模式識別（簡體書）

《模式識別》系統闡述了模式識別的原理與方法，并在此基礎上介紹了模式識別的應用。全書分為：基礎部分和應用部分：基礎部分主要包括統計模式識別、模糊模式識別、神經網絡模式識別等內容；應用部分有車牌識別和語音識別。《模式識別》將理論與實踐相結合，有利于讀者加深對理論方法的理解，可使讀者比較系統地掌握模式識別的理論和相關技術。書中給出的兩個應用實例，為讀者應用模式識別方法來解決實際問題提供了具體思路和方法。附錄給出的習題解答，有利于學生學習理解原理與方法。
《模式識別》可以作為高等院校自動化、計算機、生物醫學工程等學科本科生、研究生的教材或教學參考書，亦可供有關工程技術人員參考。

第1章 緒論 (1)
1.1 模式和模式識別的概念 (1)
1.2 模式識別的研究方法 (1)
1.2.1 識別方法 (1)
1.2.2 模式識別系統的組成 (2)
1.3 模式識別的應用 (3)
參考文獻 (5)

第2章 貝葉斯決策理論 (6)
2.1 基於最小錯誤率的貝葉斯判別法 (6)
2.2 基於貝葉斯公式的幾種判別規則 (10)
2.2.1 基於最小風險的貝葉斯決策 (10)
2.2.2 最小最大決策 (13)
2.3 正態分布模式的統計決策 (15)
2.3.1 正態分布概率密度函數的定義及性質 (15)
2.3.2 多元正態概率模型的貝葉斯判別函數 (20)
2.4 概率密度函數的估計 (24)
2.4.1 最大似然估計 (25)
2.4.2 貝葉斯估計 (28)
2.5 離散情況的貝葉斯決策 (31)
2.6 貝葉斯分類器的錯誤率 (33)
習題2 (37)
參考文獻 (37)

第3章 線性判別函數 (39)
3.1 線性判別函數 (39)
3.2 廣義線性判別函數 (42)
3.3 感知器算法 (44)
3.3.1 基於賞罰概念的感知器訓練算法 (44)
3.3.2 梯度下降法 (46)
3.4 最小平方誤差準則函數 (47)
3.5 多類問題 (50)
3.5.1 多類問題的基本概念 (50)
3.5.2 決策樹簡介 (51)
3.6 Fisher線性判別函數 (54)
習題3 (56)
參考文獻 (57)

第4章 模式特徵提取與選擇 (58)
4.1 離散K-L變換 (58)
4.1.1 離散K-L展開式 (59)
4.1.2 基於K-L變換的數據壓縮 (60)
4.1.3 基於K-L變換的特徵提取 (62)
4.2 離散傅里葉變換 (64)
4.2.1 一維離散傅里葉變換 (64)
4.2.2 二維離散傅里葉變換 (65)
4.3 離散余弦和正弦變換 (67)
4.3.1 余弦變換 (67)
4.3.2 正弦變換 (69)
4.4 Hadamard變換 (70)
4.5 Haar變換 (72)
4.6 小波變換 (73)
4.6.1 連續小波變換 (73)
4.6.2 離散小波變換 (75)
4.6.3 多分辨率分析 (75)
4.6.4 正交小波包 (78)
習題4 (79)
參考文獻 (80)

第5章 聚類分析 (81)
5.1 相似性測度和聚類準則 (82)
5.1.1 相似性測度 (82)
5.1.2 聚類準則 (83)
5.2 聚類算法 (86)
5.2.1 聚類算法的分類 (86)
5.2.2 層次聚類算法 (87)
5.2.3 K均值算法 (90)
5.2.4 核聚類 (93)
5.2.5 ISODATA算法 (95)
5.3 聚類有效性 (99)
習題5 (101)
參考文獻 (102)

第6章 人工神經網絡 (103)
6.1 人工神經網絡的構成 (103)
6.1.1 神經元的結構模型 (103)
6.1.2 人工神經網絡的連接方式 (105)
6.1.3 神經網絡模型分類 (107)
6.1.4 神經網絡學習規則 (108)
6.2 多層前饋網絡學習算法 (109)
6.2.1 前饋網絡模型 (109)
6.2.2 感知器分類學習算法 (113)
6.2.3 BP網絡分類學習算法 (115)
6.3 聯想記憶網絡學習算法 (118)
6.3.1 反饋網絡模型 (119)
6.3.2 聯想記憶分類學習算法 (124)
6.4 海明網絡分類學習算法 (127)
6.4.1 海明神經網絡結構 (127)
6.4.2 海明網絡分類學習算法 (128)
6.5 特徵映射網絡分類學習算法 (130)
6.5.1 特徵映射網絡結構 (130)
6.5.2 特徵映射分類學習算法 (131)
6.6 前饋網絡分類機理 (133)
6.6.1 前饋網絡分類的幾何機理 (133)
6.6.2 前饋網絡分類的代數機理 (137)
6.7 徑向基函數網絡 (139)
6.7.1 徑向基函數 (139)
6.7.2 徑向基函數網絡的特點 (140)
6.7.3 徑向基函數網絡的正則化 (142)
習題6 (145)
參考文獻 (146)

第7章 支持向量機 (149)
7.1 最優分類超平面 (149)
7.2 支持向量機的理論基礎 (153)
7.2.1 支持向量機的三種分類形式 (153)
7.2.2 統計學習理論 (160)
7.2.3 優化理論 (166)
7.3 常用的幾種支持向量機 (168)
7.3.1 C-支持向量分類機 (168)
7.3.2 C-支持向量機的變形 (174)
7.3.3 廣義支持向量機 (175)
7.3.4 v-支持向量機 (176)
7.4 支持向量回歸機 (178)
7.4.1 回歸問題 (178)
7.4.2 線性回歸 (179)
7.4.3 非線性回歸 (182)
7.4.4 ?-支持向量回歸機 (184)
7.4.5 v-支持向量回歸機 (185)
習題7 (187)
參考文獻 (187)

第8章 核函數方法及應用 (189)
8.1 核函數的可分性條件 (190)
8.1.1 輸入空間中樣本點線性可分的判別條件 (190)
8.1.2 特徵空間中樣本點線性可分的判別條件 (191)
8.2 核函數的參數確定 (195)
8.3 核函數的構造方法 (196)
8.3.1 基於特徵變換的核函數構造 (196)
8.3.2 利用Mercer核函數的性質組合核函數 (197)
8.3.3 借助其他領域知識構造核函數 (198)
8.4 幾種核方法 (198)
8.4.1 KPCA的基本思想 (198)
8.4.2 基於類內散布的最優kernel PCA展開方法 (201)
8.4.3 融合先驗類別信息的非線性主元分析算法 (202)
8.4.4 PKPCA與KPCA和KFD的關係 (205)
習題8 (205)
參考文獻 (206)

第9章 模糊模式識別 (207)
9.1 模糊數學的基本理論 (207)
9.1.1 模糊集合 (207)
9.1.2 模糊關係 (210)
9.1.3 模糊集合的度量 (213)
9.2 模糊模式識別的基本方法 (217)
9.2.1 最大隸屬原則 (217)
9.2.2 擇近原則 (218)
9.3 模糊聚類分析方法 (220)
9.3.1 基於模糊等價矩陣的聚類分析 (220)
9.3.2 模糊C均值聚類算法 (224)
9.3.3 模糊聚類的有效性 (228)
習題9 (232)
參考文獻 (233)

第10章 模式識別應用 (235)
10.1 車牌識別 (235)
10.1.1 車牌圖像預處理 (235)
10.1.2 車牌定位 (239)
10.1.3 字符分割 (246)
10.1.4 字符識別 (247)
10.2 語音識別 (252)
10.2.1 語音識別研究的發展與現狀 (252)
10.2.2 語音識別方法簡介 (254)
10.2.3 DHMM語音識別系統 (256)
參考文獻 (280)
附錄A 鳶尾屬植物樣本數據(Iris Data) (283)
附錄B 習題解答 (285)
習題2 (285)
習題3 (288)
習題4 (289)
習題5 (292)
習題6 (298)
習題7 (299)
習題8 (302)
習題9 (303)