第1章 绪论 1
1.1 基本概念 1
1.2 基本问题 3
1.3 模式识别系统 6
1.4 模式识别方法 7
第2章 贝叶斯分类器 9
2.1 引言 9
2.2 最小错误率贝叶斯决策 9
2.3 最小风险贝叶斯决策 12
2.4 判别函数与决策面 15
2.5 正态分布贝叶斯决策的应用 16
2.6 贝叶斯决策的扩展应用 22
2.7 小结 24
第3章 线性判别函数 25
3.1 引言 25
3.2 Fisher准则 31
3.3 感知准则 36
3.4 最小错分准则 39
3.5 最小平方误差准则 43
3.6 线性判别函数的扩展应用 45
3.7 小结 49
第4章 结构法模式识别 50
4.1 模式基元 50
4.2 结构描述方法 52
4.3 句法分析 54
4.4 结构匹配 60
4.5 小结 63
第5章 特征空间分析 64
5.1 基本概念 64
5.2 特征空间的距离准则 65
5.3 特征空间的统计准则 69
5.4 特征提取 75
5.5 小结 77
第6章 非参数模式识别方法 78
6.1 最近邻法 78
6.2 k近邻法 79
6.3 基本非参数估计方法 80
6.4 Parzen窗估计方法 81
6.5 kN近邻估计方法 84
6.6 小结 84
第7章 聚类分析 86
7.1 引言 86
7.2 距离和相似系数 87
7.3 层次聚类法 90
7.4 有序样本聚类法 97
7.5 小结 102
第8章 K-L变换与应用 103
8.1 K-L变换 103
8.2 K-L展开式的性质与评价 107
8.3 K-L变换的应用 111
8.4 主分量分析法 117
8.5 小结 123
第9章 人工神经网络 124
9.1 引言 124
9.2 神经元 125
9.3 单层感知器 130
9.4 线性网络 133
9.5 BP网络 137
9.6 径向基函数网络 143
9.7 Hopfield网络与联想记忆 145
9.8 小结 148
第10章 统计学习理论与支撑向量机 149
10.1 引言 149
10.2 机器学习问题基础 149
10.3 统计学习理论 152
10.4 支撑向量机 155
10.5 多类分类问题 168
10.6 支撑向量机的应用 169
10.7 小结 170
附录 模式识别实验 171
实验1 贝叶斯分类器 171
实验2 Fisher准则实验 178
实验3 线性分类器设计 185
实验4 BP神经网络分类器 192
实验5 Hopfield神经网络分类器 197
实验6 支撑向量机（SVM）分类器 201
实验7 DCT变换及其应用 206
实验8 基本PCA法分析 208
实验9 k近邻法分类器设计 210
实验10 层次聚类分析 214
实验11 Parzen窗法分析 216
参考文献 219