模式识别

第1章 绪论 1.1 模式和模式识别的概念 1.2 模式识别系统 1.3 模式识别的基本方法 1.3.1 有监督与无监督学习 1.3.2 有监督模式识别方法分类 1.4 关于模式识别的一些基本问题 1.5 关于本书的内容安排 第2章 模板匹配 2.1 模板匹配介绍 2.1.1 模板匹配基本概念 2.1.2 应用举例 2.1.3 相似度度量 2.1.4 分类准则 2.1.5 困难和问题 2.2 变形模板匹配 2.2.1 变形模板基本概念 2.2.2 弹性匹配 2.2.3 变形模板应用 第3章 基于统计决策的概率分类方法 3.1 相关概率基础 3.2 贝叶斯决策 3.2.1 最小错误率贝叶斯决策 3.2.2 最小风险贝叶斯决策 3.3 错误率 3.3.1 错误率的概念 3.3.2 错误率分析 3.3.3 错误率的估计 3.4 聂曼-皮尔逊决策 3.5 概率密度函数的参数估计 3.5.1 最大似然估计 3.5.2 贝叶斯估计与贝叶斯学习 3.5.3 正态分布密度函数的员叶斯估计 3.5.4 高斯混合模型与期望最大化算法 3.6 概率密度函数的非参数估计 3.6.1 非参数估计的基本原理和直方图方法 3.6.2 kn近邻估计方法 3.6.3 Parzen窗法 第4章 线性判别函数 4.1 判别函数 4.1.1 判别函数的定义 4.1.2 判别函数的确定 4.2 线性判别函数 4.2.1 二分类问题的线性判别函数 4.2.2 多分类问题的线性判别函数 4.3 广义线性判别函数 4.3.1 二次判别函数 4.3.2 广义线性判别函数 4.3.3 广义线性判别函数的维数灾难回题 4.4 线性判别函数的几何性质