01059模式识别清华版)边肇祺.pdfVIP

第 1 章 绪论 1. 1 模式识别和模式的概念 1.2 模式识别系统 1.3 关于模式识别的一些基本问题 1.4 关于本书的内容安排 第 2 章 贝叶斯决策理论 2.1 引言 2.2 几种常用的决策规则 2.3 正态分布时的统计决策 2.4 关于分类器的错误率问题 2.5 讨论 习题 第 3 章 概率密度函数的估计 3.1 引言 3.2 参数估计的基本概念 3.3 正态分布的监督参数估计 3.4 非监督参数估计 3.5 总体分布的非参数估计 3.6 关于分类器错误率的估计问题 3.7 讨论 习题 第 4 章 线性判别函数 4.1 引言 4.2Fisher 线性判别 4.3 感知准则函数 4.4 最小错分样本数准则 4.5 最小平方误差准则函数 4.6 随机最小错误率线性判别准则函数 4.7 多类问题 4.8 讨论 习题 第 5 章 非线性判别函数 5.1 分段线性判别函数的基本概念 5.2 用凹函数的并表示分段线性判别函数 5.3 用交遇区的样本设计分段线性分类器 5.4 二次判别函数 习题 第 6 章 近邻法 6.1 最近邻法 6.2k? 近邻法 6.3 关于减少近邻法计算量和存储量的考虑 6.4 可做拒绝决策的近邻法 6.5 最佳距离度量近邻法 习题 第 7 章 经验风险最小化和有序风险最小 化 方法 7.1 平均风险最小化和经验风险最小化 7.2 有限事件类情况 7.3 线性分界权向量数的估计 7.4 事件出现频率一致收敛于其概率的条件 7.5 生长函数的性质 7.6 经验最优判决规则偏差的估计 7.7 经验最优判决规则偏差估计的改进 7.8 有序风险最小化方法 7.9 讨论 习题 第 8 章 特征的选择与提取 8.1 基本概念 8.2 类别可分离性判据 8.3 特征提取 8.4 特征选择 8.5 特征选择的几种新方法 习题 第 9 章 基于 K-L 展开式的特征提取 9.1 傅里叶级数展开式 9.2K-L 展开式 9.3K-L 展开式的性质 9.4K-L 坐标系的产生矩阵 9.5 从类平均向量中提取判别信息 9.6 包含在类平均向量中判别信息的最优压缩 9.7 包含在类中心化特征向量中判别信息的提取 9.8 用于非监督模式识别问题中的特征提取 9.9K? L 变换在人脸自动识别研究中的一个应用 9.10 讨论 习题 第 10 章 非监督学习方法 10.1 引言 10.2 单峰子集 (类)的分离方法 10.3 类别分离的间接方法 10.4 分级聚类方法 10.5 非监督学习方法中的一些问题 习题 第 11 章 人工神经网络 11.1 引言 11.2 人工神经元 11.3 前馈神经网络及其主要算法 11.4 竞争学习和侧抑制 11.5 自组织特征映射 11.6Hopfield 网络 11.7 神经网络模式识别的典型做法 11.8 前馈神经网络与统计模式识别的关系 11.9 讨论 第 12 章 模糊模式识别方法 12.1 引言 12.2 模糊集的基本知识 12.3 模糊特征和模糊分类 12.4 特征的模糊评价 12.5 模糊聚类方法 12.6 模糊 k 近邻分类器 12.7 讨论 第 13 章 统计学习理论和支持向量机 13.1 引言 13.2 机器学习的基本问题和方法 13.3 统计学习理论的核心内容 13.4 支持向量机 13.5 讨论 第 14 章 模式识别在??音信号数字处理中 的应用举例 14.1 说话人识别概述 14.2 语音信号及其几个特性 14.3 短时基音周期的估计 14.4 一个说话人识别系统举例 14.5 讨论 第 15 章 印刷体汉字识别中的特征提取 15.1 印刷体汉字识别的基本知识 15.2 印刷体汉字的统计特性及分析 15.3 文字的归一化 15.4 印刷体汉字识别中的一些特征 15.5 分类问题 15.6 判别准则 15.7