《模式识别导论》求取 ⇩

目录1

§1.1 模式识别与模式识别的目的1

第一章 引言1

§1.2 模式识别的全过程3

§1.3 模式信息的采集5

§1.3.1 地面景物图象的获取5

§1.3.2 图形、文字信息的获取6

§1.3.3 语音信息的获取10

§1.4 模式识别前的预处理12

§1.4.1 遥感图象的预处理12

§1.4.2 图形、文字的预处理19

§1.4.3 语音识别的预处理23

第二章 统计模式识别（一）——几何分类法26

§2.1 统计分类的基本思想26

§2.2 模板匹配法及其数学描述27

§2.2.1 光学模板匹配27

§2.2.2 电子模板匹配（模拟灰度）28

§2.2.3 电子模板匹配（数字灰度）29

§2.2.4 模式匹配的实现30

§2.3.1 相似性度量30

§2.3 模式的相似性度量及距离分类法30

§2.3.2 距离函数31

§2.3.3 标准样本的距离分类器33

§2.3.4 分散样本的距离分类器34

§2.4 几何分类法（线性可分时）36

§2.4.1 线性判别函数36

§2.4.2 广义线性判别函数40

§2.4.3 感知器算法41

§2.4.4 LMSE算法46

§2.4.5 线性分类器用于多类问题49

§2.5 几何分类法（非线性可分时）51

§2.5.1 势函数的选择51

§2.5.2 势函数算法的迭代训练52

第三章 统计模式识别（二）——概率分类法56

§3.1 统计分类的判别准则56

§31.1 Bayes法则56

§3.1.2 Bayes风险57

§3.1.3 基于Bayes法则的分类器58

§3.1.4 最小最大决策60

§3.1.5 Neyman-per son决策62

§3.1.8 离散情况下的Bayes判决63

§3.1.7 复合Baye s决策理论64

§3.2.1 正态密度函数65

§3.2 正态密度及其判别函数65

§3.3 密度函数的估计70

§3.3.1 最大似然估计71

§3.3.2 Bayes估计74

§3.4 统计量的充分性77

§3.4.1 因子化定理78

§3.4.2 充分统计量与指数族79

§3.5 非参数方法80

§3.5.1 概率密度的估计82

§3.5.2 Parzen窗估计法83

§3.2.2 正态分布样品的判决函数86

§3.5.3 近邻估计88

§3.6.1 特征维数与错误率的关系93

§3.6 分类错误率问题93

§3.6.2 协方差矩阵的估计94

§3.6.3 一个分割平面的能力95

§3.6.4 平均错误率问题96

§3.6.5 错误率的估计98

§3.7 降低特征的维数99

第四章 聚类分析106

§4.1 聚类的基础106

§4.2 基于试探的聚类算法109

§4.2.1 基于最邻近规则的试探法109

§4.2.2 最大最小距离算法109

§4.3 层次聚类算法110

§4.4 动态聚类法112

§4.4.1 K均值算法112

§4.4.2 迭代自组织的数据分析算法113

§4.5.1 模式类的表示118

§4.5 概念合取聚类法118

§4.5.2 最佳分类的评判119

§4.5.3 算法实现119

§4.6.1 基本概念124

§4.6.2 分类法124

§4.6 最小张树分类法124

§5.1 综述126

第五章 模糊模式识别126

§5.2 模糊子集127

§5.2.1 模糊子集的定义127

§5.2.2 隶属函数的确定128

§5.2.3 模糊子集的运算136

§5.3 模糊关系141

§5.3.1 模糊关系的性质及其建立141

§5.3.2 模糊矩阵的运算144

§5.3.3 模式分类的隶属原则与择近原则149

§5.3.4 基于模糊等价关系的模式分类152

§5.3.5 基于模糊相似关系的分类154

第六章 结构模式识别157

§6.1 概述157

§6.2 结构模式识别系统158

§6.3 模式基元的选择与抽取159

§6.3.1 强调边界或骨架的基元选择161

§6.3.2 强调区域的基元选择162

§6.3.3 模式基元的抽取163

§6.4.1 串文法166

§6.4 模式文法166

§6.4.2 扩展的串文法172

§6.4.3 阵列文法174

§6.4.4 树文法175

§6.4.5 网文法177

§6.4.6 图文法178

§6.5 串的识别与分析182

§6.5.1 有限自动机183

§6.5.2 非确定的下推自动机188

§6.5.3 导出树192

§6.5.4 CYK算法193

§6.5.5 Early算法195

§6.5.6 转移图法199

第七章 智能模式识别（一）——逻辑推理法202

§7.1 研究智能模式识别的必要性202

§7.2 知识表示方法204

§7.2.1 谓词逻辑表示法205

§7.2.2 产生式表示法209

§7.2.3 语义网络表示法213

§7.2.4 框架表示法215

§7.2.5 过程表示法217

§7.3 基于知识的推理220

§7.2.6 知识表示的发展动向220

§7.3.1 求解问题的重要手段——推理221

§7.3.2 问题的变换与分解223

§7.3.3 基本搜索方法225

§7.3.4 基于规则的推理229

§7.3.5 语义网络推理232

§7.4 知识的获取234

§7.4.1 人工地获取知识235

§7.4.2 自动地获取知识237

§7.5 智能模式识别实例239

§7.5.1 汉字的知识性表示239

§7.5.2 获取待识汉字的符号性表述242

§7.5.3 基于框架结构的推理247

§7.5.4 规则的添加248

§7.5.5 小结249

第八章 智能模式识别（二）——神经网络法251

§8.1 大脑神经元的构成及其机理251

§8.2.1 基本模型254

§8.2 人工神经网络概述254

§8.2.2 与传统模式分类器的对比255

§8.3 BP模型及其在模式识别上的应用267

§8.3.1 BP模型的背景267

§8.3.2 BP模型的算法及其特点269

§8.3.3 应用实例271

§8.4 Hopfield模型及其在模式识别上的应用273

§8.4.1 Hopfield网络模型及算法273

§8.4.2 应用276

§8.5 其它神经网络模型及其在模式识别中的应用278

§8.5.1 高阶关联神经网络279

§8.5.2 其它几种神经网络281

附录A 改进的霍夫曼编码285

附录B 逻辑运算公式286

主要参考文献288