統(tǒng)計(jì)模式識別（第三版）

第1章 統(tǒng)計(jì)模式識別緒論
1.1 統(tǒng)計(jì)模式識別
1.1.1 引言
1.1.2 基本模型
1.2 解決模式識別問題的步驟
1.3 問題討論
1.4 統(tǒng)計(jì)模式識別的方法
1.5 基本決策理論
1.5.1 最小錯(cuò)誤貝葉斯決策規(guī)則
1.5.2 最小錯(cuò)誤貝葉斯決策規(guī)則——拒絕分類
1.5.3 最小風(fēng)險(xiǎn)貝葉斯決策規(guī)則
1.5.4 最小風(fēng)險(xiǎn)貝葉斯決策規(guī)則——拒絕分類
1.5.5 Neyman-Pearson決策規(guī)則
1.5.6 最小最大決策
1.5.7 討論
1.6 判別函數(shù)
1.6.1 引言
1.6.2 線性判別函數(shù)
1.6.3 分段線性判別函數(shù)
1.6.4 廣義線性判別函數(shù)
1.6.5 小結(jié)
1.7 多重回歸
1.8 本書梗概
1.9 提示及參考文獻(xiàn)
習(xí)題
第2章 密度估計(jì)的參數(shù)法
2.1 引言
2.2 分布參數(shù)估計(jì)
2.2.1 估計(jì)法
2.2.2 預(yù)測法
2.3 高斯分類器
2.3.1 詳述
2.3.2 高斯分類器插入估計(jì)的推導(dǎo)
2.3.3 應(yīng)用研究舉例
2.4 處理高斯分類器的奇異問題
2.4.1 引言
2.4.2 樸素貝葉斯
2.4.3 投影到子空間
2.4.4 線性判別函數(shù)
2.4.5 正則化判別分析
2.4.6 應(yīng)用研究舉例
2.4.7 拓展研究
2.4.8 小結(jié)
2.5 有限混合模型
2.5.1 引言
2.5.2 混合判別模型
2.5.3 正態(tài)混合模型的參數(shù)估計(jì)
2.5.4 正態(tài)混合模型協(xié)方差矩陣約束
2.5.5 混合模型分量的數(shù)量
2.5.6 期望最大化算法下的極大似然估計(jì)
2.5.7 應(yīng)用研究舉例
2.5.8 拓展研究
2.5.9 小結(jié)
2.6 應(yīng)用研究
2.7 總結(jié)和討論
2.8 建議
2.9 提示及參考文獻(xiàn)
習(xí)題
第3章 密度估計(jì)的貝葉斯法
3.1 引言
3.1.1 基本原理
3.1.2 遞歸計(jì)算
3.1.3 比例性
3.2 解析解
3.2.1 共軛先驗(yàn)概率
3.2.2 方差已知的正態(tài)分布的均值估計(jì)
3.2.3 多元正態(tài)分布的均值及協(xié)方差矩陣估計(jì)
3.2.4 未知類先驗(yàn)概率的情形
3.2.5 小結(jié)
3.3 貝葉斯采樣方案
3.3.1 引言
3.3.2 梗概
3.3.3 貝葉斯分類器的采樣類型
3.3.4 拒絕采樣
3.3.5 均勻比
……
第4章 密度估計(jì)的非參數(shù)法
第5章 線性判別分析
第6章 非線性判別分析——核與投影法
第7章 規(guī)則和決策樹歸納法
第8章 組合方法
第9章 性能評價(jià)
第10章 特征選擇與特征提取
第11章 聚類
第12章 復(fù)雜網(wǎng)絡(luò)
第13章 其他論題
參考文獻(xiàn)