《模式識別原理》是為信息控制類各專業(yè)對于模式識別應用技術(shù)的學習而編寫的教材，主要介紹關(guān)于模式識別的一些基礎(chǔ)知識。主要內(nèi)容包括：緒論，貝葉斯分類器，線性判別函數(shù)，結(jié)構(gòu)法模式識別，特征空間分析，非參數(shù)模式識別方法，聚類分析，K-L變換與應用，人工神經(jīng)網(wǎng)絡，統(tǒng)計學習理論與支撐向量機等一些基礎(chǔ)知識。在附錄中給出了常用的一些由MATLAB語言編寫的實驗程序，以便于讀者的課后練習�！ 赌Ｊ阶R別原理》適用于高等院校信息控制類專業(yè)及其他工科相關(guān)專業(yè)的碩士研究生以及大學本科生作為教材使用，也適用于其他相關(guān)的專業(yè)人員閱讀參考。
《模式識別原理》全書共分10個章節(jié)，主要對模式識別的基礎(chǔ)知識作了介紹，具體內(nèi)容包括線性判別函數(shù)，結(jié)構(gòu)法模式識別，特征空間分析，非參數(shù)模式識別方法等。該書可供各大專院校作為教材使用，也可供從事相關(guān)工作的人員作為參考用書使用。
第1章 緒論
1.1 基本概念
1.2 基本問題
1.3 模式識別系統(tǒng)
1.4 模式識別方法
第2章 貝葉斯分類器
2.1 引言
2.2 最小錯誤率貝葉斯決策
2.3 最小風險貝葉斯決策
2.4 判別函數(shù)與決策面
2.5 正態(tài)分布貝葉斯決策的應用
2.6 貝葉斯決策的擴展應用
2.7 小結(jié)
第3章 線性判別函數(shù)
3.1 引言
3.2 Fisher準則
3.3 感知準則
3.4 最小錯分準則
3.5 最小平方誤差準則
3.6 線性判別函數(shù)的擴展應用
3.7 小結(jié)
第4章 結(jié)構(gòu)法模式識別
4.1 模式基元
4.2 結(jié)構(gòu)描述方法
4.3 句法分析
4.4 結(jié)構(gòu)匹配
4.5 小結(jié)
第5章 特征空間分析
5.1 基本概念
5.2 特征空間的距離準則
5.3 特征空間的統(tǒng)計準則
5.4 特征提取
5.5 小結(jié)
第6章 非參數(shù)模式識別方法
6.1 最近鄰法
6.2 k近鄰法
6.3 基本非參數(shù)估計方法
6.4 ParZen窗估計方法
6.5 kN近鄰估計方法
6.6 小結(jié)
第7章 聚類分析
7.1 引言
7.2 距離和相似系數(shù)
7.3 層次聚類法
7.4 有序樣本聚類法
7.5 小結(jié)
第8章 K-L變換與應用
8.1 k-L變換
8.2 K-L展開式的性質(zhì)與評價
8.3 K-L變換的應用
8.4 主分量分析法
8.5 小結(jié)
第9章 人工神經(jīng)網(wǎng)絡
9.1 引言
9.2 神經(jīng)元
9.3 單層感知器
9.4 線性網(wǎng)絡
9.5 BP網(wǎng)絡
9.6 徑向基函數(shù)網(wǎng)絡
9.7 Hopfield網(wǎng)絡與聯(lián)想記憶
9.8 小結(jié)
第10章 統(tǒng)計學習理論與支撐向量機
10.1 引言
10.2 機器學習問題基礎(chǔ)
10.3 統(tǒng)計學習理論
10.4 支撐向量機
10.5 多類分類問題
10.6 支撐向量機的應用
10.7 小結(jié)
附錄 模式識別實驗
實驗1 貝葉斯分類器
實驗2 Fisher準則實驗
實驗3 線性分類器設(shè)計
實驗4 BP神經(jīng)網(wǎng)絡分類器
實驗5 Hopfield神經(jīng)網(wǎng)絡分類器
實驗6 支撐向量機(SVM)分類器
實驗7 DCT變換及其應用
實驗8 基本PCA法分析
實驗9 k近鄰法分類器設(shè)計
實驗10 層次聚類分析
實驗11 Parzen窗法分析
參考文獻
書單推薦
