模式识别(第4版)(修订版)

"1. 模式识别是图像分析、语音和声音识别、生物统计学、生物信息学、数据挖掘、信息检索等应用领域的核心。 2. 本书是作者根据多年来为研究生和高年级本科生讲授模式识别课程的经验编写的。 3. 模式识别课程面向的专业众多，包括电气工程、计算机工程、计算机科学和自动控制等。 4. 模式识别是大多数进行决策的机器智能系统的主要组成部分。 5. 本书介绍模式识别的基本理论及其应用。"

模式识别是信息科学和人工智能的重要组成部分，主要应用领域包括图像分析、光学字符识别、信道均衡、语言识别和语音分类等。本书全面介绍了模式识别的基础理论、近期新方法及各种应用，讨论了贝叶斯分类、贝叶斯网络、线性和非线性分类器设计、上下文相关分类、特征生成、特征选择技术、学习理论的基本概念及聚类的概念与算法，新增了与大数据集和高维数据相关的算法，详细论述了非线性降维、非负矩阵因子分解、关联性反馈、鲁棒回归、半监督学习、频谱聚类和组合集聚技术。书中的各章提供习题与练习，并在配套网站上提供习题解答。本书可作为高等院校计算机、大数据、人工智能、自动化、电子和通信等专业硕士研究生和高年级本科生的教材，也可作为计算机信息处理、自动控制等相关领域的工程技术人员的参考用书。

第1章 导论
1.1 模式识别的重要性
1.2 特征、特征向量和分类器
1.3 监督、无监督和半监督学习
1.4 MATLAB程序
1.5 本书的章节安排
第2章 基于贝叶斯决策理论的分类器
2.1 引言
2.2 贝叶斯决策理论
2.3 判别函数和决策面
2.4 正态分布的贝叶斯分类
2.5 未知概率密度函数的估计
2.6 最近邻准则
2.7 贝叶斯网络
习题
MATLAB编程与练习
参考文献
第3章 线性分类器
3.1 引言
3.2 线性判别函数和决策超平面
3.3 感知器算法
3.4 最小二乘法
3.5 均方估计回顾
3.6 逻辑斯蒂判别
3.7 支持向量机
习题
MATLAB编程和练习
参考文献
第4章 非线性分类器
4.1 引言
4.2 异或问题
4.3 两层感知器
4.4 三层感知器
4.5 基于训练集准确分类的算法
4.6 反向传播算法
4.7 反向传播算法的变体
4.8 代价函数的选择
4.9 神经网络大小的选择
4.10 仿真实例
4.11 共享权重的网络
4.12 广义线性分类器
4.13 线性二分分类器中l维空间的容量
4.14 多项式分类器
4.15 径向基函数网络
4.16 通用逼近器
4.17 概率神经网络
4.18 支持向量机：非线性情形
4.19 其他SVM范式
4.20 决策树
4.21 组合分类器
4.22 增强组合分类器的方法
4.23 类别不平衡问题
4.24 讨论
习题
MATLAB编程和练习
参考文献
第5章 特征选择
5.1 引言
5.2 预处理
5.3 峰值现象
5.4 基于统计假设检验的特征选择
5.5 接收机工作特性曲线
5.6 类别可分性判据
5.7 特征子集选择
5.8 很优特征生成
5.9 神经网络和特征生成/选择
5.10 关于泛化理论的提示
5.11 贝叶斯信息准则
习题
MATLAB编程和练习
参考文献
第6章 特征生成I：数据变换和降维
6.1 引言
6.2 基向量和图像
6.3 Karhunen-Loève变换
6.4 奇异值分解
6.5 独立成分分析
6.6 非负矩阵因子分解
6.7 非线性降维
6.8 离散傅里叶变换
6.9 离散余弦和正弦变换
6.10 哈达玛变换
6.11 哈尔变换
6.12 重新审视哈尔展开式
6.13 离散时间小波变换
6.14 多分辨率解释
6.15 小波包
6.16 二维推广简介
6.17 应用
习题
MATLAB编程和练习
参考文献
第7章 特征生成II
7.1 引言
7.2 区域特征
7.3 形状和尺寸特征
7.4 分形简介
7.5 语音和声音分类的典型特征
习题
MATLAB编程和练习
参考文献
第8章 模板匹配
8.1 引言
8.2 基于很优路径搜索技术的度量
8.3 基于相关的度量
8.4 可变形模板模型
8.5 基于内容的信息检索：相关反馈
习题
MATLAB编程和练习
参考文献
第9章 上下文相关分类
9.1 引言
9.2 贝叶斯分类器
9.3 马尔可夫链模型
9.4 Viterbi算法
9.5 信道均衡
9.6 隐马尔可夫模型
9.7 基于状态持续时间建模的HMM
9.8 使用神经网络训练马尔可夫模型
9.9 马尔可夫随机场的讨论
习题
MATLAB编程和练习
参考文献
第10章 监督学习：尾声
10.1 引言
10.2 错误计数法
10.3 利用有限大小的数据集
10.4 医学成像实例研究
10.5 半监督学习
习题
参考文献
第11章 集聚：基本概念
11.1 引言
11.2 邻近度
习题
参考文献
第12章 集聚算法I：顺序算法
12.1 引言
12.2 集聚算法的分类
12.3 顺序集聚算法
12.4 改进的BSAS
12.5 双阈值顺序算法
12.6 细化阶段
12.7 神经网络实现
习题
MATLAB编程和练习
参考文献
第13章 集聚算法II：层次算法
13.1 引言
13.2 合并算法
13.3 同型矩阵
13.4 分裂算法
13.5 用于大数据集的层次算法
13.6 选择很优的聚类数
习题
MATLAB编程和练习
参考文献
第14章 集聚算法III：基于函数优化的方法
14.1 引言
14.2 混合分解方法
14.3 模糊集聚算法
14.4 可能性聚类
14.5 硬集聚算法
14.6 向量量化
附录
习题
MATLAB编程和练习
参考文献
第15章 集聚算法IV
15.1 引言
15.2 基于图论的集聚算法
15.3 竞争学习算法
15.4 二值形态学集聚算法
15.5 边界检测算法
15.6 寻谷集聚算法
15.7 代价优化集聚回顾
15.8 核集聚算法
15.9 处理大数据集的基于密度的算法
15.10 高维数据集的集聚算法
15.11 其他集聚算法
15.12 组合集聚
习题
MATLAB编程和练习
参考文献
第16章聚类有效性
16.1 引言
16.2 假设检验回顾
16.3 聚类有效性中的假设检验
16.4 相对准则
16.5 单个聚类的有效性
16.6 集聚趋势
习题
参考文献
附录A 概率论与数理统计的相关知识
附录B 线性代数基础
附录C 代价函数优化
附录D 线性系统理论的基本定义
词汇表