《模式识别导论》求取 ⇩

第1章　绪论1

1.1　模式识别的基本概念1

1.1.1　模式与模式识别1

1.1.2　模式空间、特征空间与类型空间2

1.1.3　预处理4

1.1.4　特征提取／选择5

1.1.5　分类6

1.2　模式识别系统6

1.3　模式识别方法8

1.4　随机向量及其分布12

1.4.1　分布函数与参数12

1.4.2　正态分布与性质15

1.5　正交函数和正交变换20

1.5.1　正交函数系20

11.7.1　正则文法的推断 522

1.5.2　正交变换矩阵24

习题29

参考文献30

2.1引言33

第2章　模式的采集——二维信号的数字化33

2.2　图象模式的获取与描述34

2.3通过傅里叶变换把二维信号数字化37

2.4　相关／卷积与卷积定理42

2.5　采样定理46

参考文献50

第3章　判决函数52

3.1引言52

3.2　线性判决函数的一般形式53

3.3　超平面的某些几何性质54

3.4　多类问题中的线性判决规则59

3.5　二分法和二分能力67

3.6　广义线性判决函数74

3.7　结束语83

习题83

参考文献85

第4章　随机模式的分类方法86

4.1引言86

4.2　最小错误率判决规则88

4.3　最小风险判决规则91

4.4　最大似然比判决规则95

4.5　拒绝判决100

4.6　贝叶斯分类方法的判决函数与分类器结构103

4.7　正态分布中的贝叶斯分类方法106

4.8　聂曼-皮尔逊判决规则117

4.9　最小最大判决规则121

4.10　序贯分类方法126

4.11　小结128

习题129

参考文献132

5.1 引言134

第5章　确定性模式分类器的预分类训练试验134

5.2　感知器算法137

5.2.1　感知器的概念137

5.2.2　感知器训练算法138

5.2.3　收敛性定理142

5.2.4　感知器训练算法在每类问题中的应用143

5.3　感知准则函数及其梯度下降法145

5.4　最小平方误差准则函数与H-K算法147

5.5　势函数法154

5.5.1　势函数法的概念154

5.5.2　势函数法的训练过程及修正规则156

5.5.3　举例159

5.6　Fisher线性判别式164

5.7　评价169

习题170

参考文献171

第6章　随机模式分类器的预分类训练试验174

6.1引言174

6.1.1　参数估计的基本概念174

6.1.2　非参数估计的基本概念175

6.2　最大似然估计177

6.3　贝叶斯估计181

6.4　贝叶斯学习189

6.5　充分统计量与核密度194

6.6　非参数估计的基本方法与限制条件200

6.7　Parzen窗法204

6.8　K？-近邻元估计法211

6.9　正交级数展开逼近法213

6.10　结束语219

习题219

参考文献221

第7章　错误率223

7.1引言223

7.2　在正态分布中的错误率计算225

7.3　在各维为独立随机变量时的错误率计算231

7.4　错误率上界的估计方法234

7.4.1　Chernoff界限235

7.4.2　Bhattacharyya系数确定的错误率上界242

7.5　近邻元分类法及其错误率245

7.5.1　近邻元分类法的判决规则245

7.5.2　近邻元分类法的错误率246

7.6 通过实验方法估计已训练分类器的错误率255

7.6.1　随机抽取检验样本时的错误率估计256

7.6.2　选择抽取检验样本时的错误率估计258

7.7　在训练试验中估计分类器的错误率260

7.8　利用特征空间分块技术估计分类错误率268

7.9　小结271

习题272

参考文献273

第8章　无监督训练Ⅰ：分布参数估计274

8.1引言274

8.1.1　假设条件与混合密度274

8.1.2　可鉴别性问题275

8.2　最大似然估计277

8.3　正态分布中的最大似然估计281

8.4　贝叶斯无监督训练286

8.5　结束语291

习题292

参考文献293

9.1 引言294

第9章　无监督训练Ⅱ：聚类分析294

9.1.1　距离相似性度量296

9.1.2　角度相似性度量300

9.2　聚类准则函数301

9.2.1　误差平方和准则J？302

9.2.2　加权平均平方距离和准则J？304

9.2.3　类间距离和准则J？306

9.2.4　散射矩阵307

9.2.5　基于样本与核相似性度量的聚类准则函数310

9.2.6　近邻函数值及其准则函数310

9.3两种简单的聚类算法313

9.3.1 采用最近邻规则的聚类算法313

9.3.2　最大最小距离聚类算法314

9.4　动态聚类算法315

9.4.1　C-均值聚类算法316

9.4.2　ISODATA聚类算法321

9.4.3　基于样本与核相似性度量的动态聚类算法329

9.5　近邻函数值准则聚类算法333

9.6　分级聚类算法338

9.7　最小张树聚类算法348

9.8　评估351

习题352

参考文献354

第10章　特征提取／选择357

10.1　引言357

10.2.1　一阶灰值统计量的特征提取360

10.2　图象的特征提取360

10.2.2　纹理特征的提取362

10.2.3　（循环）自相关特征368

10.2.4　互相关特征372

10.2.5　矩特征373

10.2.6　几何特征376

10.2.7　使用傅里叶系数提取形状特征380

10.3　模式类别可分性度量386

10.3.1　类内类间距离准则387

10.3.2　概率距离准则390

10.3.3　多类情况下的分类准则397

10.4　基于类可分性度量的特征提取398

10.4.1　基于类内类间距离准则的特征提取399

10.4.2　按JC和JB准则的特征提取402

10.4.3　按JD准则的特征提取409

10.5　基于类可分性度量的特征选择414

10.6　通过熵的最小化提取和选择特征424

10.7　在最小均方误差准则下的特征提取434

10.7.1　K-L展开式434

10.7.2　最小均方误差准则及其特征提取437

10.7.3　表示熵与各类正交变换应用比较441

10.7.4　吸收类均值向量信息的特征提取444

10.8　利用总体熵吸收方差信息的特征提取448

10.9　小结453

习题454

参考文献457

第11章　句法模式识别460

11.1引言460

11.2　形式语言理论基础461

11.2.1　集合论中的关系运算462

11.2.2　形式语言理论中的基本概念465

11.2.3　文法的分类470

11.3　高维文法和随机文法472

11.3.1　树文法472

11.3.2　网文法·交织文法·形状文法475

11.3.3　随机文法482

11.4　句法结构的自动机识别486

11.4.1　有限自动机487

11.4.2　下推自动机490

11.4.3　树自动机498

11.4.4　随机识别器498

11.5　句法分析503

11.5.1　穷举式算法504

11.5.2　乔姆斯基范式及CYK分析算法509

11.5.3　格雷巴赫范式及状态转移图分析法512

11.6　基元的提取516

11.7　文法推断520

11.7.2　上下文无关文法的推断529

11.7.3　树文法的推断534

11.7.4　随机文法的推断539

11.8　小结542

习题544

参考文献548

索引551