模式識(shí)別（第三版）

第1章 導(dǎo)論
1.1模式識(shí)別的重要性
1.2特征、特征向量和分類器
1.3有監(jiān)督和無(wú)監(jiān)督模式識(shí)別
1.4本書的內(nèi)容安排
第2章 基于貝葉斯決策理論的分類器
2.1引言
2.2貝葉斯決策理論
2.3判別函數(shù)和決策面
2.4正態(tài)分布的貝葉斯分類
2.5未知概率密度函數(shù)的估計(jì)
2.6最近鄰規(guī)則
2.7貝葉斯網(wǎng)絡(luò)
習(xí)題
參考文獻(xiàn)
第3章 線性分類器
3.1引言
3.2線性判別函數(shù)和決策超平面
3.3感知器算法
3.4最小二乘法
3.5均方估計(jì)的回顧
3.6邏輯識(shí)別
3.7支持向量機(jī)
習(xí)題
參考文獻(xiàn)
第4章 非線性分類器
4.1引言
4.2異或問(wèn)題
4.3兩層感知器
4.4三層感知器
4.5基于訓(xùn)練集準(zhǔn)確分類的算法
4.6反向傳播算法
4.7反向傳播算法的改進(jìn)
4.8代價(jià)函數(shù)選擇
4.9神經(jīng)網(wǎng)絡(luò)大小的選擇
4.10仿真實(shí)例
4.11具有權(quán)值共享的網(wǎng)絡(luò)
4.12線性分類器的推廣
4.13線性二分法中z維空間的容量
4.14多項(xiàng)式分類器
4.15徑向基函數(shù)網(wǎng)絡(luò)
4.16通用逼近
4.17支持向量機(jī)：非線性情況
4.18決策樹
4.19合并分類器
4.20合并分類器的增強(qiáng)法
4.21討論
習(xí)題
參考文獻(xiàn)
第5章 特征選擇
5.1引言
5.2預(yù)處理
5.3基于統(tǒng)計(jì)假設(shè)檢驗(yàn)的特征選擇
5.4接收機(jī)操作特性roc曲線
5.5類可分性測(cè)量
5.6特征子集的選擇
5.7最優(yōu)特征生成
5.8神經(jīng)網(wǎng)絡(luò)和特征生成/選擇
5.9推廣理論的提示
5.10貝葉斯信息準(zhǔn)則
習(xí)題
參考文獻(xiàn)
第6章 特征生成i：線性變換
6.1引言
6.2基本向量和圖像
6.3karhunen—loeve變換
6.4奇異值分解
6.5獨(dú)立成分分析
6.6離散傅里葉變換(dft)
6.7離散正弦和余弦變換
6.8hadamard變換
6.9’haar變換
6.10回顧haar。展開(kāi)式
6.11離散時(shí)間小波變換(dtwt)
6.12多分辨解釋
6.13小波包
6.14二維推廣簡(jiǎn)介
6.15應(yīng)用
習(xí)題
參考文獻(xiàn)
第7章 特征生成ii
7.1引言
7.2區(qū)域特征
7.3字符形狀和大小的特征
7.4分形概述
7.5語(yǔ)音和聲音分類的典型特征
習(xí)題
參考文獻(xiàn)
第8章 模板匹配
8.1引言
8.2基于最優(yōu)路徑搜索技術(shù)的測(cè)度
8.3基于相關(guān)的測(cè)度
8.4可變形的模板模型
習(xí)題
參考文獻(xiàn)
第9章 上下文相關(guān)分類
9.1引言
9.2貝葉斯分類器
9.3馬爾可夫鏈模型
9.4viterbi算法
9.5信道均衡
9.6隱馬爾可夫模型
9.7狀態(tài)駐留的hmm
9.8用神經(jīng)網(wǎng)絡(luò)訓(xùn)練馬爾可夫模型
9.9馬爾可夫隨機(jī)場(chǎng)的討論
習(xí)題
參考文獻(xiàn)
第10章 系統(tǒng)評(píng)價(jià)
10.1引言
10.2誤差計(jì)算方法
10.3探討有限數(shù)據(jù)集的大小
10.4.醫(yī)學(xué)圖像實(shí)例研究
習(xí)題
參考文獻(xiàn)
第11章 聚類：基本概念
11.1引言
11.2近鄰測(cè)度
習(xí)題
參考文獻(xiàn)
第12章 聚類算法i：順序算法
12.1引言
12.2聚類算法的種類
12.3順序聚類算法
12.4bsas的改進(jìn)
12.5兩個(gè)閾值的順序方法
12.6改進(jìn)階段
12.7神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)
習(xí)題
參考文獻(xiàn)
第13章 聚類算法ii：層次算法
13.1引言
13.2合并算法
13.3cophenetic矩陣
13.4分裂算法
13.5用于大數(shù)據(jù)集的層次算法
13.6最佳聚類數(shù)的選擇
習(xí)題
參考文獻(xiàn)
第14章 聚類算法iii：基于函數(shù)最優(yōu)方法
14.1引言
14.2混合分解方法
14.3模糊聚類算法
14.4可能性聚類
14.5硬聚類算法
14.6向量量化
附錄
習(xí)題
參考文獻(xiàn)
第15章 聚類算法iv
15.1引言
15.2基于圖論的聚類算法
15.3競(jìng)爭(zhēng)學(xué)習(xí)算法
15.4二值形態(tài)聚類算法
15.5邊界檢測(cè)算法
15.6谷點(diǎn)搜索聚類算法
15.7通過(guò)代價(jià)最優(yōu)聚類(回顧)
15.8核聚類方法
15.9對(duì)大數(shù)據(jù)集的基于密度算法
15.10高維數(shù)據(jù)集的聚類算法
15.11其他聚類算法
習(xí)題
參考文獻(xiàn)
第16章 聚類有效性
16.1引言
16.2假設(shè)檢驗(yàn)回顧
16.3聚類有效性中的假設(shè)檢驗(yàn)
16.4相關(guān)準(zhǔn)則
16.5單獨(dú)聚類有效性
16.6聚類趨勢(shì)
習(xí)題
參考文獻(xiàn)
附錄a 概率論和統(tǒng)計(jì)學(xué)的相關(guān)知識(shí)
附錄b 線性代數(shù)基礎(chǔ)
附錄c 代價(jià)函數(shù)的優(yōu)化
附錄d 線性系統(tǒng)理論的基本定義
索引