模式识别【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

模式识别PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 导论1

1.1 模式识别的重要性1

1.2 特征、特征向量和分类器2

1.3 有监督和无监督模式识别4

1.4 本书的内容安排5

第2章 基于贝叶斯决策理论的分类器7

2.1 引言7

2.2 贝叶斯决策理论7

2.3 判别函数和决策面11

2.4 正态分布的贝叶斯分类11

2.5 未知概率密度函数的估计17

2.6 最近邻规则30

2.7 贝叶斯网络31

习题36

参考文献41

第3章 线性分类器44

3.1 引言44

3.2 线性判别函数和决策超平面44

3.3 感知器算法45

3.4 最小二乘法50

3.5 均方估计的回顾55

3.6 逻辑识别58

3.7 支持向量机60

习题75

参考文献76

第4章 非线性分类器79

4.1 引言79

4.2 异或问题79

4.3 两层感知器80

4.4 三层感知器83

4.5 基于训练集准确分类的算法84

4.6 反向传播算法85

4.7 反向传播算法的改进91

4.8 代价函数选择92

4.9 神经网络大小的选择95

4.10 仿真实例98

4.11 具有权值共享的网络99

4.12 线性分类器的推广100

4.13 线性二分法中l维空间的容量101

4.14 多项式分类器103

4.15 径向基函数网络104

4.16 通用逼近107

4.17 支持向量机：非线性情况108

4.18 决策树111

4.19 合并分类器115

4.20 合并分类器的增强法120

4.21 讨论125

习题125

参考文献128

第5章 特征选择138

5.1 引言138

5.2 预处理138

5.3 基于统计假设检验的特征选择139

5.4 接收机操作特性ROC曲线145

5.5 类可分性测量145

5.6 特征子集的选择150

5.7 最优特征生成153

5.8 神经网络和特征生成／选择156

5.9 推广理论的提示157

5.10 贝叶斯信息准则163

习题164

参考文献167

第6章 特征生成Ⅰ：线性变换171

6.1 引言171

6.2 基本向量和图像171

6.3 Karhunen-loève变换173

6.4 奇异值分解177

6.5 独立成分分析179

6.6 离散傅里叶变换（DFT）184

6.7 离散正弦和余弦变换186

6.8 Hadamard变换187

6.9 Haar变换188

6.10 回顾Haar展开式189

6.11 离散时间小波变换（DTWT）192

6.12 多分辨解释199

6.13 小波包201

6.14 二维推广简介202

6.15 应用203

习题207

参考文献209

第7章 特征生成Ⅱ213

7.1 引言213

7.2 区域特征213

7.3 字符形状和大小的特征229

7.4 分形概述235

7.5 语音和声音分类的典型特征240

习题250

参考文献253

第8章 模板匹配259

8.1 引言259

8.2 基于最优路径搜索技术的测度259

8.3 基于相关的测度269

8.4 可变形的模板模型273

习题276

参考文献276

第9章 上下文相关分类279

9.1 引言279

9.2 贝叶斯分类器279

9.3 马尔可夫链模型279

9.4 Viterbi算法280

9.5 信道均衡282

9.6 隐马尔可夫模型285

9.7 状态驻留的HMM294

9.8 用神经网络训练马尔可夫模型298

9.9 马尔可夫随机场的讨论299

习题301

参考文献302

第10章 系统评价307

10.1 引言307

10.2 误差计算方法307

10.3 探讨有限数据集的大小308

10.4 医学图像实例研究310

习题312

参考文献313

第11章 聚类：基本概念314

11.1 引言314

11.2 近邻测度318

习题332

参考文献334

第12章 聚类算法Ⅰ：顺序算法336

12.1 引言336

12.2 聚类算法的种类337

12.3 顺序聚类算法339

12.4 BSAS的改进342

12.5 两个阈值的顺序方法343

12.6 改进阶段345

12.7 神经网络的实现346

习题348

参考文献350

第13章 聚类算法Ⅱ：层次算法352

13.1 引言352

13.2 合并算法352

13.3 Cophenetic矩阵370

13.4 分裂算法371

13.5 用于大数据集的层次算法372

13.6 最佳聚类数的选择377

习题378

参考文献380

第14章 聚类算法Ⅲ：基于函数最优方法383

14.1 引言383

14.2 混合分解方法384

14.3 模糊聚类算法390

14.4 可能性聚类405

14.5 硬聚类算法409

14.6 向量量化415

附录417

习题419

参考文献421

第15章 聚类算法Ⅳ425

15.1 引言425

15.2 基于图论的聚类算法425

15.3 竞争学习算法430

15.4 二值形态聚类算法435

15.5 边界检测算法441

15.6 谷点搜索聚类算法443

15.7 通过代价最优聚类（回顾）445

15.8 核聚类方法450

15.9 对大数据集的基于密度算法453

15.10 高维数据集的聚类算法457

15.11 其他聚类算法467

习题468

参考文献470

第16章 聚类有效性478

16.1 引言478

16.2 假设检验回顾478

16.3 聚类有效性中的假设检验480

16.4 相关准则487

16.5 单独聚类有效性497

16.6 聚类趋势499

习题506

参考文献508

附录A 概率论和统计学的相关知识512

附录B 线性代数基础520

附录C 代价函数的优化522

附录D 线性系统理论的基本定义534

索引537