第一章 绪论 1
1.1 引言 1
1.2 研究模式识别的目的 1
1.3 用不透明和透明映射描述计算机模式识别 5
1.4 任务的焦点 8
1.5 模式识别的任务 10
1.6 模式的表达格式 13
1.7 评述 18
1.8 参考文献 21
第二章 贝叶斯决策理论 24
2.1 引言 24
2.2 一般问题 26
2.3 训练要求的知识 34
2.4 连续分布情况下的系统误差 38
2.5 决策函数的性质和规则 40
2.6 贝叶斯方法的评论 48
2.7 评述 52
2.8 参考文献 54
第三章 模糊特征及判据:模糊集方法 56
3.1 引言 56
3.2 基本概念 57
3.3 模糊集运算:扩展原理 64
3.4 模糊集理论在模式识别中的应用 69
3.5 评述 80
3.6 参考文献 81
第四章 非数特征值模式 83
4.1 引言 83
4.2 ID3方法 85
4.3 Pao-Hu方法 93
4.4 M方法 100
4.5 评述 108
4.6 参考文献 111
第五章 神经网络概述 113
5.1 引言 113
5.2 人工神经网络模型 115
5.3 学习规则 119
5.4 神经网络与其它的信息处理方法 122
5.5 神经网络的应用 128
5.6 评述 130
5.7 参考文献 133
第六章 学习决策函数:广义感知机 136
6.1 引言 136
6.2 线性决策函数 138
6.3 前馈网络的广义δ规则 143
6.4 对前馈网络的复杂性要求 153
6.5 映射观点 156
6.6 评述 161
6.7 参考文献 163
7.1 引言 165
第七章 基于部分线索的识别和回忆:联想存贮 165
7.2 矩阵联想存贮 169
7.3 全息存贮 172
7.4 Walsh联想存贮 177
7.5 网络联想存贮 180
7.6 评述 191
7.7 参考文献 194
第八章 模式识别的自组织网络 197
8.1 引言 197
8.2 MAZNET 199
8.3 发现聚类结构的网络 204
8.4 Kohonen对有序映射的研究 210
8.5 评述 221
8.6 参考文献 222
第九章 函数联接网络:集成神经网络计算环境的基础 224
9.1 引言 224
9.2 非线性联接上的函数变换 226
9.3 函数联接网络的数学基础简介 231
9.4 函数联接网络用于有监督学习 234
9.5 有监督学习和无监督学习的结合 242
9.6 联想存贮和恢复 244
9.7 评述 248
9.8 参考文献 249
10.1 引言 251
第十章 符号和非符号处理的联系:模糊逻辑、模式识别和神经网络的作用 251
10.2 隶属度函数的网络表达 252
10.3 扩展原理的建模 257
10.4 模糊推理 259
10.5 评述 263
10.6 参考文献 263
第十一章 自适应模式识别的应用 264
11.1 引言 264
11.2 对模式内结构的处理 265
11.3 对语言符号的处理 274
11.4 对语言符号模式中的结构处理 278
11.5 具有可变置信度的联想 282
11.6 估计与分类--对精度的要求 284
11.7 输入与输出的时间关系 285
11.8 用自适应模式识别解决困难问题的可能性 286
11.9 评述 290
11.10 参考文献 293
附录A 用于监督学习的广义δ规则网络程序 297
A.1 简介 297
A.2 程序 297
A.3 举例 313
附录B 基于发现聚类结构的无监督学习 317
B.1 简介 317
B.2 程序 317
B.3 举例 324