第一章 绪论 1
1．1 模式识别的概念 1
1．2 模式识别的方法 2
第二章 贝叶斯分类器 5
2．1 最小错误率贝叶斯决策 5
2．2 最小风险贝叶斯决策 9
2．3 贝叶斯分类器的错误率 12
2．4 聂曼-皮尔逊决策 17
2．5 均值向量和协方差矩阵的估计 21
2．6 概率密度的函数逼近 23
2．7 正态分布模式的贝叶斯分类器 26
第三章 线性分类器 30
3．1 线性判别函数的基本概念 31
3．2 最小距离分类器 33
3．3 感知器准则函数 34
3．4 平方误差准则函数 40
3．5 多类模式的线性分类器 46
3．6 人工神经网络概述 49
4．1 近邻法 55
第四章 非线性分类器 55
4．2 前向多层神经网络 57
4．2．1 引言 57
4．2．2 BP算法 59
4．2．3 影响BP算法若干因素的讨论 65
4．2．4 网络学习的技巧 68
4．3 最优化算法 70
4．3．1 模拟退火算法 70
4．3．2 遗传算法 72
4．4 遗传BP算法 75
4．5 高阶神经网络 76
第五章 聚类分析 80
5．1 模式相似性测度和聚类准则 80
5．2 分级聚类法 82
5．3 c-均值算法 85
5．4 Kohonen聚类网络 88
5．5 ISODATA算法 91
5．6 自适应聚类网络 93
5．7 聚类分析的遗传算法方法 96
第六章 模糊模式识别 98
6．1 模糊数学的基本知识 99
6．1．1 模糊集合 99
6．1．2 模糊关系 102
6．2 模糊识别的直接方法 108
6．3 模糊BP网 110
6．4 基于模糊等价关系的聚类分析 111
6．5 模糊c-均值算法 115
6．6 模糊Kohonen聚类网络 117
第七章 特征选择与提取 119
7．1 类别可分性准则 120
7．1．1 基于距离的可分性准则 121
7．1．2 基于熵函数的可分性准则 122
7．2 特征选择 124
7．3 基于距离可分性准则的特征提取 126
7．4 基于K-L变换的特征提取 129
7．4．1 离散K-L展开式 129
7．4．2 基于K-L变换的数据压缩 131
7．4．3 基于K-L变换的特征提取 134
7．5 基于神经网络的特征提取 136
7．5．1 最大主分量的自适应提取 137
7．5．2 多主分量的自适应提取 139
第八章 图象特征形成 145
8．1 图象分割 146
8．1．1 阈值分割技术 147
8．1．2 区域生长技术 148
8．1．3 区域的分裂与合并技术 149
8．1．4 边缘检测与边界跟踪技术 151
8．2 线特征描述 157
8．2．1 分段折线拟合 157
8．2．2 曲线拟合 158
8．2．3 Hough变换 159
8．2．4 付里叶描绘子 161
8．3 区域特征描述 164
8．3．1 几何特征 164
8．3．2 矩 165
参考文献 168