《模式分类器和可训练机器》求取 ⇩

目录1

第一章　概述1

1.1　基本定义2

1.2　可训练分类器与训练理论3

1.3　假定与符号5

1.4　训练过程的例子6

1.5　线性判别函数8

1.6　特征空间的扩张14

1.7　二值输入分类器15

1.8　权空间与特征空间18

1.9　统计模型19

1.10　性能评价23

第二章　线性可分的类别35

2.1　引言35

2.2　凸集，可和性与线性可分性36

2.3　符号与术语46

2.4　感知器与比例增量训练方法49

2.5　固定比值训练方法53

2.6　一种多类训练方法55

2.7　用对策论综合58

2.8　简化技术69

2.9　例子72

2.10　梯度下降法76

2.11　保证收敛的条件79

2.12　用于设计分类器的梯度下降法80

2.13　Ho-Kashyap法83

第三章　非线性分类器93

3.1　引言93

3.2　Ф分类器94

3.3　贝叶斯估计：参数训练95

3.4　平滑技术：非参数训练112

3.5　条形图113

3.6　Parzen窗与位函数121

3.7　节省存贮容量124

3.8　固定基区条形图128

3.9　样本集与标本131

3.10　近对立标本对135

3.11　局部训练分段线性分类器137

第四章　损失函数和随机逼近146

4.1 引言146

4.2　比例增量法损失函数147

4.3　样本梯度153

4.4　先验知识的利用155

4.5　一些重要训练方法的损失函数和梯度157

4.6　损失函数的比较176

4.7　不等代价的分类决策178

4.8　随机逼近180

4.9　几种不同组成密度的梯度和超平面191

4.10　结论198

第五章 用于非可分类别的线性分类器204

5.1　梯度下降的修正204

5.2　规范化、原点选择和初始向量212

5.3　窗训练法227

5.4　最小均方误差训练法254

5.5　等错误训练法264

5.6　不等代价的考虑273

5.7　应用274

5.8　总结276

第六章　关于不可分类别的马尔可夫链训练模型280

6.1　引言280

6.2　分析一个随机差分方程的问题281

6.3　单特征分类器的实例283

6.4　具有常增量训练的单特征分类器285

6.5　学习动态特性的基本性质287

6.6　各态历经性和大范围稳定性298

6.7　训练-工作进程：双方式类305

6.8　最优有限记忆的学习319

6.9　多维特征空间337

第七章　连续状态模型343

7.1　引言343

7.2　形心方程式346

7.3　在nρ≤t＜∞的情况下证明∑（n）＝？（ρ）U350

7.4　协方差方程式352

7.5　学习曲线和方差曲线358

7.6　关于t的规格化问题360

7.7　例题361

7.8　单特征分类器中学习曲线的形状367

7.9　等错误和最小错误点间的接近程度如何？371

7.10　渐近的大范围稳定性374

附录A　向量与矩阵380

A.1　向量不等式及其它向量符号380

A.2　置换矩阵381

附录B　窗训练方法收敛性的证明385

附录C　等错误训练法收敛性的证明390

C.1　E（‖Z‖2｜V）＜∞及‖E（Z｜V）‖2＜∞的证明390

C.2　定理5.3的证明392

参考文献396

汉英名词对照索引402