《统计模式识别》求取 ⇩

译序1

原序1

第一章 绪论1

1.模式的描述1

2.模式识别的概率表达方法3

3.几何释义6

4.统计模式识别的应用7

5.统计模式识别的内容8

6.文献8

第二章 线性和非线性分类理论11

1.引言11

2.贝叶斯判决的基础理论11

3.统计准则和鉴别函数18

4.线性判决函数19

5.分段线性判决函数23

6.最小距离分类器23

7.非线性分类理论25

8.多模式分类的讨论26

9.小结27

第三章 模式的表示法35

1.引言35

2.二元随机模式的表示法：正交级数展开法36

3.二元随机模式的表示法：马尔科夫链法38

4.模式的卡胡南--洛依夫展开和它的特性41

5.其它正交展开法44

6.小结53

1.引言61

第四章 特征选择和抽取61

2.特征有效性的信息度量62

3.距离度量和性能界限65

4.多类别的距离度量69

5.各种特征选择准则的比较71

6.对特征子集的评价74

7.降低维数的算法75

8.维数和样本容量76

9.小结79

第五章 监督和非监督参数估计89

1.引言89

2.高斯模式的贝叶斯估计89

3.对监督贝叶斯估计的评价92

4.慢变化模式的参数估计93

5.非监督估计的贝叶斯解95

6.混合参数的估计96

7.面向判决的估计99

8.小结100

第六章 随机近似递归算法108

1.引言108

2.使用随机近似的监督参数估计109

3.概率密度函数的估计112

4.使用随机近似的非监督估计113

5.三种随机近似算法的比较116

6.小结118

2.某些基本概念和工具124

1.引言124

第七章 非参数方法和复合判决理论124

3.样本集的构成126

4.最近邻判决法128

5.复合判决法131

6.多元密度函数的非参数估计135

7.非参数特征选择137

8.小结139

第八章 聚类和模式簇的确定技术148

1.引言148

2.距离和相似性度量149

3.对聚类和模式簇确定方法的评述151

4.三种聚类方法151

5.聚类、集群和数据分组的其它方法155

6.联机模式分析和识别系统158

7.小结160

第九章 序贯模式识别系统168

1.引言168

2.贝叶斯序贯判决步骤和一些算题169

3.序贯概率比测试和广义序贯概率比测试175

4.贝叶斯序贯分析180

5.特征排序和选择问题182

6.非参数序贯排秩步骤189

7.在医学诊断上的应用194

8.小结199

第十章 有限存贮的反馈识别系统208

1.引言208

2.在有限存贮情况下进行的学习209

3.利用有限统计量的识别算法211

4.有拒识抉择的识别系统213

5.有信息反馈的识别系统216

6.小结219

第十一章 模式识别中的上下文分析224

1.引言224

2.马尔科夫链的贝叶斯判决228

3.上下文分析中的复合判决理论230

4.上下文识别方法的误差界233

5.图象解释的一种实用上下文算法235

6.小结237

1.引言241

2.自适应相关器似然计算机241

第十二章 模式识别和通信理论241

3.面向判决接收机244

4.随机信道的学习式接收机246

5.最优非监督学习接收机：已知参数统计量250

6.最优非监督学习接收机：未知参数统计量256

7.小结259

附录265

附录A：菲舍(Fisher)鉴别函数的推导265

附录B：监督估计过程的收敛266

附录C：有限混合体的能识性267

附录D：相似性矩阵方法268

附录E：鸢尾花(Iris)数据集269

汉英名词对照271

习题解答285