目录 1
第一章 判别函数 9
1.1线性判别函数 9
1.2判别函数的一般形式 14
1.3两分能力 18
1.4判别函数的实现 19
习题 21
第二章 似然函数模式识别 22
2.1基本概念 22
2.2正态分布的Bayes分类器 25
2.3误差概率 28
2.4Neyman-Pearson和最小最大判别准则 32
2.4.1Neyman-Pearson判别准则 32
2.4.2最小最大判别准则 35
2.5.1概率密度函数的形式 36
2.5密度函数的估计 36
2.5.2均值矢量和协方差矩阵的估计 38
2.5.3均值矢量和协方差矩阵的Bayes估计 39
2.5.4密度函数的函数逼近 41
习题 45
第三章 聚类 47
3.1最小距离分类法 47
3.1.1单个标准样品 47
3.1.2多个标准样品 48
3.1.3最近邻分类器 48
3.2相似性和聚类准则 50
3.2.1相似性度量 50
3.2.2聚类准则 51
3.3.2小中取大距离算法 53
3.3.1简单的聚类寻找算法 53
3.3聚类算法 53
3.3.3k平均算法 54
3.3.4ISODATA算法 56
3.4对聚类的评价 60
习题 61
第四章 可训练的确定性分类器 63
4.1问题的提出 63
4.2感知器算法的梯度解 65
4.3LMSE算法 71
4.4多类问题 75
4.5线性不可分问题的分类器训练 78
习题 84
第五章 可训练的统计分类器 85
5.1问题的提出 85
5.2Robbins-Monro算法 87
5.3增量校正算法 90
5.4LMSE算法 93
5.5训练过程的动态分析基础 94
习题 99
第六章 模式特征的分析 100
6.1概述 100
6.2研究特征分布状态的各种概念 101
6.2.1欧儿里德距离 101
6.2.2特征的变换和排序 103
6.2.3离散度 105
6.2.4熵 107
6.3特征提取的方法 108
6.3.1集群的方法 108
6.3.2最小熵的方法 112
6.3.3Karhunen-Loève展开 112
6.3.4最大离散度法 117
习题 122
第七章 句法模式识别 123
7.1形式语言基础和文法 123
7.1.1形式语言基础 123
7.1.2文法类型 125
7.1.3模式文法和语言的例子 126
7.1.4上下文无关文法的等价变换 128
7.2高维文法 131
7.2.1树文法 131
7.2.2丛文法 134
7.3句法结构识别 138
7.3.1用作模式识别的自动机 138
7.3.2分析法 148
7.3.3分析算法 149
7.3.4不完全串的识别 151
7.4随机文法和识别器 153
7.4.1随机文法 153
7.4.2随机识别器 156
7.5句法模式的聚类分析 163
7.5.1句法模式相似性度量 163
7.5.2句子对句子的聚类算法 164
7.5.3最近邻域句法识别规则 166
7.5.4句法模式的聚类过程 166
7.6文法推断 167
7.6.1有教师帮助的推断 167
7.6.2通过综合有限自动机的推断 169
习题 170
8.2标记方法 172
8.2.1基本定义与术语 172
8.1引言 172
第八章 标记方法与松弛算法 172
8.2.2两标记问题 173
8.2.3多标记问题 177
8.3标记松弛算法的数学模型 178
8.3.1离散模型 178
8.3.2模糊模型 179
8.3.3线性概率模型 179
8.3.4非线性概率模型 180
8.4标记松弛算法应用举例 182
8.4.1三角形景像分析 182
8.4.2遥感图像中的线形构造增强 184
8.4.3其它领域的应用 185
8.5结论 185
9.1引言 186
第九章 交互式模式识别 186
9.2面向显示的线性映射 187
9.3高维数据的函数和图形显示 199
9.4面向显示的非线性映射 207
第十章 模糊子集理论与模式识别 216
10.1引言 216
10.2模糊子集的基本概念 216
10.3模糊集的简单运算、模糊度与模糊关系 219
10.4.2用二元对比排序法求隶属函数 226
10.4隶属函数 226
10.4.1模糊统计法求隶属函数 226
10.4.3几种典型的隶属函数分布 232
10.5模糊集理论在模式识别中的应用 232
附录一 数据集及其特性 245
附录二 模式识别主要英汉名词对照表 247
附录三 模式识别几种算法的计算机程序 253
附录四 参考文献 284