模式识别 第3版【2025|PDF下载-Epub版本|mobi电子书|kindle百度云盘下载】

模式识别 第3版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　概论1

1.1　模式与模式识别1

1.2　模式识别的主要方法3

1.3　监督模式识别与非监督模式识别5

1.4　模式识别系统举例6

1.5　模式识别系统的典型构成10

1.6　本书的主要内容12

第2章　统计决策方法13

2.1　引言：一个简单的例子13

2.2　最小错误率贝叶斯决策15

2.3　最小风险贝叶斯决策18

2.4　两类错误率、Neyman-Pearson决策与ROC曲线21

2.5　正态分布时的统计决策25

2.5.1　正态分布及其性质回顾25

2.5.2　正态分布概率模型下的最小错误率贝叶斯决策28

2.6　错误率的计算33

2.6.1 正态分布且各类协方差矩阵相等情况下错误率的计算33

2.6.2　高维独立随机变量时错误率的估计35

2.7　离散概率模型下的统计决策举例36

2.8　小结与讨论41

第3章　概率密度函数的估计43

3.1 引言43

3.2　最大似然估计45

3.2.1　最大似然估计的基本原理45

3.2.2　最大似然估计的求解46

3.2.3　正态分布下的最大似然估计47

3.3 贝叶斯估计与贝叶斯学习48

3.3.1　贝叶斯估计49

3.3.2　贝叶斯学习51

3.3.3　正态分布时的贝叶斯估计51

3.3.4　其他分布的情况53

3.4　概率密度估计的非参数方法53

3.4.1　非参数估计的基本原理与直方图方法54

3.4.2　kN 近邻估计方法55

3.4.3　Parzen窗法56

3.5　讨论59

第4章　线性分类器60

4.1 引言60

4.2　线性判别函数的基本概念61

4.3　Fisher线性判别分析62

4.4　感知器66

4.5　最小平方误差判别69

4.6　最优分类超平面与线性支持向量机70

4.6.1　最优分类超平面71

4.6.2　大间隔与推广能力74

4.6.3　线性不可分情况75

4.7　多类线性分类器77

4.7.1　多个两类分类器的组合78

4.7.2　多类线性判别函数80

4.8　小结与讨论81

第5章　非线性分类器82

5.1 引言82

5.2　分段线性判别函数82

5.2.1　分段线性距离分类器83

5.2.2　一般的分段线性判别函数84

5.3　二次判别函数86

5.4　多层感知器神经网络87

5.4.1　神经元与感知器88

5.4.2　用多个感知器实现非线性分类89

5.4.3　采用反向传播算法的多层感知器91

5.4.4　多层感知器网络用于模式识别97

5.4.5　神经网络结构的选择99

5.4.6　前馈神经网络与传统模式识别方法的关系100

5.4.7　人工神经网络的一般知识102

5.5　支持向量机103

5.5.1　广义线性判别函数104

5.5.2　核函数变换与支持向量机105

5.5.3　支持向量机应用举例109

5.5.4　支持向量机的实现算法111

5.5.5　多类支持向量机112

5.5.6　用于函数拟合的支持向量机114

5.6　核函数机器116

5.6.1　大间隔机器与核函数机器116

5.6.2　核Fisher判别116

5.7　小结与讨论119

第6章　其他分类方法120

6.1 近邻法120

6.1.1　最近邻法120

6.1.2　k-近邻法122

6.1.3　近邻法的快速算法123

6.1.4　剪辑近邻法125

6.1.5　压缩近邻法130

6.2　决策树与随机森林131

6.2.1　非数值特征131

6.2.2　决策树132

6.2.3　过学习与决策树的剪枝137

6.2.4　随机森林139

6.3　罗杰斯特回归140

6.4 Boosting方法143

6.5　讨论144

第7章　特征选择145

7.1　引言145

7.2　特征的评价准则146

7.2.1　基于类内类间距离的可分性判据146

7.2.2　基于概率分布的可分性判据148

7.2.3　基于熵的可分性判据150

7.2.4　利用统计检验作为可分性判据151

7.3　特征选择的最优算法152

7.4　特征选择的次优算法154

7.5　特征选择的遗传算法156

7.6 以分类性能为准则的特征选择方法157

7.7　讨论159

第8章　特征提取161

8.1 引言161

8.2　基于类别可分性判据的特征提取161

8.3　主成分分析方法163

8.4 Karhunen-Loève变换165

8.4.1　K-L变换的基本原理165

8.4.2　用于监督模式识别的K-L变换167

8.5　K-L变换在人脸识别中的应用举例170

8.6　高维数据的低维显示172

8.7　多维尺度法173

8.7.1　MDS的基本概念173

8.7.2　古典尺度法174

8.7.3　度量型MDS176

8.7.4　非度量型MDS176

8.7.5　MDS在模式识别中的应用177

8.8　非线性变换方法简介178

8.8.1 核主成分分析（KPCA）179

8.8.2　IsoMap方法和LLE方法180

8.9　讨论181

第9章　非监督模式识别183

9.1 引言183

9.2　基于模型的方法184

9.3　混合模型的估计186

9.3.1　非监督最大似然估计186

9.3.2　正态分布情况下的非监督参数估计189

9.4　动态聚类算法192

9.4.1　C均值算法192

9.4.2 ISODATA方法195

9.4.3　基于样本与核的相似性度量的动态聚类算法197

9.5　模糊聚类方法198

9.5.1　模糊集的基本知识198

9.5.2　模糊C均值算法200

9.5.3　改进的模糊C均值算法201

9.6　分级聚类方法203

9.7 自组织映射神经网络206

9.7.1　SOM网络结构206

9.7.2 SOM学习算法和自组织特性208

9.7.3　SOM用于模式识别210

9.8　讨论213

第10章　模式识别系统的评价215

10.1　监督模式识别方法的错误率估计215

10.1.1　训练错误率215

10.1.2　测试错误率216

10.1.3　交叉验证219

10.1.4　自举法与．632估计220

10.2　有限样本下错误率的区间估计问题221

10.2.1　问题的提出221

10.2.2　用扰动重采样估计SVM错误率的置信区间222

10.3　特征提取与选择对分类器性能估计的影响225

10.4　从分类的显著性推断特征与类别的关系227

10.5　非监督模式识别系统性能的评价228

10.6　讨论230

索引231

参考文献238