第1章 贝叶斯决策 1
1.1 知识要点 1
1.2 实验指导 7
1.2.1 基于最小错误率的贝叶斯决策 7
1.2.2 最小风险判决规则 12
1.2.3 最大似然比判决规则 16
1.2.4 Neyman-Pearsen判决 21
第2章 参数估计 25
2.1 知识要点 25
2.2 实验指导 30
2.2.1 最大似然估计 30
2.2.2 贝叶斯估计 33
2.2.3 Parzen窗 36
2.2.4 kN近邻估计法 38
第3章 非参数判别分类法 41
3.1 知识要点 41
3.2 实验指导 44
3.2.1 两分法 44
3.2.2 两分法的设计 47
3.2.3 没有不确定区域的两分法 52
3.2.4 广义线性判别函数的设计与实现 56
3.2.5 感知器算法的设计与实现 58
3.2.6 两类问题Fisher准则 62
3.2.7 基于距离的分段线性判别函数 68
3.2.8 支持向量机 74
第4章 聚类分析法 80
4.1 知识要点 81
4.2 实验指导 84
4.2.1 距离测度 84
4.2.2 相似测度算法 90
4.2.3 基于匹配测度算法的实现 97
4.2.4 基于类间距离测度方法 103
4.2.5 聚类函数准则 106
4.2.6 基于最近邻规则的聚类算法 108
4.2.7 基于最大最小距离聚类算法的实现 113
4.2.8 基于C-均值聚类算法实验 116
第5章 特征提取与选择 124
5.1 知识要点 124
5.2 实验指导 128
5.2.1 基于距离的可分性判据 128
5.2.2 基于概率距离判据的特征提取方法 130
5.2.3 基于熵函数的可分性判据 134
5.2.4 利用类均值向量提取特征 136
5.2.5 基于类平均向量中判别信息的最优压缩的实现 141
5.2.6 增添特征法 144
5.2.7 剔减特征法 148
5.2.8 增l减r（算法）的设计／实现 151
5.2.9 分支定界法（BAB算法） 156
第6章 模糊模式识别 161
6.1 知识要点 161
6.2 实验指导 163
6.2.1 最大隶属度识别法 163
6.2.2 择近原则识别法 167
6.2.3 基于模糊等价关系的聚类算法研究 170
第7章 神经网络在模式识别中的应用 179
7.1 知识要点 179
7.2 实验指导 181
7.2.1 前馈神经网络感知器的设计实现 181
7.2.2 基于BP网络的多层感知器 184
7.2.3 自组织特征映射网络的设计／实现 189
7.2.4 径向基神经网络 194
参考文献 198