模式識別（第4版修訂版）

目 錄
第1章 導論 1
1.1 模式識別的重要性 1
1.2 特征、特征向量和分類器 3
1.3 監(jiān)督、無監(jiān)督和半監(jiān)督學習 4
1.4 MATLAB程序 6
1.5 本書的章節(jié)安排 6
第2章 基于貝葉斯決策理論的分類器 8
2.1 引言 8
2.2 貝葉斯決策理論 8
2.3 判別函數和決策面 12
2.4 正態(tài)分布的貝葉斯分類 13
2.5 未知概率密度函數的估計 23
2.6 *近鄰準則 41
2.7 貝葉斯網絡 44
習題 48
MATLAB編程與練習 54
參考文獻 58
第3章 線性分類器 61
3.1 引言 61
3.2 線性判別函數和決策超平面 61
3.3 感知器算法 62
3.4 *小二乘法 68
3.5 均方估計回顧 73
3.6 邏輯斯蒂判別 78
3.7 支持向量機 79
習題 94
MATLAB編程和練習 96
參考文獻 97
第4章 非線性分類器 101
4.1 引言 101
4.2 異或問題 101
4.3 兩層感知器 102
4.4 三層感知器 105
4.5 基于訓練集準確分類的算法 106
4.6 反向傳播算法 107
4.7 反向傳播算法的變體 112
4.8 代價函數的選擇 114
4.9 神經網絡大小的選擇 116
4.10 仿真實例 119
4.11 共享權重的網絡 120
4.12 廣義線性分類器 121
4.13 線性二分分類器中l(wèi)維空間的容量 123
4.14 多項式分類器 124
4.15 徑向基函數網絡 125
4.16 通用逼近器 128
4.17 概率神經網絡 129
4.18 支持向量機：非線性情形 130
4.19 其他SVM范式 134
4.20 決策樹 142
4.21 組合分類器 146
4.22 增強組合分類器的方法 151
4.23 類別不平衡問題 156
4.24 討論 157
習題 157
MATLAB編程和練習 160
參考文獻 163
第5章 特征選擇 173
5.1 引言 173
5.2 預處理 173
5.3 峰值現象 175
5.4 基于統(tǒng)計假設檢驗的特征選擇 177
5.5 接收機工作特性曲線 182
5.6 類別可分性判據 183
5.7 特征子集選擇 188
5.8 *優(yōu)特征生成 191
5.9 神經網絡和特征生成/選擇 198
5.10 關于泛化理論的提示 199
5.11 貝葉斯信息準則 205
習題 206
MATLAB編程和練習 208
參考文獻 211
第6章 特征生成I：數據變換和降維 216
6.1 引言 216
6.2 基向量和圖像 216
6.3 Karhunen-Loève變換 218
6.4 奇異值分解 224
6.5 獨立成分分析 229
6.6 非負矩陣因子分解 234
6.7 非線性降維 235
6.8 離散傅里葉變換 243
6.9 離散余弦和正弦變換 245
6.10 哈達瑪變換 246
6.11 哈爾變換 247
6.12 重新審視哈爾展開式 248
6.13 離散時間小波變換 251
6.14 多分辨率解釋 258
6.15 小波包 259
6.16 二維推廣簡介 260
6.17 應用 262
習題 265
MATLAB編程和練習 267
參考文獻 269
第7章 特征生成II 276
7.1 引言 276
7.2 區(qū)域特征 276
7.3 形狀和尺寸特征 292
7.4 分形簡介 298
7.5 語音和聲音分類的典型特征 303
習題 313
MATLAB編程和練習 315
參考文獻 318
第8章 模板匹配 324
8.1 引言 324
8.2 基于*優(yōu)路徑搜索技術的度量 324
8.3 基于相關的度量 335
8.4 可變形模板模型 339
8.5 基于內容的信息檢索：相關反饋 342
習題 345
MATLAB編程和練習 345
參考文獻 347
第9章 上下文相關分類 350
9.1 引言 350
9.2 貝葉斯分類器 350
9.3 馬爾可夫鏈模型 350
9.4 Viterbi算法 351
9.5 信道均衡 354
9.6 隱馬爾可夫模型 357
9.7 基于狀態(tài)持續(xù)時間建模的HMM 365
9.8 使用神經網絡訓練馬爾可夫模型 370
9.9 馬爾可夫隨機場的討論 371
習題 373
MATLAB編程和練習 373
參考文獻 375
**0章 監(jiān)督學習：尾聲 380
10.1 引言 380
10.2 錯誤計數法 380
10.3 利用有限大小的數據集 381
10.4 醫(yī)學成像實例研究 384
10.5 半監(jiān)督學習 386
習題 394
參考文獻 395
**1章 集聚：基本概念 399
11.1 引言 399
11.2 鄰近度 403
習題 417
參考文獻 418
**2章 集聚算法I：順序算法 420
12.1 引言 420
12.2 集聚算法的分類 421
12.3 順序集聚算法 423
12.4 改進的BSAS 426
12.5 雙閾值順序算法 427
12.6 細化階段 429
12.7 神經網絡實現 430
習題 432
MATLAB編程和練習 434
參考文獻 435
**3章 集聚算法II：層次算法 438
13.1 引言 438
13.2 合并算法 438
13.3 同型矩陣 455
13.4 分裂算法 456
13.5 用于大數據集的層次算法 457
13.6 選擇*優(yōu)的聚類數 462
習題 464
MATLAB編程和練習 465
參考文獻 466
**4章 集聚算法III：基于函數優(yōu)化的方法 469
14.1 引言 469
14.2 混合分解方法 470
14.3 模糊集聚算法 476
14.4 可能性聚類 491
14.5 硬集聚算法 495
14.6 向量量化 501
附錄 503
習題 503
MATLAB編程和練習 505
參考文獻 507
**5章 集聚算法IV 512
15.1 引言 512
15.2 基于圖論的集聚算法 512
15.3 競爭學習算法 522
15.4 二值形態(tài)學集聚算法 528
15.5 邊界檢測算法 534
15.6 尋谷集聚算法 536
15.7 代價優(yōu)化集聚回顧 538
15.8 核集聚算法 543
15.9 處理大數據集的基于密度的算法 546
15.10 高維數據集的集聚算法 550
15.11 其他集聚算法 560
15.12 組合集聚 561
習題 565
MATLAB編程和練習 567
參考文獻 569
**6章 聚類有效性 578
16.1 引言 578
16.2 假設檢驗回顧 578
16.3 聚類有效性中的假設檢驗 580
16.4 相對準則 587
16.5 單個聚類的有效性 598
16.6 集聚趨勢 600
習題 606
參考文獻 608
附錄A 概率論與數理統(tǒng)計的相關知識 613
附錄B 線性代數基礎 622
附錄C 代價函數優(yōu)化 624
附錄D 線性系統(tǒng)理論的基本定義 636
詞匯表 638