前言
第一章概论
第二章贝叶斯决策理论
第一节基于最小错误率的贝叶斯判别法
第二节基于贝叶斯公式的几种判别规则
第三节正态分布模式的统计决策
第四节概率密度函数的估计
第五节贝叶斯分类器的错误概率
第三章判别函数与确定性分类器
第一节线性判别函数与广义线性判别函数
第二节广义线性判别函数的二分能力
第三节感知器算法
第四节最小平方误差算法
第五节多类模式的分类器迭代算法
第六节势函数法
第四章聚类分析
第一节按距离聚类的概念
第二节模式相似性测度与聚类准则
第三节聚类算法
第四节对聚类的评价
第五章模式特征分析与选取
第一节描述模式分布状态的测度
第二节特征提取的方法
第三节离散K-L变换
第四节利用K-L变换的分类特征提取
第五节增维问题
第六章模糊集合理论在模式识别中的应用
第一节引言
第二节模糊子集
第三节模糊集的简单运算、模糊度与模糊关系
第四节隶属函数的确定
第五节模糊集理论在模式识别中的应用
第七章句法模式识别
第一节形式语言基础和文法
第二节一维及高维文法
第三节基元提取和文法推断
第四节句法分析和自动机识别
第八章人工神经网络在模式识别中的应用
第一节人工神经网络概述
第二节前馈神经网络及其主要算法
第三节Hopfield网络
第四节自适应共振理论神经网络
第五节自组织特征映射神经网络
附录
参考文献
展开
