●目 錄章 緒論11.1 模式識別的基本概念11.1.1 生物的識別能力11.1.2 模式識別的概念21.1.3 模式識別的特點21.1.4 模式的描述方法及特征空間41.2 模式識別繫統的組成和主要方法51.2.1 模式識別繫統的組成51.2.2 模式識別的方法71.3 模式識別的應用91.3.1 文字識別91.3.2 語音識別101.3.3 指紋識別101.3.4 遙感圖像識別111.3.5 醫學診斷111.4 全書內容簡介12習題及思考題13第2章 貝葉斯決策理論142.1 幾個重要的概念142.2 幾種常用的決策規則152.2.1 基於最小錯誤率的貝葉斯決策162.2.2 最小風險判別規則182.2.3 優選似然比判別規則202.2.4 Neyman-Pearson判別規則222.3 正態分布中的Bayes分類方法262.4 MATLAB程序實現33習題及思考題37第3章 概率密度函數的參數估計393.1 概率密度函數估計概述393.2 優選似然估計403.3 貝葉斯估計與貝葉斯學習423.4 非參數估計473.4.1 非參數估計的基本方法483.4.2 Parzen窗法503.4.3 -近鄰估計法543.5 MATLAB示例55習題及思考題60第4章 非參數判別分類方法624.1 線性分類器624.1.1 線性判別函數的基本概念624.1.2 多類問題中的線性判別函數644.1.3 廣義線性判別函數684.1.4 線性分類器的主要特性及設計步驟704.1.5 感知器算法744.1.6 Fisher線性判別函數794.2 非線性判別函數844.2.1 非線性判別函數與分段線性判別函數844.2.2 基於距離的分段線性判別函數854.3 支持向量機874.3.1 線性可分情況874.3.2 線性不可分情況894.4 MATLAB示例91習題及思考題94第5章 聚類分析955.1 模式相似性測度955.1.1 距離測度965.1.2 相似測度995.1.3 匹配測度1005.2 類間距離測度方法1025.2.1 最短距離法1025.2.2 距離法1025.2.3 中間距離法1025.2.4 重心法1035.2.5 平均距離法（類平均距離法）1035.3 聚類準則函數1055.3.1 誤差平方和準則1055.3.2 加權平均平方距離和準則1065.3.3 類間距離和準則1075.3.4 離散度矩陣1075.4 基於距離閾值的聚類算法1085.4.1 最近鄰規則的聚類算法1095.4.2 優選最小距離聚類算法1095.5 動態聚類算法1115.5.1 C-均值聚類算法1115.5.2 ISODATA聚類算法1155.6 MATLAB示例121習題及思考題126第6章 特征提取與選擇1286.1 類別可分性判據1286.2 基於距離的可分性判據1296.3 按概率距離判據的特征提取方法1316.4 基於熵函數的可分性判據1346.5 基於Karhunen-Loeve變換的特征提取1356.5.1 Karhunen-Loeve變換1356.5.2 使用K-L變換進行特征提取1386.6 特征選擇1416.6.1 次優搜索法1426.6.2 很優搜索法1436.7 MATLAB舉例145習題及思考題147第7章 模糊模式識別1487.1 模糊數學的基礎知識1487.1.1 集合及其特征函數1487.1.2 模糊集合1497.1.3 模糊集合的 水平截集1547.1.4 模糊關繫及模糊矩陣1557.2 模糊模式識別方法1567.2.1 優選隸屬度識別法1577.2.2 擇近原則識別法1577.2.3 基於模糊等價關繫的聚類方法1597.2.4 模糊C-均值聚類1617.3 MATLAB程序設計163習題及思考題165第8章 神經網絡在模式識別中的應用1678.1 人工神經網絡的基礎知識1678.1.1 人工神經網絡的發展歷史1678.1.2 生1688.1.3 人1688.1.4 人工神經網絡的特點1698.2 前饋神經網絡1698.2.1 感知器1708.2.2 多層感知器1718.3 自組織特征映射網絡1738.3.1 網絡結構1738.3.2 網絡的識別過程1748.3.3 網絡的學習過程1748.4 徑向基函數（RBF）神經網絡1758.4.1 網絡結構1758.4.2 徑向基函數1768.4.3 網絡的學習過程1768.5 深度學習1778.5.1 深度學習介紹1788.5.2 受限玻爾茲曼機1788.5.3 深度置信網絡1808.5.4 卷積神經網絡1818.6 MATLAB舉例183習題及思考題188 第9章 模式識別的工程應用1909.1 基於BP神經網絡的手寫數字識別1909.1.1 整體方案設計1909.1.2 字符圖像的特征提取1919.1.3 BP神經網絡的設計1959.1.4 BP神經網絡的訓練1979.1.5 BP神經網絡的識別1979.2 基於樸素貝葉斯的中文文本分類1989.2.1 文本分類原理1999.2.2 文本特征提取1999.2.3 樸素貝葉斯分類器設計2019.2.4 測試文本分類2029.3 基於PCA（主要成分分析）和SVM（支持向量機）的人臉識別2059.3.1 人臉圖像獲取2059.3.2 人臉圖像預處理2069.3.3 人臉圖像特征提取2079.3.4 SVM分類器的設計和分類2099.4 基於隱馬爾科夫模型的語音識別2109.4.1 語音識別的原理2109.4.2 語音采集2119.4.3 語音信號的預處理2129.4.4 MFCC特征參數提取2169.4.5 HMM模型訓練2179.4.6 識別處理218參考文獻219
本書主要介紹模式識別的基礎知識、基本方法、程序實現和典型實踐應用。全書共9章。靠前章介紹模式識別的基本概念、基礎知識；第2章介紹貝葉斯決策理論；第3章介紹概率密度函數的參數估計；第4章介紹非參數判別分類方法；第5章介紹聚類分析；第6章介紹特征提取與選擇；第7章介紹模糊模式識別；第8章介紹神經網絡在模式識別中的應用；第9章介紹模式識別的工程應用。每章的內容安排從問題背景引入，講述基本內容和方法，到實踐應用（通過MATLAB軟件編程）。本書內容繫統，重點突出，做到理論、應用與實際編程緊密結合，理論與實例並重。本書還配套有《模式識別及MATLAB實現――學習與實驗指導》作為教材的補充，便於讀者學習和上機實驗；另配有電子課件，便於教師教學和學生自學。本書可作為高等院校電子信息工程、通信工程、計算機科學與技術、電子科學與技術、生物醫學工程、電氣工程及其自動化等相關專業本科生的教材，以及信息與通信工程等
