第1章緒論
1.1模式識別的基本概念
1.2模式識別方法
1.3模式識別系統(tǒng)
1.4模式識別的應(yīng)用
習(xí)題
第2章貝葉斯決策
2.1貝葉斯決策的基本概念
2.2最小錯誤率貝葉斯決策
2.2.1決策規(guī)則
2.2.2錯誤率
2.2.3仿真實(shí)現(xiàn)
2.3最小風(fēng)險貝葉斯決策
2.3.1決策規(guī)則
2.3.2兩種貝葉斯決策的關(guān)系
2.4樸素貝葉斯分類器
2.5Neyman睵earson決策規(guī)則
2.6判別函數(shù)和決策面
2.7正態(tài)分布模式的貝葉斯決策
2.7.1正態(tài)概率密度函數(shù)
2.7.2正態(tài)概率模型下的最小錯誤率貝葉斯分類器
2.7.3仿真實(shí)現(xiàn)
2.8貝葉斯決策的實(shí)例
習(xí)題
第3章概率密度函數(shù)的估計
3.1基本概念
3.2參數(shù)估計
3.2.1最大似然估計
3.2.2最大后驗(yàn)估計
3.2.3貝葉斯估計
3.3非參數(shù)估計
3.3.1直方圖方法
3.3.2Parzen窗法
3.3.3kN近鄰密度估計法
3.4最小錯誤率貝葉斯決策的實(shí)例
習(xí)題
第4章線性判別分析
4.1基本概念
4.1.1線性判別函數(shù)
4.1.2廣義線性判別函數(shù)
4.1.3線性判別函數(shù)的設(shè)計
4.2Fisher線性判別分析
4.2.1基本原理
4.2.2準(zhǔn)則函數(shù)及求解
4.2.3分類決策
4.2.4仿真實(shí)現(xiàn)

4.3感知器算法
4.3.1基本概念
4.3.2感知器準(zhǔn)則函數(shù)及求解
4.3.3仿真實(shí)現(xiàn)
4.4最小二乘法
4.4.1平方誤差和準(zhǔn)則函數(shù)
4.4.2均方誤差準(zhǔn)則函數(shù)
4.4.3仿真實(shí)現(xiàn)
4.5支持向量機(jī)
4.5.1最優(yōu)分類超平面與線性支持向量機(jī)
4.5.2非線性可分與線性支持向量機(jī)
4.5.3核函數(shù)與支持向量機(jī)
4.5.4仿真實(shí)現(xiàn)
4.6多類問題
4.6.1化多類分類為兩類分類
4.6.2多類線性判別函數(shù)
4.6.3糾錯輸出編碼方法
4.7線性判別分析的實(shí)例
習(xí)題
第5章非線性判別分析
5.1近鄰法
5.1.1最小距離分類器
5.1.2分段線性距離分類器
5.1.3近鄰法及仿真實(shí)現(xiàn)
5.2二次判別函數(shù)
5.3決策樹
5.3.1基本概念
5.3.2決策樹的構(gòu)建
5.3.3過學(xué)習(xí)與決策樹的剪枝
5.3.4仿真實(shí)現(xiàn)
5.4Logistic回歸
5.4.1基本原理
5.4.2多分類任務(wù)
5.4.3仿真實(shí)現(xiàn)
5.5非線性判別分析的實(shí)例
習(xí)題
第6章組合分類器
6.1組合分類器的設(shè)計
6.1.1個體分類器的差異設(shè)計
6.1.2分類器性能度量
6.1.3組合策略
6.2Bagging算法
6.3隨機(jī)森林
6.4Boosting算法
6.4.1AdaBoost算法
6.4.2LogitBoost算法
6.4.3Gentle AdaBoost算法
6.4.4仿真實(shí)現(xiàn)
6.5組合分類的實(shí)例
習(xí)題
第7章無監(jiān)督模式識別
7.1聚類的基本概念
7.2相似性測度
7.2.1樣本相似性測度
7.2.2點(diǎn)和集合之間的相似性測度
7.2.3集合和集合之間的相似性測度
7.3動態(tài)聚類
7.3.1C均值算法
7.3.2C中心點(diǎn)聚類
7.3.3ISODATA算法
7.4層次聚類
7.4.1分裂層次聚類
7.4.2合并層次聚類
7.4.3仿真實(shí)現(xiàn)
7.5高斯混合聚類
7.5.1高斯混合分布
7.5.2高斯混合聚類的過程
7.5.3EM算法
7.5.4仿真實(shí)現(xiàn)
7.6模糊聚類
7.6.1模糊集的基本知識
7.6.2模糊C均值算法
7.7密度聚類
7.8聚類性能度量
7.8.1外部準(zhǔn)則
7.8.2內(nèi)部準(zhǔn)則
7.8.3仿真實(shí)現(xiàn)
7.9聚類分析的實(shí)例
習(xí)題
第8章特征選擇
8.1概述
8.2特征的評價準(zhǔn)則
8.2.1基于類內(nèi)類間距離的可分性判據(jù)
8.2.2基于概率分布的可分性判據(jù)
8.2.3基于熵函數(shù)的可分性判據(jù)
8.2.4基于統(tǒng)計檢驗(yàn)的可分性判據(jù)
8.2.5特征的相關(guān)性評價
8.3特征選擇的優(yōu)化算法
8.3.1特征選擇的最優(yōu)算法
8.3.2特征選擇的次優(yōu)算法
8.3.3特征選擇的啟發(fā)算法
8.4過濾式特征選擇方法
8.4.1最小冗余最大相關(guān)算法
8.4.2Relief和ReliefF算法
8.4.3基于拉普拉斯分?jǐn)?shù)的特征選擇算法
8.5包裹式特征選擇方法
8.6嵌入式特征選擇方法
習(xí)題
第9章特征提取
9.1概述
9.2基于類別可分性判據(jù)的特征提取
9.3K睱變換
9.3.1K睱變換的定義
9.3.2K睱變換的性質(zhì)
9.3.3信息量分析
9.3.4奇異值分解
9.3.5仿真實(shí)現(xiàn)
9.4獨(dú)立成分分析
9.4.1問題描述
9.4.2ICA算法
9.4.3RICA算法
9.5非負(fù)矩陣分解
9.6稀疏濾波
9.7多維尺度法
9.7.1經(jīng)典尺度法
9.7.2度量型MDS
9.7.3非度量型MDS
9.7.4等度量映射
9.8t睸NE算法
9.9其他非線性降維方法
9.9.1拉普拉斯特征映射
9.9.2局部線性嵌入
習(xí)題
第10章半監(jiān)督學(xué)習(xí)
10.1基本概念
10.2半監(jiān)督分類
10.2.1半監(jiān)督自訓(xùn)練分類
10.2.2生成式模型
10.2.3半監(jiān)督支持向量機(jī)
10.2.4基于圖的半監(jiān)督學(xué)習(xí)
10.3半監(jiān)督聚類
10.3.1約束C均值算法
10.3.2約束種子C均值算法
10.4半監(jiān)督降維
10.4.1半監(jiān)督局部Fisher判別分析
10.4.2基于約束的半監(jiān)督降維
習(xí)題
第11章人工神經(jīng)網(wǎng)絡(luò)
11.1神經(jīng)元模型
11.2多層感知器神經(jīng)網(wǎng)絡(luò)
11.2.1單層感知器
11.2.2多層感知器
11.2.3學(xué)習(xí)算法
11.2.4損失函數(shù)
11.2.5網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計
11.2.6在模式識別中的應(yīng)用
11.3其他常見神經(jīng)網(wǎng)絡(luò)
11.3.1徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)
11.3.2自組織映射網(wǎng)絡(luò)
11.3.3概率神經(jīng)網(wǎng)絡(luò)
11.3.4學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)
11.4基于前饋型神經(jīng)網(wǎng)絡(luò)的分類實(shí)例
11.5深度神經(jīng)網(wǎng)絡(luò)簡介
11.5.1受限玻爾茲曼機(jī)與深度置信網(wǎng)絡(luò)
11.5.2卷積神經(jīng)網(wǎng)絡(luò)
11.5.3循環(huán)神經(jīng)網(wǎng)絡(luò)
11.5.4生成對抗網(wǎng)絡(luò)
習(xí)題
參考文獻(xiàn)