模式識別

第1章  引論                  
 1. 1  模式和模式識別                  
 1. 2  模式識別的發(fā)展和應(yīng)用                  
 1. 3  模式識別的研究方法                  
 第2章  線性判別函數(shù)                  
 2. 1  線性判別函數(shù)和決策面                  
 2. 2  感知準則函數(shù)和梯度下降法                  
 2. 3  固定增量算法及其收斂性                  
 2. 4  最小平方誤差準則函數(shù)                  
 2. 5  多類情況下的線性判別函數(shù)和固定增量算法                  
 2. 6  分段線性判別函數(shù)                  
 2. 7  Fisher線性判別函數(shù)                  
 2. 8  支持向量機                  
 第3章  Bayes決策理論                  
 3. 1  最小錯誤概率的Bayes決策                  
 3. 2  最小風(fēng)險的Bayes決策                  
 3. 3  Neyman-Pearson決策                  
 3. 4  最小最大決策                  
 3. 5  Bayes分類器和判別函數(shù)                  
 3. 6  正態(tài)分布時的Bayes決策法則                  
 3. 7  離散情況的Bayes決策                  
 第4章  概率總體的估計                  
 4. 1  參數(shù)估計                  
 4. 1. 1  極大似然估計                  
 4. 1. 2  Bayes學(xué)習(xí)                  
 4. 2  非參數(shù)技術(shù)                  
 4. 2. 1  概率密度函數(shù)估計的基本方法                  
 4. 2. 2  Parzen窗法                  
 4. 2. 3  密度函數(shù)估計值的收斂性                  
 4. 2. 4  應(yīng)用Parzen窗法的一個例子                  
 4. 2. 5  后驗概率的估計                  
 第5章  近鄰法則和集群                  
 5. 1  近鄰法則                  
 5. 1. 1  近鄰法則的一般概念                  
 5. 1. 2  近鄰法則的錯誤率                  
 5. 1. 3  K-近鄰法則                  
 5. 1. 4  關(guān)于近鄰法則的討論                  
 5. 1. 5  快速近鄰算法                  
 5. 2  集群                  
 5. 2. 1  樣本間類似性的度量                  
 5. 2. 2  集群的準則函數(shù)                  
 5. 2. 3  迭代最優(yōu)化方法                  
 5. 2. 4  等級集群方法                  
 5. 2. 5  基于近鄰法則的集群算法                  
 第6章  模式特征的抽取和選擇                  
 6. 1  概述                  
 6. 2  離散的Karhunen-Loeve變換                  
 6. 3  多個分布的特征選擇                  
 6. 4  特征抽取方法舉例                  
 6. 4. 1  手寫體字符識別的特征抽取                  
 6. 4. 2  心電圖特征的抽取                  
 第7章  結(jié)構(gòu)模式識別方法和形式語言                  
 7. 1  句法結(jié)構(gòu)模式識別方法                  
 7. 2  形式語言和短語結(jié)構(gòu)文法                  
 7. 3  正規(guī)語言和有限自動機                  
 7. 4  前后文無關(guān)語言和下推自動機                  
 7. 5  圖靈機和線性界限自動機                  
 第8章  形式語言在模式識別中的發(fā)展                  
 8. 1  程序文法                  
 8. 1. 1  應(yīng)用于模式識別時各型文法功能的比較                  
 8. 1. 2  前后文無關(guān)程序文法                  
 8. 2  高維模式文法                  
 8. 2. 1  陣列文法                  
 8. 2. 2  矩陣文法                  
 8. 3  PDL文法                  
 8. 4  樹文法                  
 第9章  句法分析                  
 9. 1  句法分析的一般概念                  
 9. 2  正規(guī)語言的句法分析方法                  
 9. 3  算子優(yōu)先算法                  
 9. 4  Cocke-Younger-Kasami算法(CYK算法)                  
 9. 5  Earley算法                  
 9. 6  Earley算法分析                  
 9. 6. 1  Earley算法的實現(xiàn)                  
 9. 6. 2  Earley算法的改進                  
 9. 7  幾種前后文無關(guān)語言句法分析算法的比較                  
 第10章  句法結(jié)構(gòu)模式識別方法的發(fā)展                  
 10. 1  隨機文法                  
 10. 1. 1  隨機文法的概念                  
 10. 1. 2  隨機有限自動機                  
 10. 1. 3  隨機文法在模式識別中的應(yīng)用                  
 10. 1. 4  隨機文法中產(chǎn)生式概率的估計                  
 10. 2  屬性文法                  
 10. 2. 1  詞義信息的利用                  
 10. 2. 2  前后文無關(guān)屬性文法                  
 10. 2. 3  利用屬性文法的統(tǒng)計考慮                  
 10. 2. 4  關(guān)于屬性文法的討論                  
 第11章  文法推斷和基元選擇                  
 11. 1  文法推斷的基本概念                  
 11. 2  正規(guī)文法的推斷                  
 11. 2. 1  規(guī)范確定文法                  
 11. 2. 2  規(guī)范微商文法                  
 11. 2. 3  K-尾文法                  
 11. 3  前后文無關(guān)文法的推斷                  
 11. 3. 1  利用前后文無關(guān)文法的自嵌套特性                  
 11. 3. 2  利用具有結(jié)構(gòu)信息的樣本                  
 11. 4  模式基元的抽取                  
 11. 5  依據(jù)邊界或骨架的模式基元抽取方法                  
 11. 6  依據(jù)區(qū)域的模式基元抽取方法                  
 第12章  句法模式識別與專家系統(tǒng)的關(guān)系                  
 12. 1  句法模式識別的進一步考慮                  
 12. 2  用句法方法的基于知識的模式識別系統(tǒng)                  
 12. 3  句法專家系統(tǒng)的算法                  
 12. 3. 1  ED算法                  
 12. 3. 2  EDS算法                  
 12. 3. 3  ES算法                  
 第13章  模糊集論在模式識別中的應(yīng)用                  
 13. 1  模糊集論的基本概念                  
 13. 1. 1  模糊性和模糊子集                  
 13. 1. 2  模糊子集的基本運算                  
 13. 1. 3  水平截集                  
 13. 1. 4  模糊相關(guān)性的度量                  
 13. 1. 5  模糊關(guān)系及其運算                  
 13. 2  模式識別的模糊本質(zhì)                  
 13. 3  模式識別的模糊方法                  
 13. 3. 1  隸屬度原則和擇近原則                  
 13. 3. 2  基于模糊等價關(guān)系的模式分類                  
 13. 3. 3  模糊文法                  
 第14章  人工神經(jīng)網(wǎng)絡(luò)在模式識別中的應(yīng)用                  
 14. 1  人工神經(jīng)網(wǎng)絡(luò)概要                  
 14. 1. 1  最簡單的感知器                  
 14. 1. 2  誤差反向傳播訓(xùn)練算法(BP算法)                  
 14. 2  用模式識別方法研究神經(jīng)網(wǎng)絡(luò)                  
 14. 2. 1  前饋神經(jīng)網(wǎng)絡(luò)的分解                  
 14. 2. 2  用分段線性劃分研究神經(jīng)網(wǎng)絡(luò)的幾個問題                  
 14. 3  神經(jīng)網(wǎng)絡(luò)的PLD算法                  
 主要參考文獻