现代模式识别

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