模式识别PDF|Epub|txt|kindle电子书版本网盘下载

模式识别PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

1.1　模式与模式识别的概念1

第1章 绪论1

1.2　模式识别的研究方法2

1.2.1　模式识别系统2

1.2.2　识别方法3

1.3　模式识别的发展与应用4

1.4　本书内容的安排5

第2章　贝叶斯决策理论6

2.1 贝叶斯决策的基本概念6

2.2.1　最小错误率的贝叶斯决策7

2.2 几种常用的决策规则7

2.2.2　最小风险的贝叶斯决策11

2.2.3　限定错误率的两类判别决策14

2.2.4　最大最小决策16

2.2.5　分类器设计18

2.3　正态分布时的统计决策20

2.3.1　单变量正态分布概率密度函数20

2.3.2　多元正态分布概率密度函数20

2.3.3　多元正态分布下最小错误率贝叶斯决策23

2.4 离散情况的贝叶斯决策26

2.5　概率密度函数估计28

2.5.1 参数估计29

2.5.2　非参数估计36

2.6　分类错误率的计算43

2.6.1　在一些特殊情况下错误率的理论计算44

2.6.2　错误率上界的估计46

2.7　本章小结50

练习题51

3.1.1　线性判别函数的基本概念53

3.1 感知准则函数53

第3章　线性与非线性判别函数53

3.1.2　感知器概念及其训练算法54

3.1.3　感知器准则函数及其梯度法55

3.2 最小平方误差准则与最小错分样本数准则56

3.2.1　最小平方误差准则56

3.2.2　最小错分样本数准则58

3.3 Fisher线性判别准则59

3.3.1　线性投影与Fisher准则函数59

3.3.2　线性求解最佳解向量60

3.4　分段线性判别函数的基本概念61

3.3.3　Fisher算法实现步骤61

3.4.1　基于距离的分段线性判别函数62

3.4.2　分段线性分类器的设计63

3.5　二次判别函数65

3.6　本章小结66

练习题67

第4章　近邻法则和集群68

4.1 最近邻法68

4.1.1　最近邻法决策规则68

4.1.2　最近邻法的错误率分析69

4.2　k近邻法及模糊k近邻分类器73

4.2.1 k近邻法73

4.2.2　k近邻法错误率的分析74

4.2.3　模糊k近邻fkNN（fuzzy k Nearest Neighbor）分类器77

4.3 关于近邻法则的讨论77

4.3.1　近邻法分类结果讨论77

4.3.2　近邻法则的优缺点79

4.4　改进的近邻法81

4.4.1　快速搜索近邻法81

4.4.2　快速近邻算法82

4.4.3　剪辑近邻法85

4.4.4　压缩近邻法86

4.4.5　k近邻法的快速计算87

4.5　集群89

4.5.1　样本间相似性的计算89

4.5.2　集群的准则函数91

4.5.3　迭代最优化方法94

4.5.4　等级集群方法95

4.5.5　基于近邻法则的集群算法98

练习题100

4.6　本章小结100

第5章　数据聚类102

5.1 数据聚类的三个要点102

5.2　模式相似性测度及标准化103

5.2.1　相似性测度103

5.2.2　标准化问题104

5.3　聚类的准则函数105

5.3.1　误差平方和准则105

5.3.2　散布准则106

5.3.3　基于模式与类核间距离的准则函数108

5.4　分级聚类算法108

5.5　动态聚类法111

5.5.1　K均值算法113

5.5.2　ISODATA算法114

5.5.3　模糊K均值聚类116

5.5.4　核聚类117

5.6　聚类有效性分析119

5.7　本章小结120

练习题120

第6章　特征抽取和选择122

6.1　特征抽取和选择的基本概念122

6.2.1　基于类间距离的可分离性判据123

6.2　类别可分离性判据123

6.2.2　基于类概率密度函数的可分离性判据126

6.2.3　基于熵函数的可分离性判据128

6.3　特征抽取方法129

6.3.1　基于可分离性判据的特征抽取方法130

6.3.2　基于离散K-L变换的特征抽取方法131

6.3.3　特征的模糊化与特征模糊评价133

6.4　特征选择方法135

6.4.1　经典的优化搜索算法136

6.4.2　新的优化搜索算法139

6.5　本章小结140

练习题141

第7章 统计学习理论与支持向量机方法142

7.1 机器学习的基本问题与方法142

7.1.1　机器学习概述142

7.1.2　机器学习的基本问题145

7.1.3　学习系统实例147

7.1.4　机器学习方法150

7.1.5　机器学习的应用155

7.2.1　学习过程的一致性157

7.2 统计学习理论的核心内容157

7.2.2　学习过程收敛速度的界168

7.2.3　结构风险最小化原则174

7.3　支持向量机177

7.3.1 支持向量机产生的理论背景177

7.3.2　线性支持向量机179

7.3.3　非线性支持向量机185

7.3.4　SVM算法目前的研究状况188

7.3.5　支持向量机的应用189

练习题191

7.4　本章小结191

第8章　句法分析及句法结构模式识别方法193

8.1 形式语言理论概述193

8.1.1　形式语言概述193

8.1.2　形式语言在模式识别中发展的几种文法196

8.2　正规语言的句法分析方法200

8.2.1　句法分析定义200

8.2.2　句法分析方法201

8.2.3　正规语言句法分析204

8.3.1　算子优先文法206

8.3　算子优先算法206

8.3.2　算子优先关系矩阵的构造207

8.4　CYK算法209

8.5 Earley算法212

8.6　随机文法218

8.6.1　随机文法相关概念218

8.6.2　随机有限自动机220

8.6.3　随机文法的应用223

8.7　属性文法223

8.7.1　属性文法的概念224

8.8　本章小结225

8.7.2　属性文法应用的举例225

练习题226

第9章 模式识别技术应用实例228

9.1 指纹识别系统应用实例228

9.1.1　指纹识别系统中的模式识别及应用228

9.1.2　基于指纹特征的考生身份识别系统231

9.2　IC卡应用实例236

9.2.1　IC卡技术236

9.2.2　校园一卡通智能管理系统的设计与实现236

9.3.1　基于机器学习的入侵检测系统实例240

9.3　入侵检测系统应用实例240

9.3.2　基于SVM的入侵检测系统实例246

9.3.3　基于遗传算法的入侵检测系统250

9.4 字符识别应用实例253

9.4.1　几种常用的模式识别方法及其在字符识别方面的比较253

9.4.2　BP网络及学习过程253

9.4.3　基于遗传算法和BP网络的文字识别方法255

9.5　本章小结258

练习题258

参考文献260