模式识别

　　《模式识别》系统阐述了模式识别的原理与方法，并在此基础上介绍了模式识别的应用。全书分为：基础部分和应用部分：基础部分主要包括统计模式识别、模糊模式识别、神经网络模式识别等内容；应用部分有车牌识别和语音识别。《模式识别》将理论与实践相结合，有利于读者加深对理论方法的理解，可使读者比较系统地掌握模式识别的理论和相关技术。书中给出的两个应用实例，为读者应用模式识别方法来解决实际问题提供了具体思路和方法。附录给出的习题解答，有利于学生学习理解原理与方法。《模式识别》可以作为高等院校自动化、计算机、生物医学工程等学科本科生、研究生的教材或教学参考书，亦可供有关工程技术人员参考。

暂缺《模式识别》作者简介

第1章 绪论
1.1 模式和模式识别的概念
1.2 模式识别的研究方法
1.2.1 识别方法
1.2.2 模式识别系统的组成
1.3 模式识别的应用
参考文献
第2章 贝叶斯决策理论
2.1 基于最小错误率的贝叶斯判别法
2.2 基于贝叶斯公式的几种判别规则
2.2.1 基于最小风险的贝叶斯决策
2.2.2 最小最大决策
2.3 正态分布模式的统计决策
2.3.1 正态分布概率密度函数的定义及性质
2.3.2 多元正态概率模型的贝叶斯判别函数
2.4 概率密度函数的估计
2.4.1 最大似然估计
2.4.2 贝叶斯估计
2.5 离散情况的贝叶斯决策
2.6 贝叶斯分类器的错误率
习题2
参考文献
第3章 线性判别函数
3.1 线性判别函数
3.2 广义线性判别函数
3.3 感知器算法
3.3.1 基于赏罚概念的感知器训练算法
3.3.2 梯度下降法
3.4 最小平方误差准则函数
3.5 多类问题
3.5.1 多类问题的基本概念
3.5.2 决策树简介
3.6 Fisher线性判别函数
习题3
参考文献
第4章 模式特征提取与选择
4.1 离散K-L变换
4.1.1 离散K-L展开式
4.1.2 基于K-L变换的数据压缩
4.1.3 基于K_L变换的特征提取
4.2 离散傅里叶变换
4.2.1 一维离散傅里叶变换
4.2.2 二维离散傅里叶变换
4.3 离散余弦和正弦变换
4.3.1 余弦变换
4.3.2 正弦变换
4.4 Hadamard变换
4.5 Haar变换
4.6 小波变换
4.6.1 连续小波变换
4.6.2 离散小波变换
4.6.3 多分辨率分析
4.6.4 正交小波包
习题4
参考文献
第5章 聚类分析
5.1 相似性测度和聚类准则
5.1.1 相似性测度
5.1.2 聚类准则
5.2 聚类算法
5.2.1 聚类算法的分类
5.2.2 层次聚类算法
5.2.3 K均值算法
5.2.4 核聚类
5.2.5 ISODATA算法
5.3 聚类有效性
习题5
参考文献
第6章 人工神经网络
6.1 人工神经网络的构成
……
第7章 支持向量机
第8章 核函数方法及应用
第9章 模糊模式识别
第10章 模式识别应用
参考文献
附录A 鸢尾属植物样本数据(Iris Data)
附录B 习题解答