現(xiàn)代模式識別

第一章  引  論                  
 1. 1  概論                  
 1. 2  特征矢量和特征空間                  
 1. 3  隨機矢量的描述                  
 1. 4  正態(tài)分布                  
 參考文獻                  
 第二章  聚類分析                  
 2. 1  聚類分析的概念                  
 2. 2  模式相似性測度                  
 2. 3  類的定義與類間距離                  
 2. 4  聚類的算法                  
 習題                  
 參考文獻                  
 第三章  判別域代數(shù)界面方程法                  
 3. 1  用判別域界面方程分類的概念                  
 3. 2  線性判別函數(shù)                  
 3. 3  判別函數(shù)值的鑒別意義. 權空間及解空間                  
 3. 4  Fisher線性判別                  
 3. 5  一次準則函數(shù)及梯度下降法                  
 3. 6  二次準則函數(shù)及其解法                  
 3. 7  線性規(guī)劃方法                  
 3. 8  線性二分能力(Linear dichotomies)                  
 3. 9  廣義線性判別函數(shù)                  
 3. 10  二次判別函數(shù)                  
 3. 11  分段線性判別函數(shù)                  
 3. 12  位勢函數(shù)分類法                  
 習題                  
 參考文獻                  
 第四章  統(tǒng)計判決                  
 4. 1  最小誤判概率準則判決                  
 4. 2  最小損失準則判決                  
 4. 3  最小最大損失準則判決                  
 4. 4  N-P(Neyman-Pearson)判決                  
 4. 5  序貫判決                  
 4. 6  Fisher準則判決                  
 習題                  
 參考文獻                  
 第五章  統(tǒng)計決策中的訓練. 學習與錯誤率測試. 估訐                  
 5. 1  統(tǒng)計推斷概述                  
 5. 2  參數(shù)估計                  
 5. 3  貝葉斯學習                  
 5. 4  概率密度的窗函數(shù)估計法及kN-近鄰法                  
 5. 5  有限項正交函數(shù)級數(shù)逼近法                  
 5. 6  用位勢函數(shù)法逼近貝葉斯判決函數(shù)                  
 5. 7  隨機逼近方法求類的后驗概率                  
 5. 8  統(tǒng)計決策準則下線性判決函數(shù)的訓練生成                  
 5. 9  錯誤率測試                  
 5. 10  平均損失及最小誤判概率的估計方法                  
 5. 11  經(jīng)驗風險設計                  
 習題                  
 參考文獻                  
 第六章  最近鄰方法                  
 6. 1  最近鄰法                  
 6. 2  剪輯最近鄰法                  
 6. 3  引入拒絕決策的最近鄰法                  
 6. 4  最近鄰法中的最佳距離及其實際計算                  
 習題                  
 參考文獻                  
 第七章  特征提取與選擇                  
 7. 1  概述                  
 7. 2  類別可分性判據(jù)                  
 7. 3  基于可分性判據(jù)進行變換的特征提取與選擇                  
 7. 4  最佳鑒別矢量的提取                  
 7. 5  離散K-L變換及其在特征提取與選擇中的應用                  
 7. 6  基于決策界的特征提取                  
 7. 7  特征選擇中的直接挑選法                  
 習題                  
 參考文獻                  
 第八章  模糊模式識別                  
 8. 1  引言                  
 8. 2  普通集合與模糊集合                  
 8. 3  普通集合中的關系及有關知識                  
 8. 4  模糊關系與模糊變換                  
 8. 5  模糊度與特征提取和選擇                  
 8. 6  模糊識別的基本方法                  
 習題                  
 參考文獻                  
 第九章  神經(jīng)網(wǎng)絡在模式識別中的應用                  
 9. 1  人工神經(jīng)網(wǎng)絡的基本知識                  
 9. 2  前向型人工神經(jīng)網(wǎng)絡                  
 9. 3  BP網(wǎng)的結(jié)構性能和學習改進                  
 9. 4  Hopfield網(wǎng)絡                  
 9. 5  隨機神經(jīng)網(wǎng)絡                  
 9. 6  自適應共振理論神經(jīng)網(wǎng)絡                  
 9. 7  自組織特征映射神經(jīng)網(wǎng)絡                  
 9. 8  模糊神經(jīng)網(wǎng)絡                  
 習題                  
 參考文獻                  
 第十章  信息融合                  
 10. 1  概述                  
 10. 2  融合技術的層次性及融合系統(tǒng)的功能模塊和結(jié)構                  
 10. 3  關于信息融合的熵理論                  
 10. 4  觀測不相關的分布式最小損失準則下的檢測與決策融合                  
 10. 5  觀測相關的決策融合                  
 10. 6  N-P準則下的數(shù)據(jù)融合                  
 10. 7  分布式檢測決策融合的全局最優(yōu)概述及某些約束條件下的最優(yōu)解                  
 10. 8  D-S證據(jù)理論融合算法                  
 參考文獻                  
 第十一章  句法模式識別                  
 11. 1  句法模式識別概述                  
 11. 2  形式語言                  
 11. 3  高維文法與隨機文法                  
 11. 4  模式的描述                  
 11. 5  句法分析                  
 11. 6  文法推斷                  
 參考文獻                  
 第十二章  智能化方法                  
 12. 1  人工智能簡述                  
 12. 2  專家系統(tǒng)                  
 12. 3  知識的表示                  
 12. 4  智能推理技術                  
 12. 5  不確定性推理                  
 參考文獻