內容簡介
《模式識別原理》是為信息控制類各專業對於模式識別套用技術的學習而編寫的教材，主要介紹關於模式識別的一些基礎知識。主要內容包括：緒論，貝葉斯分類器，線性判別函式，結構法模式識別，特徵空間分析，非參數模式識別方法，聚類分析，K-L變換與套用，人工神經網路，統計學習理論與支撐向量機等一些基礎知識。在附錄中給出了常用的一些由MATLAB語言編寫的實驗程式，以便於讀者的課後練習。
《模式識別原理》適用於高等院校信息控制類專業及其他工科相關專業的碩士研究生以及大學本科生作為教材使用，也適用於其他相關的專業人員閱讀參考。
目錄
第1章緒論
1.1基本概念
1.2基本問題
1.3模式識別系統
1.4模式識別方法
第2章貝葉斯分類器
2.1引言
2.2最小錯誤率貝葉斯決策
2.3最小風險貝葉斯決策
2.4判別函式與決策面
2.5常態分配貝葉斯決策的套用
2.6貝葉斯決策的擴展套用
2.7小結
第3章線性判別函式
3.1引言
3.2Fisher準則
3.3感知準則
3.4最小錯分準則
3.5最小平方誤差準則
3.6線性判別函式的擴展套用
3.7小結
第4章結構法模式識別
4.1模式基元
4.2結構描述方法
4.3句法分析
4.4結構匹配
4.5小結
第5章特徵空間分析
5.1基本概念
5.2特徵空間的距離準則
5.3特徵空間的統計準則
5.4特徵提取
5.5小結
第6章非參數模式識別方法
6.1最近鄰法
6.2k近鄰法
6.3基本非參數估計方法
6.4ParZen窗估計方法
6.5kN近鄰估計方法
6.6小結
第7章聚類分析
7.1引言
7.2距離和相似係數
7.3層次聚類法
7.4有序樣本聚類法
7.5小結
第8章K-L變換與套用
8.1k-L變換
8.2K-L展開式的性質與評價
8.3K-L變換的套用
8.4主分量分析法
8.5小結
第9章人工神經網路
9.1引言
9.2神經元
9.3單層感知器
9.4線性網路
9.5BP網路
9.6徑向基函式網路
9.7Hopfield網路與聯想記憶
9.8小結
第10章統計學習理論與支撐向量機
10.1引言
10.2機器學習問題基礎
10.3統計學習理論
10.4支撐向量機
10.5多類分類問題
10.6支撐向量機的套用
10.7小結
附錄模式識別實驗
實驗1貝葉斯分類器
實驗2Fisher準則實驗
實驗3線性分類器設計
實驗4BP神經網路分類器
實驗5Hopfield神經網路分類器
實驗6支撐向量機(SVM)分類器
實驗7DCT變換及其套用
實驗8基本PCA法分析
實驗9k近鄰法分類器設計
實驗10層次聚類分析
實驗11Parzen窗法分析
參考文獻
……
