第1章 模式識(shí)別概述
1.1 模式識(shí)別的基本慨念
1.2 特征空間優(yōu)化設(shè)計(jì)問(wèn)題
1.3 分類(lèi)器設(shè)計(jì)
1.3.1 分類(lèi)器設(shè)計(jì)基本方法
1.3.2 判別函數(shù)
1.3.3 分類(lèi)器的選擇
1.3.4 訓(xùn)練與學(xué)習(xí)
1.4 聚類(lèi)設(shè)計(jì)
1.5 模式識(shí)別的應(yīng)用
本章小結(jié)
習(xí)題1
第2章 特征的選擇與提取
2.1 樣本特征庫(kù)初步分析
2.2 樣品篩選處理
2.3 特征篩選處理
2.3.1 特征相關(guān)分析
2.3.2 特征選擇及搜索算法
2.4 特征評(píng)估
2.5 基于主成分分析的特征提取
2.6 特征空間描述與分析
2.6.1 特征空間描述
2.6.2 特征空間分布分析
2.7 手寫(xiě)數(shù)字特征提取與分析
2.7.1 手寫(xiě)數(shù)字特征提取
2.7.2 手寫(xiě)數(shù)字特征空間分布分析
本章小結(jié)
習(xí)題2
第3章 模式相似性測(cè)度
3.1 模式相似性測(cè)度的基本概念
3.2 距離測(cè)度分類(lèi)法
3.2.1 模板匹配法
3.2.2 基于PCA的模板匹配法
3.2.3 基于類(lèi)中心的歐式距離法分類(lèi)
3.2.4 馬氏距離分類(lèi)
3.2.5 夾角余弦距離分類(lèi)
3.2.6 二值化的夾角余弦距離法分類(lèi)
3.2.7 二值化的Tanimoto測(cè)度分類(lèi)
本章小結(jié)
習(xí)題3
第4章 基于概率統(tǒng)計(jì)的貝葉斯分類(lèi)器設(shè)計(jì)
4.1 貝葉斯決策的基本概念
4.1.1 貝葉斯決策所討論的問(wèn)題
4.1.2 貝葉斯公式
4.2 基于最小錯(cuò)誤率的貝葉斯決策
4.3 基于最小風(fēng)險(xiǎn)的貝葉斯決策
4.4 貝葉斯決策比較
4.5 基于二值數(shù)據(jù)的貝葉斯分類(lèi)實(shí)現(xiàn)
4.6 基于最小錯(cuò)誤率的貝葉斯分類(lèi)實(shí)現(xiàn)
4.7 基于最小風(fēng)險(xiǎn)的貝葉斯分類(lèi)實(shí)瑚
本章小結(jié)
習(xí)題4
第5章 判別函數(shù)分類(lèi)器設(shè)計(jì)
5.1 判別函數(shù)的基本概念
5.2 線(xiàn)性判別函數(shù)
5.3 線(xiàn)性判別函數(shù)的實(shí)現(xiàn)
5.4 感知器算法
5.5 增量校正算法
5.6 LMSE驗(yàn)證可分性
5.7 LMSE分類(lèi)算法
5.8 Fishe-r分類(lèi)
5.9 基于核的Fisher分類(lèi)
5.10 線(xiàn)性分類(lèi)器實(shí)現(xiàn)分類(lèi)的局限
5.11 非線(xiàn)性判別函數(shù)
5.12 分段線(xiàn)性判別函數(shù)
5.13 勢(shì)函數(shù)法
5.14 支持向量機(jī)
本章小結(jié)
習(xí)題5
第6章 神經(jīng)網(wǎng)絡(luò)分類(lèi)器設(shè)計(jì)
6.1 人工神經(jīng)網(wǎng)絡(luò)的基本原理
6.1.1 人工神經(jīng)元
……
第7章 決策樹(shù)分類(lèi)器
第8章 粗糙集分類(lèi)器
第9章 聚類(lèi)分析
第10章 模糊聚類(lèi)分析
第11章 遺傳算法聚類(lèi)分析
第12章 蟻群算法聚類(lèi)分析
第13章 粒子群算法聚類(lèi)分析
參考文獻(xiàn)