1.1模式识别的重要性 1
10.3探讨有限数据集的大小 25 1
目 录 1
第1章 导论 1
1.2特征、特征向量和分类器 2
1.3有监督和无监督模式识别 4
1.4本书的内容安排 5
第2章 基于贝叶斯决策理论的分类器 7
2.1引言 7
2.2 贝叶斯决策理论 7
2.3判别函数和决策面 11
2.4正态分布的贝叶斯分类 11
2.5未知概率密度函数的估计 16
2.6近邻规则 27
习题 29
参考文献 34
3.1引言 36
3.2线性判别函数和决策超平面 36
第3章 线性分类器 36
3.3感知器算法 37
3.4最小二乘法 42
3.5均方估计的回顾 47
3.6支持向量机 50
习题 58
参考文献 59
4.2异或问题 61
4.1引言 61
第4章 非线性分类器 61
4.3两层感知器 62
4.4三层感知器 65
4.5基于训练集准确分类的算法 66
4.6反向传播算法 67
4.7反向传播算法的改进 73
4.8代价函数选择 74
4.9神经网络的大小选择 76
4.10仿真实例 79
4.1 1具有权值共享的网络 81
4.12推广的线性分类器 81
4.13 线性二分法中l维空间的容量 83
4.14多项式分类器 84
4.15径向基函数网络 85
4.16通用逼近 88
4.17支持向量机:非线性情况 89
4.1 8决策树 92
4.19讨论 96
习题 96
参考文献 99
5.2预处理 106
5.1引言 106
第5章 特征选择 106
5.3基于统计假设检验的特征选择 107
5.4接收机操作特性ROC 曲线 112
5.5类可分性测量 113
5.6特征子集的选择 118
5.7最优特征生成 121
5.8神经网络和特征生成/选择 124
5.9 Vapnik-Chernovenkis学习理论的提示 124
习题 128
参考文献 131
第6章 特征生成1:线性变换 134
6.1 引言 134
6.2基本向量和图像 134
6.3 Karhunen-loève变换 136
6.4奇异值分解 139
6.5独立成分分析 142
6.6离散傅里叶变换(DFT) 146
6.7离散正弦和余弦变换 149
6.8 Hadamard变换 150
6.9 Haar变换 151
6.10 回顾Haar展开式 152
6.11离散时间小波变换 155
6.12多分辨解释 162
6.13小波包 163
6.14二维推广简介 164
6.15应用 166
习题 169
参考文献 171
第7章 特征生成Ⅱ 175
7.1 引言 175
7.2 区域特征 175
7.3字符形状和大小的特征 191
7.4分形概述 197
习题 202
参考文献 204
8.1引言 209
8.2基于最优路径搜索技术的测度 209
第8章 模板匹配 209
8.3基于相关的测度 219
8.4可变形的模板模型 222
习题 225
参考文献 226
第9章 上下文相关分类 228
9.1引言 228
9.2贝叶斯分类器 228
9.3马尔可夫链模型 228
9.4Viterbi算法 229
9.5信道均衡 231
9.6隐马尔可夫模型 234
9.7用神经网络训练马尔可夫模型 241
9.8马尔可夫随机域的讨论 243
习题 245
参考文献 245
第10章 系统评价 250
10.1引言 250
10.2误差计算方法 250
10.4 医学图像实例研究 253
习题 255
参考文献 255
11.1引言 257
第11章 聚类:基本概念 257
11.2近邻测度 261
习题 275
参考文献 276
第12章 聚类算法Ⅰ:顺序算法 278
12.1引言 278
12.2聚类算法的种类 279
12.3顺序聚类算法 280
12.4 BSAS的改进 283
12.5两个阈值的顺序方案 283
12.6改进阶段 285
12.7神经网络的实现 287
习题 289
参考文献 290
第1 3章 聚类算法Ⅱ:层次算法 292
13.1引言 292
13.2合并算法 292
13.3 Cophenetic矩阵 309
13.4分裂算法 310
13.5最佳聚类数的选择 311
习题 313
参考文献 314
14.1引言 317
第14章 聚类算法Ⅲ:基于函数最优方法 317
14.2混合分解方法 318
14.3模糊聚类算法 324
14.4 可能性聚类 339
14.5硬聚类算法 343
14.6向量量化 346
习题 350
参考文献 351
第15章 聚类算法IV 354
15.1引言 354
15.2基于图论的聚类算法 354
15.3竞争学习算法 359
15.4分支和有界聚类算法 364
15.5二值形态聚类算法 366
15.6边界检测算法 372
15.7谷点搜索聚类算法 374
15.8通过代价最优聚类(回顾) 376
15.9用遗传算法聚类 378
15.10其他聚类算法 379
习题 380
参考文献 381
第1 6章 聚类有效性 386
16.1引言 386
16.2假设检验回顾 386
16.3聚类有效性中的假设检验 388
1 6.4相关的准则 395
16.5单聚类有效性 405
16.6聚类趋势 407
习题 414
参考文献 415
附录A 概率论和统计学的相关知识 420
A.1全概率公式和贝叶斯准则 420
A.2均值和方差 420
A.3统计的独立性 420
A.4特征函数 421
A.5矩和累积量 421
A.6概率密度函数的Edgeworth展开式 422
A.7 Kullback-Leibler距离 423
A.8多元高斯概率密度函数或正态概率密度函数 423
A.9 Cramer-Rao下界 424
A.10 中心极限定理 425
A.11 x2分布 425
A.12 t分布 426
A.13 Beta分布 427
A.14泊松分布 427
参考文献 427
附录B 线性代数基础 428
B.1正定矩阵和对称矩阵 428
B.2相关矩阵的对角化 429
附录C 代价函数的优化 430
C.1 梯度下降算法 430
C.2牛顿算法 432
c.3共轭梯度法 433
c.4对约束问题的优化 433
参考文献 441
附录D 线性系统理论的基本定义 442
D.1 线性时不变(LTI)系统 442
D.2变换函数 443
D.3 串联和并联 443
D.4在二维空间上的推广 444