第1章 引言 1
1.1 模式与模式识别的概念 1
1.2 模式识别的研究方法 9
1.3 模式识别的应用 12
第2章 统计模式识别中的概率方法 30
2.1 贝叶斯决策的基本概念 30
2.2 基于最小错误率的贝叶斯决策 32
2.3 基于最小风险的贝叶斯决策 36
2.4 正态分布模型的统计决策 40
2.5 贝叶斯分类器的错误率 44
2.6 聂曼-皮尔逊决策 52
2.7 概率密度函数的参数估计 54
2.8 概率密度函数的非参数估计 61
第3章 统计模式识别中的聚类方法 74
3.1 聚类分析的概念 74
3.2 模式相似性测度与聚类准则 77
3.3 基于距离阈值的聚类法 85
3.4 层次聚类算法 87
3.5 动态聚类算法 94
第4章 结构模式识别中的句法方法 101
4.1 形式语言基础 101
4.2 文法推断 110
4.3 句法分析 118
4.4 句法结构的自动机识别 127
第5章 特征提取与特征选择 142
5.1 特征提取与特征选择的基本概念 142
5.2 类别可分性判据 143
5.3 基于类别可分性判据的特征提取 150
5.4 基于K-L变换的特征提取 153
5.5 特征提取方法 160
5.6 特征选择方法 172
第6章 模糊模式识别方法 179
6.1 模糊集 179
6.2 模糊关系 194
6.3 模糊模式识别的基本方法 202
6.4 模糊聚类分析 205
第7章 神经网络模式识别方法 213
7.1 人工神经网络的基本原理 213
7.2 BP神经网络 220
7.3 径向基函数神经网络 227
7.4 Hopfield神经网络 232
7.5 自组织特征映射神经网络 242
第8章 统计学习理论与支持向量机方法 247
8.1 机器学习的基本问题与方法 247
8.2 统计学习理论 257
8.3 支持向量机 272
参考文献 293