第一章 绪论 1
1.1模式识别和模式的概念 1
1.2模式识别系统 2
1.3关于模式识别方法的一些问题 3
1.4关于本书的内容安排 6
第二章 贝叶斯决策理论 8
2.1引言 8
2.2几种常用的决策规则 8
2.2.1基于最小错误率的贝叶斯决策 8
2.2.2基于最小风险的贝叶斯决策 12
2.2.3在限定一类错误率条件下使另一类错误率为最小的两类别决策 15
2.2.4最小最大决策 16
2.2.5序贯分类方法 18
2.2.6分类器设计 19
2.3正态分布时的统计决策 23
2.3.1正态分布概率密度函数的定义及性质 23
2.3.2多元正态概型下的最小错误率贝叶斯判别函数和决策面 29
2.4关于分类器的错误率问题 34
2.4.1在一些特殊情况下错误率的理论计算 34
2.4.2错误率的上界 37
习题 41
第三章 概率密度函数的估计 44
3.1引言 44
3.2参数估计的基本概念 45
3.2.1最大似然估计 45
3.2.2贝叶斯估计和贝叶斯学习 48
3.3正态分布的监督参数估计 52
3.3.1最大似然估计示例 52
3.3.2贝叶斯估计和贝叶斯学习示例 53
3.4非监督参数估计 57
3.4.1非监督最大似然估计中的几个问题 57
3.4.2正态分布情况下的非监督参数估计 60
3.5总体分布的非参数估计 63
3.5.1基本方法 63
3.5.2Parzen窗法 66
3.5.3KN-近邻估计 70
3.6关于分类器错误率的估计问题 71
3.6.1关于已设计好分类器时错误率的估计问题 71
3.6.2关于未设计好分类器时错误率的估计问题 74
习题 79
第四章 线性判别函数 81
4.1引言 81
4.1.1线性判别函数的基本概念 81
4.1.2广义线性判别函数 83
4.1.3设计线性分类器的主要步骤 85
4.2Fisher线性判别 85
4.3感知准则函数 89
4.3.1几个基本概念 89
4.3.2感知准则函数及其梯度下降算法 91
4.4最小错分样本数准则 93
4.4.1解线性不等式组的共轭梯度法 93
4.4.2解线性不等式组的搜索法 96
4.5最小平方误差准则函数 99
4.5.1平方误差准则函数及其伪逆解 99
4.5.2MSE准则函数的梯度下降算法 102
4.5.3随机MSE准则函数及其随机逼近算法 102
4.6随机最小错误率线性判别准则函数 104
4.6.1随机最小错误率线性判别准则函数 104
4.6.2关于Jer（a）准则的随机逼近算法 107
4.6.3设计考虑和应用实例 109
4.7多类问题 110
4.7.1多类问题的基本概念 110
4.7.2决策树简介 111
习题 115
第五章 非线性判别函数 118
5.1分段线性判别函数的基本概念 118
5.1.1基于距离的分段线性判别函数 118
5.1.2分段线性判别函数 120
5.1.3分段线性分类器设计的一般考虑 120
5.2用凹函数的并表示分段线性判别函数 123
5.2.1分段线性判别函数的表示 123
5.2.2算法步骤 124
5.3用交遇区的样本设计分段线性分类器 127
5.3.1算法基本思想 127
5.3.2紧互对原型对与交遇区 127
5.3.3局部训练法 128
5.3.4决策规则 129
5.4二次判别函数 131
习题 132
第六章 近邻法 133
6.1最近邻法 133
6.1.1最近邻决策规则 133
6.1.2最近邻法的错误率分析 133
6.2K-近邻法 137
6.3关于减少近邻法计算量和存储量的考虑 140
6.3.1近邻法的快速算法 140
6.3.2剪辑近邻法 143
6.3.3压缩近邻法 151
6.4可做拒绝决策的近邻法 152
6.4.1具有拒绝决策的K-近邻法 152
6.4.2具有拒绝决策的剪辑近邻法 153
6.5最佳距离度量近邻法 154
习题 158
第七章 经验风险最小化和有序风险最小化方法 159
7.1平均风险最小化和经验风险最小化 159
7.2有限事件类情况 160
7.3线性分界权向量数的估计 161
7.4事件出现频率一致收敛于其概率的条件 162
7.5生长函数的性质 163
7.6经验最优判决规则偏差的估计 164
7.7经验最优判决规则偏差估计的改进 165
7.8有序风险最小化方法 166
7.8.1判决规则选择准则 167
7.8.2几种判决规则类的排序方法 168
习题 172
第八章 特征的选择与提取 173
8.1基本概念 173
8.1.1问题的提出 173
8.1.2一些基本概念 173
8.2类别可分离性判据 175
8.2.1基于距离的可分性判据——类内类间距离 175
8.2.2基于概率分布的可分性判据 177
8.2.3基于熵函数的可分性判据 180
8.3特征提取 181
8.3.1按欧氏距离度量的特征提取方法 182
8.3.2按概率距离判据的特征提取方法 185
8.3.3用散度准则函数的特征提取器 188
8.3.4多类情况 190
8.3.5基于判别熵最小化的特征提取 191
8.3.6两维显示 193
8.4特征选择 195
8.4.1最优搜索算法 196
8.4.2次优搜索法 199
8.4.3可分性判据的递推计算 201
习题 201
第九章 基于Karhunen-Loeve展开式的特征提取 203
9.1傅里叶级数展开式 203
9.2Karhunen-Loeve展开式 204
9.3K-L展开式的性质 206
9.3.1展开系数 206
9.3.2表示熵 207
9.3.3总体熵 208
9.4K-L坐标系的产生矩阵 209
9.5从类平均向量中提取判别信息 209
9.6包含在类平均向量中判别信息的最优压缩 211
9.7包含在类中心化特征向量中判别信息的提取 212
9.8用于非监督模式识别问题中的特征提取 214
习题 215
第十章 非监督学习方法 216
10.1引言 216
10.2单峰子集（类）的分离方法 216
10.2.1投影方法 216
10.2.2基于对称集性质的单峰子集分离法 218
10.2.3单峰子集分离的迭代算法 219
10.3类别分离的间接方法 220
10.3.1动态聚类方法 221
10.3.2近邻函数准则算法 227
10.4分级聚类方法 230
10.5非监督学习方法中的一些问题 233
习题 234
第十一章 一维数字信号的识别 236
11.1引言 236
11.2数字滤波器 236
11.3谱分析 238
11.3.1自相关函数估计 238
11.3.2周期图 239
11.3.3时间序列模型和谱估计 240
11.4短时傅里叶分析 242
11.5一维信号模式识别的几个例子 244
11.5.1统计模式识别在地震波解释中的应用 244
11.5.2利用声发射信号监测金属材料缺陷 246
11.5.3核反应堆运行情况的监控应用 247
第十二章 二维图象的特征提取和识别 248
12.1引言 248
12.1.1二维图象模式 248
12.1.2图象模式识别的目的 248
12.2数字化图象的获取 248
12.3区域的灰度与纹理特性的度量 250
12.3.1一阶灰度统计量的分析 250
12.3.2局部特性统计量的分析 252
12.3.3联合灰度统计量分析 253
12.3.4灰度游程长度统计量分析 257
12.3.5功率谱的分析 258
12.4图象分割 260
12.4.1阈值分割技术 260
12.4.2聚类分割技术 261
12.4.3区域生长技术 262
12.4.4区域的分裂与合并技术 263
12.5边缘检测 265
12.5.1边缘元素的检测 266
12.5.2边界（轮廓）的跟踪 268
12.5.3区域边界的链码表示 270
12.6区域形状特性的度量 271
12.6.1几何特征 271
12.6.2矩 272
12.6.3傅里叶描绘子 274
12.7二维图象模式识别的应用实例 279
12.7.1卫星遥感图象的识别 279
12.7.2显微细胞图象的识别 282
参考书目 284
附录A 几种最优化算法 285
A.1梯度（下降）法 285
A.2牛顿法 287
A.3共轭梯度法 288
A.4Lagrange乘子法 289
A.5随机逼近法 291