第1章 模式识别概述 1
1.1 模式识别的基本概念 1
1.2 模式识别的基本方法 4
1.3 统计模式识别 6
1.3.1 统计模式识别研究的主要问题 6
1.3.2 统计模式识别方法简介 7
1.4 分类分析 10
1.4.1 分类器设计 10
1.4.2 判别函数 12
1.4.3 分类器的选择 15
1.4.4 训练与学习 15
1.5 聚类分析 16
1.5.1 聚类的设计 17
1.5.2 基于试探法的聚类设计 18
1.5.3 基于群体智能优化算法的聚类设计 19
1.6 模式识别的应用 25
本章小结 26
习题1 26
第2章 特征的选择与优化 27
2.1 特征空间优化设计问题 27
2.2 样本特征库初步分析 28
2.3 样品筛选处理 29
2.4 特征筛选处理 29
2.5 特征评估 31
2.6 基于主成分分析的特征提取 33
2.7 特征空间描述与分析 36
2.7.1 特征空间描述 36
2.7.2 特征空间分布分析 41
2.8 手写数字特征提取与分析 44
2.8.1 手写数字特征提取 44
2.8.2 手写数字特征空间分布分析 46
本章小结 50
习题2 50
第3章 模式相似性测度 51
3.1 模式相似性测度的基本概念 51
3.2 距离测度分类法 54
3.2.1 模板匹配法 54
3.2.2 基于PCA的模板匹配法 56
3.2.3 基于类中心的欧式距离法分类 58
3.2.4 马氏距离分类 60
3.2.5 夹角余弦距离分类 62
3.2.6 二值化的夹角余弦距离法分类 63
3.2.7 二值化的Tanimoto测度分类 64
本章小结 66
习题3 66
第4章 基于概率统计的贝叶斯分类器设计 67
4.1 贝叶斯决策的基本概念 67
4.1.1 贝叶斯决策所讨论的问题 67
4.1.2 贝叶斯公式 68
4.2 基于最小错误率的贝叶斯决策 70
4.3 基于最小风险的贝叶斯决策 73
4.4 贝叶斯决策比较 75
4.5 基于二值数据的贝叶斯分类实现 76
4.6 基于最小错误率的贝叶斯分类实现 79
4.7 基于最小风险的贝叶斯分类实现 82
本章小结 85
习题4 86
第5章 判别函数分类器设计 87
5.1 判别函数的基本概念 87
5.2 线性判别函数 88
5.3 线性判别函数的实现 92
5.4 感知器算法 93
5.5 增量校正算法 100
5.6 LMSE验证可分性 106
5.7 LMSE分类算法 112
5.8 Fisher分类 115
5.9 基于核的Fisher分类 118
5.10 势 函数法 125
5.11 支持向量机 130
本章小结 136
习题5 137
第6章 神经网络分类器设计 138
6.1 人工神经网络的基本原理 138
6.1.1 人工神经元 138
6.1.2 人工神经网络模型 141
6.1.3 神经网络的学习过程 144
6.1.4 人工神经网络在模式识别问题上的优势 144
6.2 BP神经网络 145
6.2.1 BP神经网络的基本概念 145
6.2.2 BP神经网络分类器设计 151
6.3 径向基函数神经网络（RBF） 161
6.3.1 径向基函数神经网络的基本概念 161
6.3.2 径向基函数神经网络分类器设计 166
6.4 自组织竞争神经网络 168
6.4.1 自组织竞争神经网络的基本概念 169
6.4.2 自组织竞争神经网络分类器设计 171
6.5 概率神经网络（PNN） 174
6.5.1 概率神经网络的基本概念 174
6.5.2 概率神经网络分类器设计 177
6.6 对向传播神经网络（CPN） 180
6.6.1 对向传播神经网络的基本概念 180
6.6.2 对向传播神经网络分类器设计 182
6.7 反馈型神经网络（Hopfield） 186
6.7.1 Hopfield网络的基本概念 186
6.7.2 Hopfield神经网络分类器设计 189
本章小结 191
习题6 191
第7章 决策树分类器设计 192
7.1 决策树的基本概念 192
7.2 决策树分类器设计 193
本章小结 200
习题7 200
第8章 粗糙集分类器设计 201
8.1 粗糙集理论的基本概念 201
8.2 粗糙集在模式识别中的应用 206
8.3 粗糙集分类器设计 210
本章小结 223
习题8 224
第9章 聚类分析 225
9.1 聚类的设计 225
9.2 基于试探的未知类别聚类算法 229
9.2.1 最临近规则的试探法 229
9.2.2 最大最小距离算法 233
9.3 层次聚类算法 235
9.3.1 最短距离法 236
9.3.2 最长距离法 239
9.3.3 中间距离法 243
9.3.4 重心法 246
9.3.5 类平均距离法 250
9.4 动态聚类算法 254
9.4.1 K均值算法 254
9.4.2 迭代自组织的数据分析算法（ISODATA） 258
9.5 模拟退火聚类算法 263
9.5.1 模拟退火的基本概念 263
9.5.2 基于模拟退火思想的改进K均值聚类算法 266
本章小结 273
习题9 273
第10章 模糊聚类分析 274
10.1 模糊集的基本概念 274
10.2 模糊集运算 276
10.2.1 模糊子集运算 276
10.2.2 模糊集运算性质 278
10.3 模糊关系 278
10.4 模糊集在模式识别中的应用 283
10.5 基于模糊的聚类分析 284
本章小结 298
习题10 298
第11章 禁忌搜索算法聚类分析 299
11.1 禁忌搜索算法的基本原理 299
11.2 禁忌搜索的关键参数和相关操作 301
11.3 基于禁忌搜索算法的聚类分析 304
本章小结 313
习题11 313
第12章 遗传算法聚类分析 314
12.1 遗传算法的基本原理 314
12.2 遗传算法的构成要素 316
12.2.1 染色体的编码 316
12.2.2 适应度函数 317
12.2.3 遗传算子 318
12.3 控制参数的选择 320
12.4 基于遗传算法的聚类分析 321
本章小结 333
习题12 333
第13章 蚁群算法聚类分析 334
13.1 蚁群算法的基本原理 334
13.2 聚类数目已知的蚁群聚类算法 337
13.3 聚类数目未知的蚁群聚类算法 346
本章小结 351
习题13 351
第14章 粒子群算法聚类分析 352
14.1 粒子群算法的基本原理 352
14.2 基于粒子群算法的聚类分析 355
本章小结 360
习题14 361
参考文献 362