模式识别导论PDF|Epub|txt|kindle电子书版本网盘下载

模式识别导论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　概论1

1.1　模式识别的基本概念1

1.2　模式和模式类2

1.3　模式识别的方法4

1.3.1　统计模式识别4

1.3.2　句法模式识别5

1.3.3　模糊模式识别方法和神经网络方法5

1.4　学习（训练）的概念7

1.5　模式识别系统8

1.5.1　数据获取8

1.5.2　预处理8

1.5.3　特征选择和降维8

1.5.4　分类决策9

1.6　模型识别技术的重要应用9

1.6.1　科学应用9

1.6.2　生命与行为科学9

1.6.3　工业应用10

1.6.4　医学应用10

1.6.5　农业应用10

1.6.6　行政应用10

1.6.7　某些军事用途10

1.7　模式识别应用举例——邮政编码识别11

1.7.1　二值化处理11

1.7.2　平滑处理12

1.7.3　细化处理12

1.7.4　跟踪和抽取特征14

1.7.5　分类判决15

第2章　判别函数18

2.1　判别函数（判决函数）18

2.2　线性判别函数18

2.3　线性判别函数的性质24

2.3.1　模式空间与加权空间24

2.3.2　解向量和解区24

2.3.3　超平面的几何性质25

2.3.4　二分法能力26

2.4　广义线性判别函数28

2.5　非线性判别函数30

2.5.1　分段线性判别函数30

2.5.2　基于距离的分段线性判别函数30

2.5.3　基于函数的分段线性判别函数32

2.5.4　用凹函数的并表示分段线性判别函数32

2.5.5　二次判别函数33

第3章　分类器的设计35

3.1　线性分类器的设计35

3.1.1　梯度下降法——迭代法37

3.1.2　感知器法37

3.1.3　最小平方误差准则（MSE法）——非迭代法41

3.1.4　韦-霍氏法（LMS法）42

3.1.5　何-卡氏法（LMSE算法）43

3.1.6　Fisher分类准则45

3.2　分段线形分类器的设计47

3.2.1 已知子类划分时的设计方法48

3.2.2 已知子类数目的设计方法48

3.2.3　未知子类数目时的设计方法48

3.3　线性不可分问题的分类器的设计49

3.4　讨论54

第4章　贝叶斯决策理论56

4.1　Bayes（贝叶斯）分类器56

4.1.1　两类问题56

4.1.2　多类情况58

4.2　正态分布决策理论59

4.2.1　正态分布判别函数60

4.2.2　最小错误率（贝叶斯）分类器61

4.3　关于分类器的错误率分析65

4.3.1　一般错误率分析65

4.3.2　正态分布最小错误率67

4.4　最小风险贝叶斯分类器67

4.5　贝叶斯分类器算法70

4.6　聂曼—皮尔逊判决准则（Neyman-Pearson）74

4.7　最大最小判别准则76

4.8　决策树79

4.8.1　基本概念80

4.8.2　决策树的构造80

4.8.3　决策树设计的基本考虑82

4.9　序贯分类82

4.10　讨论84

第5章　参数估计与非参数估计85

5.1　参数估计与监督学习85

5.1.1　参数估计与非参数估计86

5.1.2　监督学习与无监督学习86

5.2　参数估计理论86

5.2.1　最大似然估计86

5.2.2　贝叶斯估计89

5.2.3　贝叶斯学习90

5.3　非参数估计92

5.3.1　密度估计93

5.3.2　Parzen窗口估计95

5.3.3　kN-近邻估计101

5.3.4　后验概率的估计103

5.3.5　修正的k近邻分类方法104

5.3.6　最近邻法则106

5.3.7　简化最近邻法则109

第6章　聚类分析110

6.1　系统聚类110

6.1.1　两类距离110

6.1.2　聚类算法和递推公式113

6.1.3　利用非对称相似性矩阵的系统聚类方法116

6.2　分解聚类118

6.2.1　对分法118

6.2.2　一种方式的分解算法121

6.3　动态聚类——兼顾系统聚类和分解聚类122

6.3.1　动态聚类的方法概要122

6.3.2　代表点的选取方法123

6.3.3　初始分类和调整123

6.3.4　k次平均算法123

6.3.5　ISODATA算法（迭代自组织数据分析算法）126

6.4　利用图论的聚类方法130

6.4.1　基本概念131

6.4.2　孔茨的树聚类算法132

6.5　满足邻接条件的聚类方法134

6.5.1　最优分割法134

6.5.2　二维邻接条件136

6.5.3　满足二维邻接条件的聚类算法137

6.5.4　满足邻接条件的其他聚类方法139

第7章　句法结构模式识别141

7.1 引言141

7.2　形式语言基础142

7.2.1　基本概念142

7.2.2　短语结构文法143

7.3　模式的描述方法144

7.3.1　模式基元的选择和链描述法145

7.3.2　染色体文法147

7.3.3 图像描述语言（PDL）148

7.3.4　标准形式文法150

7.3.5　高维文法151

7.3.6　状态转移图描述法157

7.4　文法推断157

7.4.1　基本定义158

7.4.2　有限状态文法推断（正则文法的推断）159

7.4.3　非有限状态文法的推断164

7.5　句法分析168

7.5.1　用句法分析作模式识别168

7.5.2　句法分析的主要方法169

7.5.3　杨格（Younger）法172

7.5.4 CYK（Cocke-Younger-Kasami）剖析（列表法）174

7.5.5　厄利（Earley）法175

7.5.6　转移图文法177

7.5.7　算子优先文法179

7.6 自动机理论182

7.6.1　有限状态自动机182

7.6.2 下推自动机（PDA）186

7.6.3　1型文法和线性有界自动机191

7.6.4　0型文法和图灵机191

7.6.5　句法引导的简单翻译自动机193

7.7　误差校正句法分析200

7.7.1 随机文法200

7.7.2　句法模式相似性度量204

7.7.3　句法模式的聚类分析205

7.7.4　最小距离法206

第8章　模糊模式识别208

8.1　模糊集的基本概念208

8.2　模糊集的简单运算与模糊关系211

8.3　隶属函数216

8.4　模糊识别方法223

第9章　特征选择与降维239

9.1　单个特征的评价239

9.1.1 K-W检验239

9.1.2　直方图方法241

9.1.3　利用不确定性选择特征242

9.1.4　用于有序样本的特征选择方法243

9.2　主成分分析和对应分析244

9.2.1　主成分分析245

9.2.2　对应分析251

9.3　考虑多类情形的线性降维映射法254

9.3.1　几种常用线性映射及其性质255

9.3.2　多类问题线性降维映射算法256

9.4　非线性的降维映射方法257

9.4.1　降维映射方法中的几个问题258

9.4.2　迭代方法259

9.4.3　非迭代方法259

9.5　特征选择261

9.5.1　最优搜索算法262

9.5.2　次优搜索法265

9.6　特征选择的几种新方法267

9.6.1　模拟退火算法267

9.6.2　Tabu搜索算法269

9.6.3　遗传算法270

第10章　智能模式识别272

10.1　逻辑推理法272

10.1.1 引言272

10.1.2　知识表示方法273

10.1.3　基于知识的推理287

10.1.4　知识的获取300

10.1.5　应用实例304

10.2　人工神经网络309

10.2.1　大脑神经元的构成及其机理309

10.2.2　人工神经网络概述312

10.2.3　BP神经网络模型326

10.2.4　Hopfield神经网络模型330

10.3　支持向量机334

10.3.1　概述334

10.3.2　统计学习理论335

10.3.3　支持向量机337

10.3.4　顺序最小优化算法340

10.3.5　对SMO算法的改进347

10.3.6　应用改进的SMO算法的手写体数字识别系统354

10.3.7　讨论356

10.4　智能模式识别应用举例357

10.4.1　神经网络集成的手写体数字识别357

10.4.2　基于BP神经网络与支持向量机的二级手写体数字识别系统372

模式识别导论题库381

附录　计算机上机作业用数据集389

参考文献394