《模式识别》求取 ⇩

第一章 绪论1

1.1 模式识别和模式的概念1

1.2 模式识别系统2

1.3 关于模式识别方法的一些问题3

1.4 关于本书的内容安排6

第二章 贝叶斯决策理论8

2.1 引言8

2.2 几种常用的决策规则8

2.2.1 基于最小错误率的贝叶斯决策8

2.2.2 基于最小风险的贝叶斯决策12

2.2.3 在限定一类错误率条件下使另一类错误率为最小的两类别决策15

2.2.4 最小最大决策16

2.2.5 序贯分类方法18

2.2.6 分类器设计19

2.3 正态分布时的统计决策23

2.3.1 正态分布概率密度函数的定义及性质23

2.3.2 多元正态概型下的最小错误率贝叶斯判别函数和决策面29

2.4 关于分类器的错误率问题34

2.4.1 在一些特殊情况下错误率的理论计算34

2.4.2 错误率的上界37

习题41

3.1 引言44

第三章 概率密度函数的估计44

3.2 参数估计的基本概念45

3.2.1 最大似然估计45

3.2.2 贝叶斯估计和贝叶斯学习48

3.3 正态分布的监督参数估计52

3.3.1 最大似然估计示例52

3.3.2 贝叶斯估计和贝叶斯学习示例53

3.4 非监督参数估计57

3.4.1 非监督最大似然估计中的几个问题57

3.4.2 正态分布情况下的非监督参数估计60

3.5.1 基本方法63

3.5 总体分布的非参数估计63

3.5.2 parzen窗法66

3.5.3 Kn-近邻估计70

3.6 关于分类器错误率的估计问题71

3.6.1 关于已设计好分类器时错误率的估计问题71

3.6.2 关于未设计好分类器时错误率的估计问题74

习题79

第四章 线性判别函数81

4.1 引言81

4.1.1 线性判别函数的基本概念81

4.1.2 广义线性判别函数83

4.1.3 设计线性分类器的主要步骤85

4.2 Fisher线性判别85

4.3.1 几个基本概念89

4.3 感知准则函数89

4.3.2 感知准则函数及其梯度下降算法91

4.4 最小错分样本数准则93

4.4.1 解线性不等式组的共轭梯度法93

4.4.2 解线性不等式组的搜索法96

4.5 最小平方误差准则函数99

4.5.1 平方误差准则函数及其伪逆解99

4.5.2 MSE准则函数的梯度下降算法102

4.5.3 随机MSE准则函数及其随机逼近算法102

4.6.1 随机最小错误率线性判别准则函数104

4.6 随机最小错误率线性判别准则函数104

4.6.2 关于Jer(a)准则的随机逼近算法107

4.6.3 设计考虑和应用实例109

4.7 多类问题110

4.7.1 多类问题的基本概念110

4.7.2 决策树简介111

习题115

第五章 非线性判别函数118

5.1 分段线性判别函数的基本概念118

5.1.1 基于距离的分段线性判别函数118

5.1.2 分段线性判别函数120

5.1.3 分段线性分类器设计的一般考虑120

5.2.1 分段线性判别函数的表示123

5.2 用凹函数的并表示分段线性判别函数123

5.2.2 算法步骤124

5.3 用交遇区的样本设计分段线性分类器127

5.3.1 算法基本思想127

5.3.2 紧互对原型对与交遇区127

5.3.3 局部训练法128

5.3.4 决策规则129

5.4 二次判别函数131

习题132

6.1.1 最近邻决策规则133

6.1.2 最近邻法的错误率分析133

6.1 最近邻法133

第六章 近邻法133

6.2 K-近邻法137

6.3 关于减少近邻法计算量和存储量的考虑140

6.3.1 近邻法的快速算法140

6.3.2 剪辑近邻法143

6.3.3 压缩近邻法151

6.4 可做拒绝决策的近邻法152

6.4.1 具有拒绝决策的K-近邻法152

6.4.2 具有拒绝决策的剪辑近邻法153

6.5 最佳距离度量近邻法154

习题158

第七章 经验风险最小化和有序风险最小化方法159

7.1 平均风险最小化和经验风险最小化159

7.2 有限事件类情况160

7.3 线性分界权向量数的估计161

7.4 事件出现频率一致收敛于其概率的条件162

7.5 生长函数的性质163

7.6 经验最优判决规则偏差的估计164

7.7 经验最优判决规则偏差估计的改进165

7.8 有序风险最小化方法166

7.8.1 判决规则选择准则167

7.8.2 几种判决规则类的排序方法168

习题172

8.1.2 一些基本概念173

8.1.1 问题的提出173

8.1 基本概念173

第八章 特征的选择与提取173

8.2 类别可分离性判据175

8.2.1 基于距离的可分性判据--类内类间距离175

8.2.2 基于概率分布的可分性判据177

8.2.3 基于熵函数的可分性判据180

8.3 特征提取181

8.3.1 按欧氏距离度量的特征提取方法182

8.3.2 按概率距离判据的特征提取方法185

8.3.3 用散度准则函数的特征提取器188

8.3.4 多类情况190

8.3.5 基于判别熵最小化的特征提取191

8.3.6 两维显示193

8.4 特征选择195

8.4.1 最优搜索算法196

8.4.2 次优搜索法199

8.4.3 可分性判据的递推计算201

习题201

第九章 基于Karhunen-Loeve展开式的特征提取203

9.1 傅里叶级数展开式203

9.2 Karhunen-Loeve展开式204

9.3 K-L展开式的性质206

9.3.1 展开系数206

9.3.2 表示熵207

9.3.3 总体熵208

9.4 K-L坐标系的产生矩阵209

9.5 从类平均向量中提取判别信息209

9.6 包含在类平均向量中判别信息的最优压缩211

9.7 包含在类中心化特征向量中判别信息的提取212

9.8 用于非监督模式识别问题中的特征提取214

习题215

第十章 非监督学习方法216

10.1 引言216

10.2 单峰子集(类)的分离方法216

10.2.1 投影方法216

10.2.2 基于对称集性质的单峰子集分离法218

10.2.3 单峰子集分离的迭代算法219

10.3 类别分离的间接方法220

10.3.1 动态聚类方法221

10.3.2 近邻函数准则算法227

10.4 分级聚类方法230

10.5 非监督学习方法中的一些问题233

习题234

第十一章 一维数字信号的识别236

11.1 引言236

11.2 数字滤波器236

11.3 谱分析238

11.3.1 自相关函数估计238

11.3.2 周期图239

11.3.3 时间序列模型和谱估计240

11.4 短时傅里叶分析242

11.5 一维信号模式识别的几个例子244

11.5.1 统计模式识别在地震波解释中的应用244

11.5.2 利用声发射信号监测金属材料缺陷246

11.5.3 核反应堆运行情况的监控应用247

第十二章 二维图像的特征提取和识别248

12.1 引言248

12.1.1 二维图象模式248

12.1.2 图象模式识别的目的248

12.2 数字化图象的获取248

12.3.1 一阶灰度统计量的分析250

12.3 区域的灰度与纹理特性的度量250

12.3.2 局部特性统计量的分析252

12.3.3 联合灰度统计量分析253

12.3.4 灰度游程长度统计量分析257

12.3.5 功率谱的分析258

12.4 图象分割260

12.4.1 阈值分割技术260

12.4.2 聚类分割技术261

12.4.3 区域生长技术262

12.4.4 区域的分裂与合并技术263

12.5 边缘检测265

12.5.1 边缘元素的检测266

12.5.2 边界(轮廓)的跟踪268

12.5.3 区域边界的链码表示270

12.6 区域形状特性的度量271

12.6.1 几何特征271

12.6.2 矩272

12.6.3 傅里叶描绘子274

12.7 二维图象模式识别的应用实例279

12.7.1 卫星遥感图象的识别279

12.7.2 显微细胞图象的识别282

参考书目284

附录A 几种最优化算法285