目录 1
符号 1
第1章 统计模式识别概论 3
1.1 统计模式识别 3
1.2 解决模式识别问题的步骤 4
1.3 问题讨论 5
1.4 有监督分类和无监督分类 6
1.5 研究统计模式识别问题的方法 6
1.6 多重回归 21
1.7 本书梗概 23
1.8 参考文献 24
1.9 习题 25
2.1 引言 27
第2章 密度估计——参数法 27
2.2 基于正态分布的模型 28
2.3 正态混合模型 33
2.4 贝叶斯估计 40
2.5 应用研究 60
2.6 总结 61
2.7 建议 62
2.8 参考文献 62
2.9 习题 62
第3章 密度估计——非参数法 65
3.1 引言 65
3.2 直方图法 66
3.3 k近邻法 74
3.4 用基函数展开 82
3.5 核函数方法 84
3.6 应用研究 92
3.7 总结 93
3.8 建议 94
3.9 参考文献 94
3.10 习题 94
第4章 线性判别分析 97
4.1 引言 97
4.2 两类问题算法 97
4.3 多类算法 114
4.4 逻辑斯谛判别 125
4.5 应用研究 129
4.6 总结 130
4.7 建议 130
4.9 习题 131
4.8 参考文献 131
第5章 非线性判别分析——核函数法 134
5.1 引言 134
5.2 优化准则 135
5.3 径向基函数 140
5.4 非线性支持向量机 150
5.5 应用研究 156
5.6 总结 157
5.7 建议 157
5.8 参考文献 158
5.9 习题 158
第6章 非线性判别分析——投影法 161
6.1 引言 161
6.2 多层感知器 161
6.3 投影寻踪 171
6.4 应用研究 174
6.6 建议 175
6.5 总结 175
6.7 参考文献 176
6.8 习题 176
第7章 基于树的方法 178
7.1 引言 178
7.2 分类树 178
7.3 多元自适应回归样条 191
7.4 应用研究 194
7.5 总结 195
7.6 建议 195
7.7 参考文献 196
7.8 习题 196
8.2 性能评价 198
第8章 性能 198
8.1 引言 198
8.3 分类器性能的比较 210
8.4 分类器的组合 214
8.5 应用研究 236
8.6 总结 236
8.7 建议 237
8.8 参考文献 237
8.9 习题 238
第9章 特征选择与特征提取 240
9.1 引言 240
9.2 特征选择 241
9.3 线性特征提取 250
9.4 多维尺度分析 269
9.5 应用研究 276
9.6 总结 277
9.7 建议 278
9.8 参考文献 278
9.9 习题 279
第10章 聚类 282
10.1 引言 282
10.2 分层聚类法 283
10.3 快速分类 289
10.4 混合模型 290
10.5 平方和方法 292
10.6 聚类有效性 308
10.7 应用研究 311
10.8 总结 313
10.10 参考文献 315
10.9 建议 315
10.11 习题 316
第11章 其他论题 318
11.1 模型选择 318
11.2 不可靠分类的学习 320
11.3 缺值数据 321
11.4 离群值检测和鲁棒方法 321
11.5 连续变量与离散变量的混合 322
11.6 结构风险最小化以及Vapnik-Chervonenkis维数 323
附录A 相异测度 325
附录B 参数估计 334
附录C 线性代数 338
附录D 数据 342
附录E 概率论 347
参考文献 355