模式识别（英文版第2版）

　　模式识别在所有的自动化，信息处理和检索应用中都至关重要。本书由该领域内的两位顶级专家合著而成，从工程角度，全面阐述了模式识别的应用，涉及的主题从图像分析到语音识别与通信，书中涉及到了神经网络的前沿材料，着重描述了包括独立分量和支持向量机在内的最新进展。本书是享誉世界的名著，经过十余年的发展，已成为此领域最全面的参考书，被世界众多高校选用为教材。除了适合教学外，也可供工程技术人员参考。本书的主要特点：最新的特征生成技术，包括基于小波。小波包，分形的特征，还阐述了独立分量分析。新增了关子支持向量机，变形模板匹配的章节，以及关于约束优化的附录。特征选择技术。线性以及非线性分类器的设计，包括贝叶斯分类器、多层感知器，决策树和RBF网络。独立于上下文的分类，包括动态规划和隐马尔科夫建模技术。不仅介绍了聚类算法的最新发展，而且还介绍了一些经典方法，诸如模糊。基因、退火等算法技术。各种应用，包括图像分析。字符识别，医学诊断。语音识别以及信道均衡。作者简介：SergiosTheodoridis是希腊雅典大学信息系教授。于1973年在雅典大学获得物理学学士学位，又分别于1975年，1978年在英国伯明翰大学获得信号处理与通信硕士和博士学位。主要研究方向是自适应信号处理。通信与模式识别。他是欧洲并行结构及语言协会（PARLE-95）的主席和欧洲信号处理协会（亡USIPCO-98）的常务主席、《信号处理》杂志编委。KonstantinosKoutroumbas任职于希腊雅典国家天文台空间应用研究院，是国际知名的专家。

　　SergiosTheodoridis是希腊雅典大学信息系教授。于1973年在雅典大学获得物理学学士学位，又分别子1975年，1978年在英国伯明翰大学获得信号处理与通信硕士和博士学位。主要研究方向是自适应信号处理。通信与模式识别。他是欧洲并行结构及语言协会（PARLE-95）的主席和欧洲信号处理协会（亡USIPCO-98）的常务主席、《信号处理》杂志编委。KonstantinosKoutroumbas任职于希腊雅典国家天文台空间应用研究院，是国际知名的专家。

Preface
CHAPTER 1  INTRODUCTION
  1.1  Is Pattern Recognition Important?
  1.2  Features, Feature Vectors, and Classifiers
  1.3  Supervised Versus Unsupervised Pattern Recognition
  1.4  Outline of the Book
CHAPTER 2  CLASSIFIERS BASED ON BAYES DECISION THEORY
  2.1  Introduction
  2.2  Bayes Decision Theory
  2.3  Discriminant Functions and Decision Surfaces
  2.4  Bayesian Classification for Normal Distributions
  2.5  Estimation of Unknown Probability Density Functions
  2.6  The Nearest Neighbor Rule
CHAPTER 3  LINEAR CLASSIFIERS
  3.1  Introduction
  3.2  Linear Discriminant Functions and Decision Hyperplanes
  3.3  The Perceptron Algorithm
  3.4  Least Squares Methods
  3.5  Mean Square Estimation Revisited
  3.6  Support Vector Machines
CHAPTER 4  NONLINEAR CLASSIFIERS
  4.1  Introduction
  4.2  The XOR Problem
  4.3  The Two-Layer Perceptron
  4.4  Three-Layer Perceptrons
  4.5  Algorithms Based on Exact Classification of the Training Set
  4.6  The Backpropagation Algorithm
  4.7  Variations on the; Backpropagation Theme
  4.8  The Cost Function Choice
  4.9  Choice of the Network Size
  4.10  A Simulation Example
  4.11  Networks With Weight Sharing
  4.12  Generalized Linear Classifiers
  4.13  Capacity of the/-Dimensional Space in Linear Dichotomies
  4.14  Polynomial Classifiers
  4.15  Radial Basis Function Networks
  4.16  Universal Approximators
  4.17  Support Vector Machines: The Nonlinear Case
  4.18  Decision Trees
  4.19  Discussion
CHAPTER 5  FEATURE SELECTION
  5.1  Introduction
  5.2  Preprocessing
  5.3  Feature Selection Based on Statistical Hypothesis Testing
  5.4  The Receiver Operating Characteristics CROC Curve
  5.5  Class Separability Measures
  5.6  Feature Subset Selection
  5.7  Optimal Feature Generation
  5.8  Neural Networks and Feature Generation/Selection
  5.9  A Hint on the Vapnik--Chemovenkis Learning Theory
CHAPTER 6  FEATURE GENERATION I: LINEAR TRANSFORMS
  6.1  Introduction
  6.2  Basis Vectors and Images
  6.3  The Karhunen-Loeve Transform
  6.4  The Singular Value Decomposition
  6.5  Independent Component Analysis
  6.6  The Discrete Fourier Transform (DFT)
  6.7  The Discrete Cosine and Sine Transforms
  6.8  The Hadamard Transform
  6.9  The Haar Transform
  6.10  The Haar Expansion Revisited
  6.11  Discrete Time Wavelet Transform (DTWT)
  6.12  The Multiresolution Interpretation
  6.13  Wavelet Packets
  6.14  A Look at Two-Dimensional Generalizations
  6.15  Applications
CHAPTER 7  FEATURE GENERATION II
  7.1  Introduction
  7.2  Regional Features
  7.3  Features for Shape and Size Characterization
  7.4  A Glimpse at Fractals
CHAPTER 8 TEMPLATE MATCHING
  8.1  Introduction
  8.2  Measures Based on Optimal Path Searching Techniques
  8.3  Measures Based on Correlations
  8.4  Deformable Template Models
CHAPTER 9  CONTEXT-DEPENDENT CLASSIFICATION
  9.1  Introduction
  9.2  The Bayes Classifier
  9.3  Markov Chain Models
  9.4  The Viterbi Algorithm
  9.5  Channel Equalization
  9.6  Hidden Markov Models
  9.7  Training Markov Models via Neural Networks
  9.8  A discussion of Markov Random Fields
CHAPTSR 10 SYSTEM EVALUATION
  10.1  Introduction
  10.2  Error Counting Approach
  10.3  Exploiting the Finite Size of the Data Set
  10.4  A Case Study From Medical Imaging
CHAPTER 11 CLUSTERING: BASIC CONCEPTS
  11.1  Introduction
  11.2  Proximity Measures
CHAPTER 12 CLUSTERING ALGORITHMS I: SEQUENTIAL ALGORITHMS
  12.1  Introduction
  12.2  Categories of Clustering Algorithms
  12.3  Sequential Clustering Algorithms
  12.4  A Modification of BSAS
  12.5  A Two-Threshold Sequential Scheme
  12.6  Refinement Stages
  12.7  Neural Network Implementation
CHAPTER 13 CLUSTERING ALGORITHMS II: HIERARCHICAL ALGORITHMS
  13.1  Introduction
  13.2  Agglomerative Algorithms
  13.3  The Cophenetic Matrix
  13.4  Divisive Algorithms
  13.5  Choice of the Best Number of Clusters
CHAPTER 14 CLUSTERING ALGORITHMS III: SCHEMES BASED ON FUNCTION OPTIMIZATION
  14.1  Introduction
  14.2  Mixture Decomposition Schemes
  14.3  Fuzzy Clustering Algorithms
  14.4  Possibilistic Clustering
  14.5  Hard Clustering Algorithms
  14.6  Vector Quantization
CHAPTER 15 CLUSTERING ALGORITHMS IV
  15.1  Introduction
  15.2  Clustering Algorithms Based on Graph Theory
  15.3  Competitive Learning Algorithms
  15.4  Branch and Bound Clustering Algorithms
  15.5  Binary Morphology Clustering Algorithms (BMCAs)
  15.6  Boundary Detection Algorithms
  15.7  Valley-Seeking Clustering Algorithms
  15.8  Clustering Via Cost Optimization (Revisited)
  15.9  Clustering Using Genetic Algorithms
  15.10 Other Clustering Algorithms
CHAPTER 16 CLUSTER VALIDITY
  16.1  Introduction
  16.2  Hypothesis Testing Revisited
  16.3  Hypothesis Testing in Cluster Validity
  16.4  Relative Criteria
  16.5  Validity of Individual Clusters
  16.6  Clustering Tendency
Appendix A
  Hints from Probability and Statistics
Appendix B
  Linear Algebra Basics
Appendix C
  Cost Function Optimization
Appendix D
  Basic Definitions from Linear Systems Theory
Index