《模式识别与神经网络》求取 ⇩

第一章 绪论1

1.1 引言1

1.2 研究模式识别的目的1

1.3 用不透明和透明映射描述计算机模式识别5

1.4 任务的焦点8

1.5 模式识别的任务10

1.6 模式的表达格式13

1.7 评述18

1.8 参考文献21

第二章 贝叶斯决策理论24

2.1 引言24

2.2 一般问题26

2.3 训练要求的知识34

2.4 连续分布情况下的系统误差38

2.5 决策函数的性质和规则40

2.6 贝叶斯方法的评论48

2.7 评述52

2.8 参考文献54

第三章 模糊特征及判据:模糊集方法56

3.1 引言56

3.2 基本概念57

3.3 模糊集运算:扩展原理64

3.4 模糊集理论在模式识别中的应用69

3.5 评述80

3.6 参考文献81

第四章 非数特征值模式83

4.1 引言83

4.2 ID3方法85

4.3 Pao-Hu方法93

4.4 M方法100

4.5 评述108

4.6 参考文献111

第五章 神经网络概述113

5.1 引言113

5.2 人工神经网络模型115

5.3 学习规则119

5.4 神经网络与其它的信息处理方法122

5.5 神经网络的应用128

5.6 评述130

5.7 参考文献133

第六章 学习决策函数:广义感知机136

6.1 引言136

6.2 线性决策函数138

6.3 前馈网络的广义δ规则143

6.4 对前馈网络的复杂性要求153

6.5 映射观点156

6.6 评述161

6.7 参考文献163

7.1 引言165

第七章 基于部分线索的识别和回忆:联想存贮165

7.2 矩阵联想存贮169

7.3 全息存贮172

7.4 Walsh联想存贮177

7.5 网络联想存贮180

7.6 评述191

7.7 参考文献194

第八章 模式识别的自组织网络197

8.1 引言197

8.2 MAZNET199

8.3 发现聚类结构的网络204

8.4 Kohonen对有序映射的研究210

8.5 评述221

8.6 参考文献222

第九章 函数联接网络:集成神经网络计算环境的基础224

9.1 引言224

9.2 非线性联接上的函数变换226

9.3 函数联接网络的数学基础简介231

9.4 函数联接网络用于有监督学习234

9.5 有监督学习和无监督学习的结合242

9.6 联想存贮和恢复244

9.7 评述248

9.8 参考文献249

10.1 引言251

第十章 符号和非符号处理的联系:模糊逻辑、模式识别和神经网络的作用251

10.2 隶属度函数的网络表达252

10.3 扩展原理的建模257

10.4 模糊推理259

10.5 评述263

10.6 参考文献263

第十一章 自适应模式识别的应用264

11.1 引言264

11.2 对模式内结构的处理265

11.3 对语言符号的处理274

11.4 对语言符号模式中的结构处理278

11.5 具有可变置信度的联想282

11.6 估计与分类--对精度的要求284

11.7 输入与输出的时间关系285

11.8 用自适应模式识别解决困难问题的可能性286

11.9 评述290

11.10 参考文献293

附录A 用于监督学习的广义δ规则网络程序297

A.1 简介297

A.2 程序297

A.3 举例313

附录B 基于发现聚类结构的无监督学习317

B.1 简介317

B.2 程序317

B.3 举例324