模式识别 第2版PDF|Epub|txt|kindle电子书版本网盘下载

模式识别 第2版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

第1章 绪论1

1.1 模式识别和模式的概念1

1.2 模式识别系统2

1.3 关于模式识别的一些基本问题3

第二版前言5

第一版前言7

1.4 关于本书的内容安排8

第2章 贝叶斯决策理论9

2.1 引言9

2.2 几种常用的决策规则9

2.2.1 基于最小错误率的贝叶斯决策9

2.2.2 基于最小风险的贝叶斯决策13

2.2.3 在限定一类错误率条件下使另一类错误率为最小的两类别决策16

2.2.4 最小最大决策18

2.2.5 序贯分类方法20

2.2.6 分类器设计20

2.3 正态分布时的统计决策24

2.3.1 正态分布概率密度函数的定义及性质24

2.3.2 多元正态概率型下的最小错误率贝叶斯判别函数和决策面30

2.4 关于分类器的错误率问题34

2.4.1 在一些特殊情况下错误率的理论计算35

2.4.2 错误率的上界38

2.5 讨论42

习题43

第3章 概率密度函数的估计46

3.1 引言46

3.2 参数估计的基本概念47

3.2.1 最大似然估计48

3.2.2 贝叶斯估计和贝叶斯学习50

3.3 正态分布的监督参数估计54

3.3.1 最大似然估计示例54

3.3.2 贝叶斯估计和贝叶斯学习示例55

3.4 非监督参数估计59

3.4.1 非监督最大似然估计中的几个问题59

3.4.2 正态分布情况下的非监督参数估计62

3.5 总体分布的非参数估计65

3.5.1 基本方法65

3.5.2 Parzen窗法67

3.5.3 kN-近邻估计71

3.6 关于分类器错误率的估计问题72

3.6.1 关于已设计好分类器时错误率的估计问题73

3.6.2 关于未设计好分类器时错误率的估计问题75

3.7 讨论80

习题81

第4章 线性判别函数83

4.1 引言83

4.1.1 线性判别函数的基本概念84

4.1.2 广义线性判别函数85

4.1.3 设计线性分类器的主要步骤87

4.2 Fisher线性判别87

4.3 感知准则函数91

4.3.1 几个基本概念91

4.3.2 感知准则函数及其梯度下降算法93

4.4 最小错分样本数准则95

4.4.1 解线性不等式组的共轭梯度法95

4.4.2 解线性不等式组的搜索法98

4.5 最小平方误差准则函数101

4.5.1 平方误差准则函数及其伪逆解101

4.5.3 随机MSE准则函数及其随机逼近算法104

4.5.2 MSE准则函数的梯度下降算法104

4.6 随机最小错误率线性判别准则函数106

4.6.1 随机最小错误率线性判别准则函数106

4.6.2 关于Jer(α)准则的随机逼近算法109

4.6.3 设计考虑和应用实例111

4.7 多类问题112

4.7.1 多类问题的基本概念112

4.7.2 决策树简介113

4.8 讨论117

习题117

第5章 非线性判别函数120

5.1 分段线性判别函数的基本概念120

5.1.1 基于距离的分段线性判别函数120

5.1.2 分段线性判别函数121

5.1.3 分段线性分类器设计的一般考虑122

5.2.1 分段线性判别函数的表示124

5.2 用凹函数的并表示分段线性判别函数124

5.2.2 算法步骤126

5.3 用交遇区的样本设计分段线性分类器129

5.3.1 算法基本思想129

5.3.2 紧互对原型对与交遇区129

5.3.3 局部训练法130

5.3.4 决策规则131

5.4 二次判别函数133

习题134

第6章 近邻法136

6.1 最近邻法136

6.1.1 最近邻决策规则136

6.1.2 最近邻法的错误率分析136

6.2 k-近邻法140

6.3.1 近邻法的快速算法142

6.3 关于减少近邻法计算量和存储量的考虑142

6.3.2 剪辑近邻法145

6.3.3 压缩近邻法153

6.4 可做拒绝决策的近邻法154

6.4.1 具有拒绝决策的k-近邻法154

6.4.2 具有拒绝决策的剪辑近邻法154

6.5 最佳距离度量近邻法156

习题159

第7章 经验风险最小化和有序风险最小化方法161

7.1 平均风险最小化和经验风险最小化161

7.2 有限事件类情况162

7.3 线性分界权向量数的估计163

7.4 事件出现频率一致收敛于其概率的条件164

7.5 生长函数的性质165

7.6 经验最优判决规则偏差的估计166

7.7 经验最优判决规则偏差估计的改进167

7.8 有序风险最小化方法168

7.8.1 判决规则选择准则169

7.8.2 几种判决规则类的排序方法170

7.9 讨论173

习题174

第8章 特征的选择与提取176

8.1 基本概念176

8.1.1 问题的提出176

8.1.2 一些基本概念176

8.2 类别可分离性判据178

8.2.1 用于可分性判据的类内类间距离178

8.2.2 基于概率分布的可分性判据180

8.2.3 基于熵函数的可分性判据183

8.2.4 类别可分离性判据的直接应用举例184

8.3.1 按欧氏距离度量的特征提取方法185

8.3 特征提取185

8.3.2 按概率距离判据的特征提取方法189

8.3.3 用散度准则函数的特征提取器192

8.3.4 多类情况193

8.3.5 基于判别熵最小化的特征提取195

8.3.6 两维显示197

8.4 特征选择198

8.4.1 最优搜索算法199

8.4.2 次优搜索法202

8.4.3 可分性判据的递推计算204

8.5 特征选择的几种新方法205

8.5.1 模拟退火算法205

8.5.2 Tabu搜索算法207

8.5.3 遗传算法208

习题210

第9章 基于K-L展开式的特征提取212

9.1 傅里叶级数展开式212

9.2 K-L展开式213

9.3 K-L展开式的性质215

9.3.1 展开系数215

9.3.2 表示熵215

9.3.3 总体熵217

9.4 K-L坐标系的产生矩阵218

9.5 从类平均向量中提取判别信息218

9.6 包含在类平均向量中判别信息的最优压缩220

9.7 包含在类中心化特征向量中判别信息的提取221

9.8 用于非监督模式识别问题中的特征提取223

9.9 K-L变换在人脸自动识别研究中的一个应用223

9.9.1 图像的归一化224

9.9.2 K-L变换224

9.9.3 特征向量的选取226

9.10 讨论227

习题228

第10章 非监督学习方法230

10.1 引言230

10.2 单峰子集(类)的分离方法230

10.2.1 投影方法230

10.2.2 基于对称集性质的单峰子集分离法232

10.2.3 单峰子集分离的迭代算法233

10.3 类别分离的间接方法234

10.3.1 动态聚类方法235

10.3.2 近邻函数准则算法241

10.4 分级聚类方法244

10.5 非监督学习方法中的一些问题247

习题248

11.1 引言250

第11章 人工神经网络250

11.2 人工神经元251

11.2.1 生物神经元251

11.2.2 人工神经元251

11.2.3 神经元的学习算法253

11.3 前馈神经网络及其主要算法253

11.3.1 前馈神经网络253

11.3.2 感知器253

11.3.3 三层前馈网络254

11.3.4 反向传播算法(BP法)254

11.3.5 径向基函数网络257

11.4 竞争学习和侧抑制258

11.5 自组织特征映射259

11.6 Hopfield网络261

11.6.1 离散Hopfield网络261

11.6.3 优化计算263

11.6.2 联想存储器263

11.6.4 连续时间Hopfield网络264

11.7 神经网络模式识别的典型做法265

11.7.1 多层前馈网络用于模式识别265

11.7.2 自组织网络用于模式识别266

11.8 前馈神经网络与统计模式识别的关系267

11.8.1 隐层的特征提取作用267

11.8.2 神经网络与贝叶斯分类器270

11.9 讨论271

第12章 模糊模式识别方法273

12.1 引言273

12.2 模糊集的基本知识273

12.3 模糊特征和模糊分类275

12.3.2 结果的模糊化276

12.3.1 模糊化特征276

12.4 特征的模糊评价277

12.4.1 模糊程度的度量277

12.4.2 特征的模糊评价278

12.5 模糊聚类方法280

12.5.1 模糊C均值算法280

12.5.2 改进的模糊C均值算法281

12.6 模糊k近邻分类器282

12.7 讨论283

第13章 统计学习理论和支持向量机284

13.1 引言284

13.2 机器学习的基本问题和方法285

13.2.1 机器学习问题的表示285

13.2.2 经验风险最小化286

13.2.3 复杂性与推广能力287

13.3.1 学习过程一致性的条件288

13.3 统计学习理论的核心内容288

13.3.2 函数集的学习性能与VC维290

13.3.3 推广性的界293

13.3.4 结构风险最小化295

13.4 支持向量机296

13.4.1 最优分类面296

13.4.2 广义最优分类面298

13.4.3 规范化超平面集的子集结构299

13.4.4 支持向量机299

13.5 讨论303

第14章 模式识别在语音信号数字处理中的应用举例305

14.1 说话人识别概述305

14.2 语音信号及其几个特性306

14.3 短时基音周期的估计310

14.4 一个说话人识别系统举例312

14.5 讨论314

第15章 印刷体汉字识别中的特征提取315

15.1 印刷体汉字识别的基本知识315

15.2 印刷体汉字的统计特性及分析317

15.3 文字的归一化321

15.4 印刷体汉字识别中的一些特征323

15.5 分类问题327

15.6 判别准则328

15.7 讨论329

主要参考书目330

附录A 几种最优化算法331

A.1 梯度(下降)法331

A.2 牛顿法332

A.3 共轭梯度法333

A.4 Lagrange乘子法335

A.5 随机逼近法336