绪论 1
0.1 模式识别的基本概念 1
0.2 模式识别要解决的基本问题和方法 2
0.3 自动模式识别的应用 8
第一章 判别函数 16
1.1 判别面和判别函数 16
1.2 线性判别函数 18
1.3 广义判别函数 23
1.4 线性判别函数的几何性质 27
1.5 多变量函数 33
1.6 判别函数的实现 38
2.1 聚类分析的概念 40
第二章 聚类分析 40
2.2 分类数目未知的聚类算法 46
2.3 分类数目已知的聚类算法 49
2.4 图形理论方法 64
2.5 聚类结果的评价 71
第三章 用似然函数的模式分类 73
3.1 作为统计判别问题的模式分类 73
3.2 正态分布模式贝叶斯分类器 80
3.3 错误分类概率 87
3.4 概率密度函数的估计 92
第四章 训练模式分类器 106
4.1 感知器算法(The Perceptron Approach) 107
4.2 模式分类算法的推导 114
4.3 势函数法 135
第五章 模式预处理和特征选择 148
5.1 基本概念 148
5.2 多变量正态数据集模式分类用的最佳特征数 149
5.3 聚类变换和特征选择 151
5.4 均方距离与似然比的关系 156
5.5 通过熵最小化进行特征选择 160
5.6 用正交展开进行特征选择 164
5.7 散布矩阵及散度用于特征选择 171
第六章 句法模式识别 180
6.1 形式语言理论概述 180
6.2 句法模式识别中模式的表示方法 192
6.3 识别过程中的句法分析 197
6.4 学习和文法推断 214
6.5 句法模式识别的随机语言 223
第七章 光学模式识别 229
7.1 富氏变换透镜和频谱分析仪 230
7.2 匹配滤波器 232
7.3 合成分辨函数法(SDF) 237
第八章 人工神经网络计算法 254
8.1 生物神经网络 257
8.2 神经网络行为的数学描述 264
8.3 Hopfield模型和波兹曼机 274
8.4 联想存储器 287
8.5 误差逆向传播法 295
REFERENCES 304