

3.6　广义线性判决函数 74

3.7　结束语 83

习题 83

参考文献 85

第4章　随机模式的分类方法 86

4.1 引言 86

4.2　最小错误率判决规则 88

4.3　最小风险判决规则 91

4.4　最大似然比判决规则 95

4.5　拒绝判决 100

4.6　贝叶斯分类方法的判决函数与分类器结构 103

4.7　正态分布中的贝叶斯分类方法 106

4.8　聂曼-皮尔逊判决规则 117

4.9　最小最大判决规则 121

4.10　序贯分类方法 126

4.11　小结 128

习题 129

参考文献 132

5.1 引言 134

第5章　确定性模式分类器的预分类训练试验 134

5.2　感知器算法 137

5.2.1　感知器的概念 137

5.2.2　感知器训练算法 138

5.2.3　收敛性定理 142

5.2.4　感知器训练算法在每类问题中的应用 143

5.3　感知准则函数及其梯度下降法 145

5.4　最小平方误差准则函数与H-K算法 147

5.5　势函数法 154

5.5.1　势函数法的概念 154

5.5.2　势函数法的训练过程及修正规则 156

5.5.3　举例 159

5.6　Fisher线性判别式 164

5.7　评价 169

习题 170

参考文献 171

第6章　随机模式分类器的预分类训练试验 174

6.1 引言 174

6.1.1　参数估计的基本概念 174

6.1.2　非参数估计的基本概念 175

6.2　最大似然估计 177

6.3　贝叶斯估计 181

6.4　贝叶斯学习 189

6.5　充分统计量与核密度 194

6.6　非参数估计的基本方法与限制条件 200

6.7　Parzen窗法 204

6.8　K？-近邻元估计法 211

6.9　正交级数展开逼近法 213

6.10　结束语 219

习题 219

参考文献 221

第7章　错误率 223

7.1 引言 223

7.2　在正态分布中的错误率计算 225

7.3　在各维为独立随机变量时的错误率计算 231

7.4　错误率上界的估计方法 234

7.4.1　Chernoff界限 235

7.4.2　Bhattacharyya系数确定的错误率上界 242

7.5　近邻元分类法及其错误率 245

7.5.1　近邻元分类法的判决规则 245

7.5.2　近邻元分类法的错误率 246

7.6 通过实验方法估计已训练分类器的错误率 255

7.6.1　随机抽取检验样本时的错误率估计 256

7.6.2　选择抽取检验样本时的错误率估计 258

7.7　在训练试验中估计分类器的错误率 260

7.8　利用特征空间分块技术估计分类错误率 268

7.9　小结 271

习题 272

参考文献 273

第8章　无监督训练Ⅰ：分布参数估计 274

8.1 引言 274

8.1.1　假设条件与混合密度 274

8.1.2　可鉴别性问题 275

8.2　最大似然估计 277

8.3　正态分布中的最大似然估计 281

8.4　贝叶斯无监督训练 286

8.5　结束语 291

习题 292

参考文献 293

9.1 引言 294

第9章　无监督训练Ⅱ：聚类分析 294

9.1.1　距离相似性度量 296

9.1.2　角度相似性度量 300

9.2　聚类准则函数 301

9.2.1　误差平方和准则J？ 302

9.2.2　加权平均平方距离和准则J？ 304

9.2.3　类间距离和准则J？ 306

9.2.4　散射矩阵 307

9.2.5　基于样本与核相似性度量的聚类准则函数 310

9.2.6　近邻函数值及其准则函数 310

9.3 两种简单的聚类算法 313

9.3.1 采用最近邻规则的聚类算法 313

9.3.2　最大最小距离聚类算法 314

9.4　动态聚类算法 315

9.4.1　C-均值聚类算法 316

9.4.2　ISODATA聚类算法 321

9.4.3　基于样本与核相似性度量的动态聚类算法 329

9.5　近邻函数值准则聚类算法 333

9.6　分级聚类算法 338

9.7　最小张树聚类算法 348

9.8　评估 351

习题 352

参考文献 354

第10章　特征提取／选择 357

10.1　引言 357

10.2.1　一阶灰值统计量的特征提取 360

10.2　图象的特征提取 360

10.2.2　纹理特征的提取 362

10.2.3　（循环）自相关特征 368

10.2.4　互相关特征 372

10.2.5　矩特征 373

10.2.6　几何特征 376

10.2.7　使用傅里叶系数提取形状特征 380

10.3　模式类别可分性度量 386

10.3.1　类内类间距离准则 387

10.3.2　概率距离准则 390

10.3.3　多类情况下的分类准则 397

10.4　基于类可分性度量的特征提取 398

10.4.1　基于类内类间距离准则的特征提取 399

10.4.2　按JC和JB准则的特征提取 402

10.4.3　按JD准则的特征提取 409

10.5　基于类可分性度量的特征选择 414

10.6　通过熵的最小化提取和选择特征 424

10.7　在最小均方误差准则下的特征提取 434

10.7.1　K-L展开式 434

10.7.2　最小均方误差准则及其特征提取 437

10.7.3　表示熵与各类正交变换应用比较 441

10.7.4　吸收类均值向量信息的特征提取 444

10.8　利用总体熵吸收方差信息的特征提取 448

10.9　小结 453

习题 454

参考文献 457

第11章　句法模式识别 460

11.1 引言 460

11.2　形式语言理论基础 461

11.2.1　集合论中的关系运算 462

11.2.2　形式语言理论中的基本概念 465

11.2.3　文法的分类 470

11.3　高维文法和随机文法 472

11.3.1　树文法 472

11.3.2　网文法·交织文法·形状文法 475

11.3.3　随机文法 482

11.4　句法结构的自动机识别 486

11.4.1　有限自动机 487

11.4.2　下推自动机 490

11.4.3　树自动机 498

11.4.4　随机识别器 498

11.5　句法分析 503

11.5.1　穷举式算法 504

11.5.2　乔姆斯基范式及CYK分析算法 509

11.5.3　格雷巴赫范式及状态转移图分析法 512

11.6　基元的提取 516

11.7　文法推断 520

11.7.2　上下文无关文法的推断 529

11.7.3　树文法的推断 534

11.7.4　随机文法的推断 539

11.8　小结 542

习题 544

参考文献 548

索引 551