第1章 绪论 1
1.1模式识别基本概念 1
1.1.1模式和模式识别 1
1.1.2模式识别系统组成 2
1.2特征描述 3
1.3模式识别方法 4
1.3.1统计法 4
1.3.2聚类法 5
1.3.3神经网络法 5
1.3.4人工智能法 5
1.4模式识别工程设计 6
1.4.1工程任务 6
1.4.2训练集和测试集选择 7
1.4.3模式识别软件 8
1.5本章小结 9
习题 10
第2章 特征聚类 11
2.1聚类的概念 11
2.1.1特征聚类的基本思想 11
2.1.2聚类的算法 11
2.2数据的降维（PCA） 11
2.2.1 PCA基本概念 12
2.2.2 PCA原理 12
2.2.3 PCA的一般步骤 15
2.2.4数据的降维实例 16
2.3模式相似性测度 26
2.3.1距离测度 26
2.3.2相似测度 27
2.3.3匹配测度 28
2.4 K-均值聚类 28
2.4.1 K-均值聚类算法简介 28
2.4.2算法原理 28
2.4.3 K-均值算法的一般步骤 29
2.4.4 K-均值聚类实例 32
2.5本章小结 34
习题 35
第3章 贝叶斯分类 37
3.1基于最小错误率的贝叶斯准则 37
3.2基于最小风险的贝叶斯准则 40
3.3最大最小决策规则 42
3.4纽曼-皮尔逊（Neyman - Pearson）决策规则 44
3.5贝叶斯学习估计案例（手写字符） 46
3.6本章小结 47
习题 47
第4章Fisher线性判别 50
4.1判别域界面方程分类的概念 50
4.2线性判别函数 50
4.2.1两类问题 51
4.2.2多类问题 51
4.3判别函数数值的鉴别意义、权空间及解空间 53
4.3.1判别函数数值的大小、正负的数学意义 53
4.3.2权空间、解矢量与解空间 54
4.4 Fisher线性判别 55
4.5本章小结 70
习题 71
第5章 近邻法 72
5.1最近邻法 72
5.1.1最近邻决策规则 72
5.1.2最近邻法的错误率分析 73
5.1.3最近邻法程序举例 76
5.2 K-近邻法 82
5.2.1 K-近邻法原理及错误率分析 82
5.2.2 K-近邻法程序举例 83
5.3剪辑近邻法 87
5.3.1剪辑近邻法 87
5.3.2剪辑K-NN近邻法 88
5.3.3剪辑近邻法的一般流程 89
5.4本章小结 90
习题 91
第6章BP神经网络及案例 92
6.1 BP神经网络基本原理 92
6.2网络各层节点数的确定 92
6.3网络各层间激活函数的确定 93
6.4 LM算法 93
6.5基于BP神经网络的变压器故障诊断 95
6.5.1变压器常见故障类型 95
6.5.2网络的训练与仿真 97
6.6本章小结 99
习题 99
第7章 模式识别案例分析 100
7.1电池表面划痕识别案例 100
7.1.1电池图像边缘提取 101
7.1.2基于有效边缘点和Hough变换的电池圆心提取方法 102
7.1.3基于NMI特征和边缘特征电池图像配准算法 105
7.1.4划痕提取方法 114
7.2人脸识别案例 114
7.2.1 ORL人脸数据库简介 114
7.2.2基于PCA的人脸图像的特征提取 115
7.2.3 K-近邻算法 116
7.2.4 BP神经网络法 116
7.2.5基于BP神经网络法和K-近邻法的综合决策分类 117
7.2.6实验的结果 118
7.2.7简单实例 120
7.3 SIFT算法提取特征点及特征点的匹配 133
7.3.1高斯尺度空间的极值检测 133
7.3.2特征点位置的确定 135
7.3.3特征点方向的确定 136
7.3.4特征点描述子生成 137
7.3.5 SIFT特征向量的匹配 137
7.3.6实现运动姿态的解算 139
7.4气泡识别案例 142
7.4.1两相流高速图像采集 142
7.4.2两相流图像纹理特征的提取 144
7.4.3纹理特征的Lempel-Ziv复杂度分析 147
7.4.4基于SVM的气液两相流型识别 149
7.5三维识别案例 151
7.5.1三维模型中特征点的定义 151
7.5.2特征提取方法 151
7.5.3三维识别方法 155
7.6本章小结 165
习题 165
附录 166
附录A模型一的训练样本归一化处理的子程序 166
附录B模型一在确定隐含层节点及网络结构后训练与仿真的子程序 167
附录C SIF特征初始匹配及RANSAC算法剔除误匹配相关MATLAB代码 171
参考文献 173