《计算机模式识别技术》求取 ⇩

目录1

第一章 判别函数9

1.1线性判别函数9

1.2判别函数的一般形式14

1.3两分能力18

1.4判别函数的实现19

习题21

第二章 似然函数模式识别22

2.1基本概念22

2.2正态分布的Bayes分类器25

2.3误差概率28

2.4Neyman-Pearson和最小最大判别准则32

2.4.1Neyman-Pearson判别准则32

2.4.2最小最大判别准则35

2.5.1概率密度函数的形式36

2.5密度函数的估计36

2.5.2均值矢量和协方差矩阵的估计38

2.5.3均值矢量和协方差矩阵的Bayes估计39

2.5.4密度函数的函数逼近41

习题45

第三章 聚类47

3.1最小距离分类法47

3.1.1单个标准样品47

3.1.2多个标准样品48

3.1.3最近邻分类器48

3.2相似性和聚类准则50

3.2.1相似性度量50

3.2.2聚类准则51

3.3.2小中取大距离算法53

3.3.1简单的聚类寻找算法53

3.3聚类算法53

3.3.3k平均算法54

3.3.4ISODATA算法56

3.4对聚类的评价60

习题61

第四章 可训练的确定性分类器63

4.1问题的提出63

4.2感知器算法的梯度解65

4.3LMSE算法71

4.4多类问题75

4.5线性不可分问题的分类器训练78

习题84

第五章 可训练的统计分类器85

5.1问题的提出85

5.2Robbins-Monro算法87

5.3增量校正算法90

5.4LMSE算法93

5.5训练过程的动态分析基础94

习题99

第六章 模式特征的分析100

6.1概述100

6.2研究特征分布状态的各种概念101

6.2.1欧儿里德距离101

6.2.2特征的变换和排序103

6.2.3离散度105

6.2.4熵107

6.3特征提取的方法108

6.3.1集群的方法108

6.3.2最小熵的方法112

6.3.3Karhunen-Loève展开112

6.3.4最大离散度法117

习题122

第七章 句法模式识别123

7.1形式语言基础和文法123

7.1.1形式语言基础123

7.1.2文法类型125

7.1.3模式文法和语言的例子126

7.1.4上下文无关文法的等价变换128

7.2高维文法131

7.2.1树文法131

7.2.2丛文法134

7.3句法结构识别138

7.3.1用作模式识别的自动机138

7.3.2分析法148

7.3.3分析算法149

7.3.4不完全串的识别151

7.4随机文法和识别器153

7.4.1随机文法153

7.4.2随机识别器156

7.5句法模式的聚类分析163

7.5.1句法模式相似性度量163

7.5.2句子对句子的聚类算法164

7.5.3最近邻域句法识别规则166

7.5.4句法模式的聚类过程166

7.6文法推断167

7.6.1有教师帮助的推断167

7.6.2通过综合有限自动机的推断169

习题170

8.2标记方法172

8.2.1基本定义与术语172

8.1引言172

第八章 标记方法与松弛算法172

8.2.2两标记问题173

8.2.3多标记问题177

8.3标记松弛算法的数学模型178

8.3.1离散模型178

8.3.2模糊模型179

8.3.3线性概率模型179

8.3.4非线性概率模型180

8.4标记松弛算法应用举例182

8.4.1三角形景像分析182

8.4.2遥感图像中的线形构造增强184

8.4.3其它领域的应用185

8.5结论185

9.1引言186

第九章 交互式模式识别186

9.2面向显示的线性映射187

9.3高维数据的函数和图形显示199

9.4面向显示的非线性映射207

第十章 模糊子集理论与模式识别216

10.1引言216

10.2模糊子集的基本概念216

10.3模糊集的简单运算、模糊度与模糊关系219

10.4.2用二元对比排序法求隶属函数226

10.4隶属函数226

10.4.1模糊统计法求隶属函数226

10.4.3几种典型的隶属函数分布232

10.5模糊集理论在模式识别中的应用232

附录一 数据集及其特性245

附录二 模式识别主要英汉名词对照表247

附录三 模式识别几种算法的计算机程序253

附录四 参考文献284