模式识别原理

　　《模式识别原理》是为信息控制类各专业对于模式识别应用技术的学习而编写的教材，主要介绍关于模式识别的一些基础知识。主要内容包括：绪论，贝叶斯分类器，线性判别函数，结构法模式识别，特征空间分析，非参数模式识别方法，聚类分析，K-L变换与应用，人工神经网络，统计学习理论与支撑向量机等一些基础知识。在附录中给出了常用的一些由MATLAB语言编写的实验程序，以便于读者的课后练习。《模式识别原理》适用于高等院校信息控制类专业及其他工科相关专业的硕士研究生以及大学本科生作为教材使用，也适用于其他相关的专业人员阅读参考。

暂缺《模式识别原理》作者简介

第1章 绪论
1.1 基本概念
1.2 基本问题
1.3 模式识别系统
1.4 模式识别方法
第2章 贝叶斯分类器
2.1 引言
2.2 最小错误率贝叶斯决策
2.3 最小风险贝叶斯决策
2.4 判别函数与决策面
2.5 正态分布贝叶斯决策的应用
2.6 贝叶斯决策的扩展应用
2.7 小结
第3章 线性判别函数
3.1 引言
3.2 Fisher准则
3.3 感知准则
3.4 最小错分准则
3.5 最小平方误差准则
3.6 线性判别函数的扩展应用
3.7 小结
第4章 结构法模式识别
4.1 模式基元
4.2 结构描述方法
4.3 句法分析
4.4 结构匹配
4.5 小结
第5章 特征空间分析
5.1 基本概念
5.2 特征空间的距离准则
5.3 特征空间的统计准则
5.4 特征提取
5.5 小结
第6章 非参数模式识别方法
6.1 最近邻法
6.2 k近邻法
6.3 基本非参数估计方法
6.4 ParZen窗估计方法
6.5 kN近邻估计方法
6.6 小结
第7章 聚类分析
7.1 引言
7.2 距离和相似系数
7.3 层次聚类法
7.4 有序样本聚类法
7.5 小结
第8章 K-L变换与应用
8.1 k-L变换
8.2 K-L展开式的性质与评价
8.3 K-L变换的应用
8.4 主分量分析法
8.5 小结
第9章 人工神经网络
9.1 引言
9.2 神经元
9.3 单层感知器
9.4 线性网络
9.5 BP网络
9.6 径向基函数网络
9.7 Hopfield网络与联想记忆
9.8 小结
第10章 统计学习理论与支撑向量机
10.1 引言
10.2 机器学习问题基础
10.3 统计学习理论
10.4 支撑向量机
10.5 多类分类问题
10.6 支撑向量机的应用
10.7 小结
附录 模式识别实验
实验1 贝叶斯分类器
实验2 Fisher准则实验
实验3 线性分类器设计
实验4 BP神经网络分类器
实验5 Hopfield神经网络分类器
实验6 支撑向量机(SVM)分类器
实验7 DCT变换及其应用
实验8 基本PCA法分析
实验9 k近邻法分类器设计
实验10 层次聚类分析
实验11 Parzen窗法分析
参考文献