现代模式识别PDF|Epub|txt|kindle电子书版本网盘下载

现代模式识别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

第一章 引论1

1．1 概论1

1．2 特征矢量和特征空间4

1．3 随机矢量的描述5

1．4 正态分布8

参考文献12

第二章 聚类分析13

2．1 聚类分析的概念13

2．2 模式相似性测度14

2．3 类的定义与类间距离19

2．4 聚类的算法25

习题44

参考文献45

第三章 判别域代数界面方程法46

3．1 用判别域界面方程分类的概念46

3．2 线性判别函数47

3．3 判别函数值的鉴别意义、权空间及解空间51

3．4 Fisher线性判别53

3．5 一次准则函数及梯度下降法57

3．6 二次准则函数及其解法62

3．7 线性规划方法69

3．8 线性二分能力（Linear dichotomies）70

3．9 广义线性判别函数73

3．10 二次判别函数75

3．11 分段线性判别函数77

3．12 位势函数分类法85

参考文献89

习题89

第四章 统计判决91

4．1 最小误判概率准则判决91

4．2 最小损失准则判决106

4．3 最小最大损失准则判决114

4．4 N-P（Neyman—Pearson）判决117

4．5 序贯判决119

4．6 Fisher准则判决124

习题125

参考文献127

第五章 统计决策中的训练、学习与错误率测试、估计128

5．1 统计推断概述128

5．2 参数估计129

5．3 贝叶斯学习133

5．4 概率密度的窗函数估计法及KN-近邻法134

5．5 有限项正交函数级数逼近法141

5．6 用位势函数法逼近贝叶斯判决函数145

5．7 随机逼近方法求类的后验概率148

5．8 统计决策准则下线性判决函数的训练生成152

5．9 错误率测试158

5．10 平均损失及最小误判概率的估计方法163

5．11 经验风险设计165

习题170

参考文献171

第六章 最近邻方法172

6．1 最近邻法172

6．2 剪辑最近邻法178

6．3 引入拒绝决策的最近邻法183

6．4 最近邻法中的最佳距离及其实际计算184

习题188

参考文献189

第七章 特征提取与选择190

7．1 概述190

7．2 类别可分性判据191

7．3 基于可分性判据进行变换的特征提取与选择201

7．4 最佳鉴别矢量的提取213

7．5 离散K—-L变换及其在特征提取与选择中的应用216

7．6 基于决策界的特征提取227

7．7 特征选择中的直接挑选法234

习题240

参考文献241

8．1 引言243

8．2 普通集合与模糊集合243

第八章 模糊模式识别243

8．3 普通集合中的关系及有关知识253

8．4 模糊关系与模糊变换256

8．5 模糊度与特征提取和选择260

8．6 模糊识别的基本方法263

习题275

参考文献277

第九章 神经网络在模式识别中的应用278

9．1 人工神经网络的基本知识278

9．2 前向型人工神经网络282

9．3 BP网的结构性能和学习改进288

9．4 Hopfield网络299

9．5 随机神经网络308

9．6 自适应共振理论神经网络317

9．7 自组织特征映射神经网络320

9．8 模糊神经网络324

习题328

参考文献329

第十章 信息融合330

10．1 概述330

10．2 融合技术的层次性及融合系统的功能模块和结构331

10．3 关于信息融合的熵理论337

10．4 观测不相关的分布式最小损失准则下的检测与决策融合341

10．5 观测相关的决策融合347

10．6 N-P准则下的数据融合352

10．7 分布式检测决策融合的全局最优概述及某些约束条件下的最优解354

10．8 D-S证据理论融合算法358

参考文献365

11．1 句法模式识别概述366

第十一章 句法模式识别366

11．2 形式语言367

11．3 高维文法与随机文法371

11．4 模式的描述377

11．5 句法分析383

11．6 文法推断400

参考文献416

第十二章 智能化方法417

12．1 人工智能简述417

12．2 专家系统418

12．3 知识的表示420

12．4 智能推理技术424

12．5 不确定性推理433

参考文献459