第一章 绪论 1
1.1模式和模式识别 1
1.2模式识别系统 2
1.2.1原始数据获取 3
1.2.2原始数据的预处理 3
1.2.3特征提取和选择 6
1.2.4分类决策 6
1.3数据矩阵与样本空间 9
1.3.1数据矩阵与样本空间 9
1.3.2模式的相似性度量 11
1.3.3样本点的权重和特征向量数据的预处理 12
1.4主成分分析 15
1.4.1主成分分析的基本思想 16
1.4.2主成分分析算法 17
1.4.3降维处理及信息损失 19
第二章 贝叶斯决策 21
2.1基于最小错误率的贝叶斯决策 21
2.1.1决策规则 21
2.1.2错误率 23
2.1.3分类器设计 25
2.2Neyman-Pearson决策 26
2.3正态分布时的贝叶斯决策 28
2.4分类器的效率和错误率 30
2.4.1分类器的效率、错误率和判选率矩阵 30
2.4.2错误率的上界 32
2.4.3利用检验样本集估计判选率矩阵和错误率 33
2.4.4训练样本集和检验样本集的划分 35
2.4.5利用判选率矩阵估计各类“真实”样本数 37
2.4.6分类器判定的“信号”样本中错判事例的扣除 39
2.5讨论 41
第三章 线性判别方法 43
3.1线性判别函数 43
3.1.1线性判别函数的基本概念 43
3.1.2广义线性判别函数 46
3.1.3线性分类器的设计 48
3.2Fisher线性判别 48
3.3感知准则函数 54
3.3.1几个基本概念 54
3.3.2感知准则函数 56
3.4最小错分样本数准则函数 58
3.5最小平方误差准则函数 60
3.5.1平方误差准则函数及其MSE解 60
3.5.2MSE准则函数的梯度下降算法 62
3.5.3随机MSE准则函数及其随机逼近算法 63
3.6多类问题 65
第四章 决策树判别 68
4.1超长方体分割法 68
4.1.1超长方体分割法的基本思想 68
4.1.2超长方体分割法中阈值的确定 69
4.1.3超长方体分割法的优缺点及其改进 71
4.1.4超长方体分割法用于高能物理实验分析 73
4.2决策树法 79
4.2.1决策树法的基本思想 79
4.2.2信号/本底二元决策树的构建 81
4.2.3决策树的修剪 83
4.3决策树林法 84
4.3.1决策树林的构建 85
4.3.2决策树林对输入事例的分类 86
4.3.3重抽样法构建决策树林 87
第五章 人工神经网络 88
5.1概述 88
5.1.1生物神经元和人工神经元 88
5.1.2人工神经网络的构成和学习规则 90
5.2感知器 93
5.2.1单输出单元感知器 93
5.2.2多输出单元感知器 94
5.3多层前向神经网络和误差逆传播算法 96
5.3.1BP网络学习算法 97
5.3.2BP网络学习算法的改进 100
5.4Hopfield神经网络 103
5.4.1离散Hopfield网络 103
5.4.2连续Hopfield网络 109
5.4.3Hopfield网络在优化计算中的应用 111
5.5随机神经网络 115
5.5.1随机神经网络的基本思想 115
5.5.2模拟退火算法 116
5.5.3Boltzmann机及其工作规则 118
5.5.4Boltzmann机学习规则 120
5.5.5随机神经网络小结 126
5.6神经网络用于粒子鉴别 127
5.6.1用于带电粒子鉴别的特征变量 127
5.6.2带电粒子鉴别的神经网络的架构 130
5.6.3网络的训练和粒子鉴别效果 132
第六章 近邻法 135
6.1最近邻法 135
6.2k近邻法 136
6.3剪辑近邻法 138
6.3.1两分剪辑近邻法 139
6.3.2重复剪辑近邻法 141
6.4可作拒绝决策的近邻法 143
6.4.1具有拒绝决策的k近邻法 143
6.4.2具有拒绝决策的剪辑近邻法 144
第七章 其他非线性判别方法 146
7.1概率密度估计量方法 146
7.1.1基本思想 146
7.1.2总体概率密度的非参数估计 147
7.1.3投影似然比估计 153
7.1.4多维概率密度估计 155
7.1.5近邻体积中样本数的确定 155
7.1.6概率密度估计法与神经网络的性能对比 157
7.2H矩阵判别 161
7.3函数判别分析 162
7.4支持向量机 165
7.4.1最优分类面 165
7.4.2广义最优分类面 168
7.4.3支持向量机 169
第八章 不同判别方法的比较 173
8.1不同判别方法的特点 173
8.2多元统计分析程序包TMVA简介 178
参考文献 186