第1章 基本概念
1. l 對象識別
1. 2 模式相似度和模式識別任務
1. 2. 1 分類決策
1. 2. 2 回歸問題
l. 2. 3 描述
1. 3 類別. 模式和特征
1. 4 模式識別方法
l. 4. l 數據聚類
l. 4. 2 統計分類
1. 4. 3 神經網絡
1. 4. 4 結構模式識別
1. 5 模式識別工程
1. 5. l 工程任務
1. 5. 2 訓練和測試
1. 5. 3 模式識別軟件
第2章 模式判別
2. l 決策區(qū)域和決策函數
2. 1. l 廣義決策函數
2. 1. 2 分類超平面
2. 2 特征空間尺度
2. 3 協方差矩陣
2. 4 主成分
2. 5 特征評價
2. 5. l 圖形考察
2. 5. 2 分布模型評價
2. 5. 3 統計推論檢測
2. 6 維數比率問題
第3章 數據聚類
3. l 非監(jiān)督學習分類
3. 2 標準化問題
3. 3 樹聚類
3. 3. 1 聯接規(guī)則
3. 3. 2 樹聚類實例
3. 4 降維問題
3. 5 K均值聚類
3. 6 聚類有效性
第4章 統計分類
4. l 線性判別
4. 1. l 最小距離分類器
4. 1. 2 歐幾里得線性判別
4. 1. 3 馬氏距離線性判別
4. 1. 4 Fisher線性判別
4. 2 貝葉斯分類
4. 2. 1 基于最小風險的貝葉斯準則
4. 2. 2 正態(tài)形式貝葉斯分類
4. 2. 3 拒絕區(qū)域
4. 2. 4 維數比率以及錯誤率估計
4. 3 "模型一無關"技巧
4. 3. 1 Parzen窗函數法
4. 3. 2 k-近鄰法
4. 3. 3 ROC曲線法
4. 4 特征選擇
4. 5 分類器評價
4. 6 樹分類器
4. 6. l 決策樹以及決策表
4. 6. 2 分類器
4. 7 數據挖掘中的統計分類器
第5章 神經網絡
5. l 最小均值平方誤差調整判別
5. 2 活化函數
5. 3 感知器原理
5. 4 神經網絡的類型
5. 5 多層感知器
5. 5. 1 反向傳播算法
5. 5. 2 實際應用中的有關問題
5. 5. 3 時間序列
5. 6 神經網絡的性能
5. 6. l 錯誤率估計
5. 6. 2 海賽矩陣
5. 6. 3 神經網絡設計中的偏差量及方差
5. 6. 4 網絡復雜度
5. 6. 5 風險最小化
5. 7 神經網絡訓練中的近似模型
5. 7. l 共軛-梯度方法
5. 7. 2 Levenberg－Marquardt主法
5. 8 神經網絡訓練中的遺傳算法
5. 9 徑向基函數
5. 10 支持向量機
5. 11 Kohonen網絡
5. 12 Hopfield網絡
5. 13 模塊神經網絡
5. 14 神經網絡在數據挖掘中的應用
第6章 結構模式識別
6. l 模式基元
6. 1. 1 信號基元
6. 1. 2 圖像基元
6. 2 結構化描述
6. 2. l 字符串
6. 2. 2 圖形
6. 2. 3 樹
6. 3 句法分析
6. 3. l 字符串語法
6. 3. 2 畫面描述語言
6. 3. 3 語法種類
6. 3. 4 有限狀態(tài)自動機
6. 3. 5 屬性語法
6. 3. 6 隨機語法
6. 3. 7 語法推理
6. 4 結構匹配
6. 4. l 字符串匹配
6. 4. 2 隨機松弛匹配
6. 4. 3 離散松弛匹配
6. 4. 4 利用Hopfield網絡的松弛算法
6. 4. 5 圖和樹匹配
附錄A 數據集
A. l 胸部組織
A. 2 聚類
A. 3 軟木塞
A. 4 犯罪
A. 5 心率曲線
A. 6 心電圖
A. 7 嬰兒心率信號
A. 8 阿普伽新生兒心率評估
A. 9 公司
A. 10 嬰兒體重
A. 11 食物
A. 12 水果
A. 13 噪聲脈沖
A. 14 MLP集合
A. 15 規(guī)范2c2d
A. 16 巖石
A. 17 股票交易
A. 18 坦克
A. 19 天氣
附錄B 工具
B. l 適應性過濾
B. 2 密度估計
B. 3 訓練集大小
B. 4 誤差能量
B. 5 遺傳神經網絡
B. 6 Hopfield網絡
B. 7 k-NN邊界
B. 8 k-NN分類
B. 9 感知器
B. 10 句法分析
附錄c 標準正交變換
附錄D 符號與縮寫
鄂公網安備 42010302001612號 