本書是享譽世界的名著，內容既全面又相對獨立，既有基礎知識的介紹，又有本領域研究現狀的介紹，還有對未來發展的展望，是本領域*全面的參考書，被世界眾多高校選用為教材。本書可作為高等院校計算機。電子、通信、自動化等專業研究生和高年級本科生的教材，也可作為計算機信息處理、自動控制等相關領域的工程技術人員的參考用書。

本書是享譽世界的名著，內容既全面又相對獨立，既有基礎知識的介 紹，又有本領域研究現狀的介紹，還有對未來發展的展望，是本領域最全 面的參考書，被世界眾多高校選用為教材。本書可作為高等院校計算機。 電子、通信、自動化等專業研究生和高年級本科生的教材，也可作為計算 機信息處理、自動控制等相關領域的工程技術人員的參考用書。 本書主要特點 提供了大型數據集和高維數據的聚類算法以及網絡挖掘和生物信息學 應用的最新資料。 涵蓋了基於圖像分析、光學字符識別，信道均衡，語音識別和音頻分 類的多種應用。 呈現了解決分類和穩健回歸問題的內核方法取得的最新成果。 介紹了帶有Boosting方法的分類器組合技術。 提供更多處理過的實例和圖例，加深讀者對各種方法的了解。 增加了關於熱點話題的新的章節，包括非線性維數約減、非負矩陣分 解、實用性反饋。穩健回歸、半監督學習，譜聚類和聚類組合技術。 本書是享譽世界的名著，內容既全面又相對獨立，既有基礎知識的介紹，又有本領域研究現狀的介紹，還有對未來發展的展望，是本領域最全面的參考書，被世界眾多高校選用為教材。本書可作為高等院校計算機。電子、通信。自動化等專業研究生和高年級本科生的教材，也可作為計算機信息處理、自動控制等相關領域的工程技術人員的參考用書。
　　本書主要特點
　　提供了大型數據集和高維數據的聚類算法以及網絡挖掘和生物信息學應用的最新資料。
　　涵蓋了基於圖像分析、光學字符識別，信道均衡，語音識別和音頻分類的多種應用。
　　呈現了解決分類和穩健回歸問題的內核方法取得的最新成果。
　　介紹了帶有Boosting方法的分類器組合技術。
　　提供更多處理過的實例和圖例，加深讀者對各種方法的了解。
　　增加了關於熱點話題的新的章節，包括非線性維數約減、非負矩陣分解、實用性反饋。穩健回歸、半監督學習，譜聚類和聚類組合技術。

Preface
CHAPTER 1 Introduction
　1.1 Is Pattern Recognition Important?
　1.2 Features, Feature Vectors, and Classifiers
　1.3 Supervised, Unsupervised, and Semi-Supervised Learning
　1.4 MATLAB Programs
　1.5 Outline of The Book
CHAPTER 2 Classifiers Based on Bayes Decision Theory
CHAPTER 3 Linear Classifiers
CHAPTER 4 Nonlinear Classifiers
CHAPTER 5 Feature Selection
CHAPTER 6 Feature Generation I: Data Transformation and Dimensionality Reduction
CHAPTER 7 Feature Generation II
CHAPTER 8 Template Matching
CHAPTER 9 Context-Dependent Classification
CHAPTER 10 Supervised Learning: The Epilogue
CHAPTER 11 Clustering: Basic Concepts
CHAPTER 12 Clustering Algorithms I: Sequential Algorithms
CHAPTER 13 Clustering Algorithms II: Hierarchical Algorithms
CHAPTER 14 Clustering Algorithms III: Schemes Based on Function Optimization
CHAPTER 15 Clustering Algorithms IV
CHAPTER 16 Cluster Validity
APPENDIX A Hints from Probability and Statistics
APPENDIX B Linear Algebra Basics
APPENDIX C Cost Function Optimization
APPENDIX D Basic Definitions from Linear Systems Theory
Index

Preface
CHAPTER 1 Introduction
　1.1 Is Pattern Recognition Important?
　1.2 Features, Feature Vectors, and Classifiers
　1.3 Supervised, Unsupervised, and Semi-Supervised Learning
　1.4 MATLAB Programs
　1.5 Outline of The Book
CHAPTER 2 Classifiers Based on Bayes Decision Theory
　2.1 Introduction
　2.2 Bayes Decision Theory
　2.3 Discriminant Functions and Decision Surfaces
　2.4 Bayesian Classification for Normal Distributions
　2.5 Estimation of Unknown Probability Density Functions
　2.6 The Nearest Neighbor Rule
　2.7 Bayesian Networks
　2.8 Problems
　References
CHAPTER 3 Linear Classifiers
　3.1 Introduction
3.2 Linear Discriminant Functions and Decision
3.3 The Perceptron Algorithm
3.4 Least Squares Methods
3.5 Mean Square Estimation Revisited
3.6 Logistic Discrimination
3.7 Support Vector Machines
3.8 Problesm
CHAPTER 4 Nonlinear Classifiers
CHAPTER 5 Feature Selection
CHAPTER 6 Feature Generation I: Data Transformation and Dimensionality Reduction
CHAPTER 7 Feature Generation II
CHAPTER 8 Template Matching
CHAPTER 9 Context-Dependent Classification
CHAPTER 10 Supervised Learning: The Epilogue
CHAPTER 11 Clustering: Basic Concepts
CHAPTER 12 Clustering Algorithms I: Sequential Algorithms
CHAPTER 13 Clustering Algorithms II: Hierarchical Algorithms
CHAPTER 14 Clustering Algorithms III: Schemes Based on Function Optimization
CHAPTER 15 Clustering Algorithms IV
CHAPTER 16 Cluster Validity
APPENDIX A Hints from Probability and Statistics
APPENDIX B Linear Algebra Basics
APPENDIX C Cost Function Optimization
APPENDIX D Basic Definitions from Linear Systems Theory
Index