《模式识别原理》是为信息控制类各专业对于模式识别应用技术的学习而编写的教材，主要介绍关于模式识别的一些基础知识。主要内容包括：绪论，贝叶斯分类器，线性判别函数，结构法模式识别，特征空间分析，非参数模式识别方法，聚类分析，K-L变换与应用，人工神经网络，统计学习理论与支撑向量机等一些基础知识。附录中给出了常用的一些由MATLAB语言编写的实验程序，以便于读者的课后练习。《模式识别原理》适用于高等院校信息控制类专业及其他工科相关专业的硕士研究生以及大学本科生作为教材使用，也适用于其他相关的专业人员阅读参考。

版权信息

编辑推荐

目录

版权信息

书 名: 模式识别原理

作　者：孙亮

出版社： 北京工业大学出版社

出版时间： 2009

ISBN: 9787563920334

开本： 16

定价: 26.00 元

编辑推荐

《模式识别原理》是“高等工科院校信息控制类课程系列化教材”之一，全书共分10个章节，主要对模式识别的基础知识作了介绍，具体内容包括线性判别函数，结构法模式识别，特征空间分析，非参数模式识别方法等。该书可供各大专院校作为教材使用，也可供从事相关工作的人员作为参考用书使用。

目录

第1章绪论

1.1基本概念

1.2基本问题

1.3模式识别系统

1.4模式识别方法

第2章贝叶斯分类器

2.1引言

2.2最小错误率贝叶斯决策

2.3最小风险贝叶斯决策

2.4判别函数与决策面

2.5正态分布贝叶斯决策的应用

2.6贝叶斯决策的扩展应用

2.7小结

第3章线性判别函数

3.1引言

3.2Fisher准则

3.3感知准则

3.4最小错分准则

3.5最小平方误差准则

3.6线性判别函数的扩展应用

3.7小结

第4章结构法模式识别

4.1模式基元

4.2结构描述方法

4.3句法分析

4.4结构匹配

4.5小结

第5章特征空间分析

5.1基本概念

5.2特征空间的距离准则

5.3特征空间的统计准则

5.4特征提取

5.5小结

第6章非参数模式识别方法

6.1最近邻法

6.2k近邻法

6.3基本非参数估计方法

6.4ParZen窗估计方法

6.5kN近邻估计方法

6.6小结

第7章聚类分析

7.1引言

7.2距离和相似系数

7.3层次聚类法

7.4有序样本聚类法

7.5小结

第8章K-L变换与应用

8.1k-L变换

8.2K-L展开式的性质与评价

8.3K-L变换的应用

8.4主分量分析法

8.5小结

第9章人工神经网络

9.1引言

9.2神经元

9.3单层感知器

9.4线性网络

9.5BP网络

9.6径向基函数网络

9.7Hopfield网络与联想记忆

9.8小结

第10章统计学习理论与支撑向量机

10.1引言

10.2机器学习问题基础

10.3统计学习理论

10.4支撑向量机

10.5多类分类问题

10.6支撑向量机的应用

10.7小结

附录模式识别实验

实验1贝叶斯分类器

实验2Fisher准则实验

实验3线性分类器设计

实验4BP神经网络分类器

实验5Hopfield神经网络分类器

实验6支撑向量机(SVM)分类器

实验7DCT变换及其应用

实验8基本PCA法分析

实验9k近邻法分类器设计

实验10层次聚类分析

实验11Parzen窗法分析

参考文献

……