模式識別/普通高等教育「十二五」重點規劃教材‧新核心理工基礎教材

第1章 緒論
1.1 模式識別概論
1.1.1 模式識別基本概念
1.1.2 模式識別系統的組成
1.1.3 模式識別方法
1.2 模式識別數學基礎
1.2.1 隨機向量
1.2.2 正態分佈

第2章 判別函數方法
2.1 引言
2.2 線性判別函數
2.2.1 兩類的線性判別
2.2.2 多類的線性判別
2.3 Fisher判別分析法
2.3.1 Fisher判別分析
2.3.2 多重判別分析
2.4 廣義線性判別函數
2.4.1 一維的例子
2.4.2 多維的例子
2.5 感知準則函數和梯度下降法
2.5.1 基本概念
2.5.2 梯度下降法
2.5.3 感知器準則函數
2.6 最小平方誤差準則函數
2.6.1 MSE準則函數及其偽逆解
2.6.2 偽逆法
2.6.3 梯度下降法
2.6.4 Widrow-Hoff算法
2.7 適合於多類直接分類的決策樹方法
2.7.1 評價準則
2.7.2 基於信息熵的信息增益
2.7.3 ID3決策樹算法的遞歸描述
2.7.4 ID3算法舉例
習題

第3章 Bayes決策理論
3.1 最小錯誤率貝葉斯決策
3.2 最小風險的貝葉斯決策
3.3 正態分佈的貝葉斯分類器
3.3.1 各類協方差都相等，且各份量相互獨立情況
3.3.2 各類協方差都相等，但各份量不相互獨立情況
3.3.3 一般情況
3.3.4 數字實例
3.4 紐曼一皮爾遜（Neyman-Pearson，NP）決策規則
3.5 最小最大決策
習題

第4章 錯誤率以及密度函數的估計
4.1 錯誤率
4.1.1 正態、等協方差情況下貝葉斯分類器錯誤率公式
4.1.2 錯誤率的上界
4.1.3 錯誤率的實驗估計
4.2 密度函數估計——參數法
4.2.1 最大似然估計
4.2.2 逐次的貝葉斯估計和貝葉斯學習
習題

第5章 近鄰分類法
5.1 單中心點情況
5.2 多中心點情況
5.3 最近鄰法
5.4 K近鄰法
5.5 最近鄰法的缺點及改進方法
5.5.1 剪輯近鄰法
5.5.2 凝聚法
習題

第6章 聚類分析
6.1 距離及相似性度量
6.2 聚類準則
6.2.1 離差平方和準則
6.2.2 離散度準則
6.3 系統聚類法
6.3.1 最短距離法
6.3.2 最長距離法和中間距離法
6.3.3 重心法、類平均和可變類平均法
6.3.4 離差平方和法
6.3.5 系統聚類法的性質
6.4 動態聚類法
6.4.1 K-meanS算法
6.4.2 ISODATA算法
習題

第7章 特徵選擇
7.1 維數問題和類內距離
7.1.1 維數問題
7.1.2 類內距離
7.2 集群變換
7.2.1 集群變換的基本思想
7.2.2 用集群變換進行特徵選擇
7.2.3 集群變換的例子
7.3 K-L變換
7.3.1 從表達模式看K-L變換
7.3.2 K-L變換舉例
7.3.3 混合白化後抽取特徵
7.3.4 混合白化後抽取特徵的例子
7.4 分散度
7.4.1 分散度的概念
7.4.2 分散度用於特徵選擇
習題

第8章 支持向量機理論
8.1 引言
8.2 支持向量機理論的數學基礎
8.2.1 無約束極值
8.2.2 等式約束下的條件極值與Lagrange函數法
8.2.3 不等式約束下的優化問題
8.3 最大間隔分類器
8.3.1 最大間隔線性分類器
8.3.2 廣義最大間隔線性分類器
8.4 支持向量機
8.4.1 核函數與核技巧（Kernel Trick）
8.4.2 支持向量機
8.4.3 多類問題的支持向量機分類
8.4.4 支持向量機的實現方法和軟件包

第9章 人工神經網絡
9.1 人工神經網絡概述
9.1.1 引言
9.1.2 人工神經網絡基礎
9.2 前饋神經網絡及其主要算法
9.2.1 MP模型
9.2.2 感知器模型
9.2.3 前饋神經網絡
9.2.4 反向傳播算法（BP法）
9.2.5 徑向基函數網絡
9.3 反饋網絡——Hopfield網絡
9.3.1 Hopfield網絡概述
9.3.2 離散Hopfield網絡（DHNN）
9.3.3 聯想存儲器
9.3.4 優化計算
9.3.5 連續Hopfield網絡（CHNN）
9.4 自適應共振理論神經網絡
9.4.1 概述
9.4.2 ART網絡的結構及原理
9.4.3 ART工網絡算法步驟
9.5 自組織特徵映射神經網絡
9.5.1 概述
9.5.2 SOFM網絡模型及功能
9.5.3 SOFM網絡原理

第10章 基於隱馬爾科夫模型的識別方法
10.1 一階馬爾科夫模型（MM）
10.2 一階隱馬爾科夫模型（HMM）
10.2.1 離散馬爾科夫過程
10.2.2 隱馬爾科夫模型的概念
10.2.3 隱馬爾科夫模型的參數
10.2.4 隱馬爾科夫模型的三個基本問題

參考文獻