《模式识别原理》求取 ⇩

绪论1

0.1 模式识别的基本概念1

0.2 模式识别要解决的基本问题和方法2

0.3 自动模式识别的应用8

第一章 判别函数16

1.1 判别面和判别函数16

1.2 线性判别函数18

1.3 广义判别函数23

1.4 线性判别函数的几何性质27

1.5 多变量函数33

1.6 判别函数的实现38

2.1 聚类分析的概念40

第二章 聚类分析40

2.2 分类数目未知的聚类算法46

2.3 分类数目已知的聚类算法49

2.4 图形理论方法64

2.5 聚类结果的评价71

第三章 用似然函数的模式分类73

3.1 作为统计判别问题的模式分类73

3.2 正态分布模式贝叶斯分类器80

3.3 错误分类概率87

3.4 概率密度函数的估计92

第四章 训练模式分类器106

4.1 感知器算法(The Perceptron Approach)107

4.2 模式分类算法的推导114

4.3 势函数法135

第五章 模式预处理和特征选择148

5.1 基本概念148

5.2 多变量正态数据集模式分类用的最佳特征数149

5.3 聚类变换和特征选择151

5.4 均方距离与似然比的关系156

5.5 通过熵最小化进行特征选择160

5.6 用正交展开进行特征选择164

5.7 散布矩阵及散度用于特征选择171

第六章 句法模式识别180

6.1 形式语言理论概述180

6.2 句法模式识别中模式的表示方法192

6.3 识别过程中的句法分析197

6.4 学习和文法推断214

6.5 句法模式识别的随机语言223

第七章 光学模式识别229

7.1 富氏变换透镜和频谱分析仪230

7.2 匹配滤波器232

7.3 合成分辨函数法(SDF)237

第八章 人工神经网络计算法254

8.1 生物神经网络257

8.2 神经网络行为的数学描述264

8.3 Hopfield模型和波兹曼机274

8.4 联想存储器287

8.5 误差逆向传播法295

REFERENCES304