模式識別（第2版）

《模式識別（第2版）》是2006年清華大學出版社出版的圖書，作者是邊肇祺。

圖書簡介

本書主要討論統計模式識別理論和方法，包括人工神經網路、模糊模式識別、模擬退火和遺傳算法，以及統計學習理論和支持向量機等內容。多數章後附有習題，適於教學和自學。

目錄

第二版前言(Ⅴ)

第一版前言(Ⅶ)第1章緒論(1)

11模式識別和模式的概念(1)

12模式識別系統(2)

13關於模式識別的一些基本問題(3)

14關於本書的內容安排(8)第2章貝葉斯決策理論(9)

21引言(9)

22幾種常用的決策規則(9)

221基於最小錯誤率的貝葉斯決策(9)

222基於最小風險的貝葉斯決策(13)

223在限定一類錯誤率條件下使另一類錯誤率為最小的兩類別決策(16)

224最小最大決策(18)

225序貫分類方法(20)

226分類器設計(20)

23常態分配時的統計決策(24)

231常態分配機率密度函式的定義及性質(24)

232多元正態機率型下的最小錯誤率貝葉斯判別函式和決策面(30)

24關於分類器的錯誤率問題(34)

241在一些特殊情況下錯誤率的理論計算(35)

242錯誤率的上界(38)

25討論(42)

習題(43)第3章機率密度函式的估計(46)

31引言(46)

32參數估計的基本概念(47)

321最大似然估計(48)

322貝葉斯估計和貝葉斯學習(50)

33常態分配的監督參數估計(54)

331最大似然估計示例(54)

332貝葉斯估計和貝葉斯學習示例(55)

34非監督參數估計(59)

341非監督最大似然估計中的幾個問題(59)

342常態分配情況下的非監督參數估計(62)

35總體分布的非參數估計(65)

351基本方法(65)

352Parzen窗法(67)

353kN近鄰估計(71)

36關於分類器錯誤率的估計問題(72)

361關於已設計好分類器時錯誤率的估計問題(73)

362關於未設計好分類器時錯誤率的估計問題(75)

37討論(80)

習題(81)第4章線性判別函式(83)

41引言(83)

411線性判別函式的基本概念(84)

412廣義線性判別函式(85)

413設計線性分類器的主要步驟(87)

42Fisher線性判別(87)

43感知準則函式(91)

431幾個基本概念(91)

432感知準則函式及其梯度下降算法(93)

44最小錯分樣本數準則(95)

441解線性不等式組的共軛梯度法(95)

442解線性不等式組的搜尋法(98)

45最小平方誤差準則函式(101)

451平方誤差準則函式及其偽逆解(101)

452MSE準則函式的梯度下降算法(104)

453隨機MSE準則函式及其隨機逼近算法(104)

46隨機最小錯誤率線性判別準則函式(106)

461隨機最小錯誤率線性判別準則函式(106)

462關於Jer(α)準則的隨機逼近算法(109)

463設計考慮和套用實例(111)

47多類問題(112)

471多類問題的基本概念(112)

472決策樹簡介(113)

48討論(117)

習題(117)第5章非線性判別函式(120)

51分段線性判別函式的基本概念(120)

511基於距離的分段線性判別函式(120)

512分段線性判別函式(121)

513分段線性分類器設計的一般考慮(122)

52用凹函式的並表示分段線性判別函式(124)

521分段線性判別函式的表示(124)

522算法步驟(126)

53用交遇區的樣本設計分段線性分類器(129)

531算法基本思想(129)

532緊互對原型對與交遇區(129)

533局部訓練法(130)

534決策規則(131)

54二次判別函式(133)

習題(134)第6章近鄰法(136)

61最近鄰法(136)

611最近鄰決策規則(136)

612最近鄰法的錯誤率分析(136)

62k近鄰法(140)

63關於減少近鄰法計算量和存儲量的考慮(142)

631近鄰法的快速算法(142)

632剪輯近鄰法(145)

633壓縮近鄰法(153)

64可做拒絕決策的近鄰法(154)

641具有拒絕決策的k近鄰法(154)

642具有拒絕決策的剪輯近鄰法(154)

65最佳距離度量近鄰法(156)

習題(159)第7章經驗風險最小化和有序風險最小化方法(161)

71平均風險最小化和經驗風險最小化(161)

72有限事件類情況(162)

73線性分界權向量數的估計(163)

74事件出現頻率一致收斂於其機率的條件(164)

75生長函式的性質(165)

76經驗最優判決規則偏差的估計(166)

77經驗最優判決規則偏差估計的改進(167)

78有序風險最小化方法(168)

781判決規則選擇準則(169)

782幾種判決規則類的排序方法(170)

79討論(173)

習題(174)第8章特徵的選擇與提取(176)

81基本概念(176)

811問題的提出(176)

812一些基本概念(176)

82類別可分離性判據(178)

821用於可分性判據的類內類間距離(178)

822基於機率分布的可分性判據(180)

823基於熵函式的可分性判據(183)

824類別可分離性判據的直接套用舉例(184)

83特徵提取(185)

831按歐氏距離度量的特徵提取方法(185)

832按機率距離判據的特徵提取方法(189)

833用散度準則函式的特徵提取器(192)

834多類情況(193)

835基於判別熵最小化的特徵提取(195)

836兩維顯示(197)

84特徵選擇(198)

841最優搜尋算法(199)

842次優搜尋法(202)

843可分性判據的遞推計算(204)

85特徵選擇的幾種新方法(205)

851模擬退火算法(205)

852Tabu搜尋算法(207)

853遺傳算法(208)

習題(210)第9章基於KL展開式的特徵提取(212)

91傅立葉級數展開式(212)

92KL展開式(213)

93KL展開式的性質(215)

931展開係數(215)

932表示熵(215)

933總體熵(217)

94KL坐標系的產生矩陣(218)

95從類平均向量中提取判別信息(218)

96包含在類平均向量中判別信息的最優壓縮(220)

97包含在類中心化特徵向量中判別信息的提取(221)

98用於非監督模式識別問題中的特徵提取(223)

99KL變換在人臉自動識別研究中的一個套用(223)

991圖像的歸一化(224)

992KL變換(224)

993特徵向量的選取(226)

910討論(227)

習題(228)第10章非監督學習方法(230)

101引言(230)

102單峰子集(類)的分離方法(230)

1021投影方法(230)

1022基於對稱集性質的單峰子集分離法(232)

1023單峰子集分離的疊代算法(233)

103類別分離的間接方法(234)

1031動態聚類方法(235)

1032近鄰函式準則算法(241)

104分級聚類方法(244)

105非監督學習方法中的一些問題(247)

習題(248)第11章人工神經網路(250)

111引言(250)

112人工神經元(251)

1121生物神經元(251)

1122人工神經元(251)

1123神經元的學習算法(253)

113前饋神經網路及其主要算法(253)

1131前饋神經網路(253)

1132感知器(253)

1133三層前饋網路(254)

1134反向傳播算法(BP法)(254)

1135徑向基函式網路(257)

114競爭學習和側抑制(258)

115自組織特徵映射(259)

116Hopfield網路(261)

1161離散Hopfield網路(261)

1162聯想存儲器(263)

1163最佳化計算(263)

1164連續時間Hopfield網路(264)

117神經網路模式識別的典型做法(265)

1171多層前饋網路用於模式識別(265)

1172自組織網路用於模式識別(266)

118前饋神經網路與統計模式識別的關係(267)

1181隱層的特徵提取作用(267)

1182神經網路與貝葉斯分類器(270)

119討論(271)第12章模糊模式識別方法(273)

121引言(273)

122模糊集的基本知識(273)

123模糊特徵和模糊分類(275)

1231模糊化特徵(276)

1232結果的模糊化(276)

124特徵的模糊評價(277)

1241模糊程度的度量(277)

1242特徵的模糊評價(278)

125模糊聚類方法(280)

1251模糊C均值算法(280)

1252改進的模糊C均值算法(281)

126模糊k近鄰分類器(282)

127討論(283)第13章統計學習理論和支持向量機(284)

131引言(284)

132機器學習的基本問題和方法(285)

1321機器學習問題的表示(285)

1322經驗風險最小化(286)

1323複雜性與推廣能力(287)

133統計學習理論的核心內容(288)

1331學習過程一致性的條件(288)

1332函式集的學習性能與VC維(290)

1333推廣性的界(293)

1334結構風險最小化(295)

134支持向量機(296)

1341最優分類面(296)

1342廣義最優分類面(298)

1343規範化超平面集的子集結構(299)

1344支持向量機(299)

135討論(303)第14章模式識別在語音信號數字處理中的套用舉例(305)

141說話人識別概述(305)

142語音信號及其幾個特性(306)

143短時基音周期的估計(310)

144一個說話人識別系統舉例(312)

145討論(314)第15章印刷體漢字識別中的特徵提取(315)

151印刷體漢字識別的基本知識(315)

152印刷體漢字的統計特性及分析(317)

153文字的歸一化(321)

154印刷體漢字識別中的一些特徵(323)

155分類問題(327)

156判別準則(328)

157討論(329)主要參考書目(330)附錄A幾種最最佳化算法(331)

A1梯度(下降)法(331)

A2牛頓法(332)

A3共軛梯度法(333)

A4Lagrange乘子法(335)

A5隨機逼近法(336)