Pattern Recognition:Concepts、Methods and Applications

第1章 基本概念

1．l 对象识别

1．2 模式相似度和模式识别任务

1. 2. 1 分类决策

1. 2. 2 回归问题

l．2．3 描述

1．3 类别、模式和特征

1．4 模式识别方法

l．4．l 数据聚类

l．4．2 统计分类

1．4．3 神经网络

1．4．4 结构模式识别

1．5 模式识别工程

1．5．l 工程任务

1．5. 2 训练和测试

1. 5. 3 模式识别软件

第2章 模式判别

2．l 决策区域和决策函数

2. 1. l 广义决策函数

2．1．2 分类超平面

.2．2 特征空间尺度

2．3 协方差矩阵

2．4 主成分

2．5 特征评价

2．5．l 图形考察

2．5．2 分布模型评价

2. 5. 3 统计推论检测

2．6 维数比率问题

第3章 数据聚类

3．l 非监督学习分类

3．2 标准化问题

3．3 树聚类

3．3．1 联接规则

3．3．2 树聚类实例

3．4 降维问题

3．5 k均值聚类

3．6 聚类有效性

第4章 统计分类

4．l 线性判别

4. 1．l 最小距离分类器

4．1. 2 欧几里得线性判别

4．1．3 马氏距离线性判别

4. 1．4 fisher线性判别

4．2 贝叶斯分类

4．2．1 基于最小风险的贝叶斯准则

4. 2．2 正态形式贝叶斯分类

4．2．3 拒绝区域

4．2．4 维数比率以及错误率估计

4．3 "模型一无关"技巧

4．3．1 parzen窗函数法

4．3. 2 k-近邻法

4. 3．3 roc曲线法

4．4 特征选择

4．5 分类器评价

4．6 树分类器

4．6．l 决策树以及决策表

4．6. 2 分类器

4．7 数据挖掘中的统计分类器

第5章 神经网络

5．l 最小均值平方误差调整判别

5．2 活化函数

5．3 感知器原理

5．4 神经网络的类型

5．5 多层感知器

5．5．1 反向传播算法

5．5．2 实际应用中的有关问题

5．5．3 时间序列

5．6 神经网络的性能

5. 6．l 错误率估计

5．6．2 海赛矩阵

5．6．3 神经网络设计中的偏差量及方差

5．6．4 网络复杂度

5．6. 5 风险最小化

5．7 神经网络训练中的近似模型

5．7．l 共轭-梯度方法

5．7．2 levenberg－marquardt主法

5．8 神经网络训练中的遗传算法

5．9 径向基函数

5．10 支持向量机

5．11 kohonen网络

5．12 hopfield网络

5．13 模块神经网络

5．14 神经网络在数据挖掘中的应用

第6章 结构模式识别

6．l 模式基元

6．1．1 信号基元

6．1．2 图像基元

6．2 结构化描述

6．2．l 字符串

6. 2．2 图形

6. 2．3 树

6．3 句法分析

6．3．l 字符串语法

6. 3．2 画面描述语言

6．3．3 语法种类

6．3. 4 有限状态自动机

6．3．5 属性语法

6．3．6 随机语法

6．3．7 语法推理

6．4 结构匹配

6．4．l 字符串匹配

6．4．2 随机松弛匹配

6．4．3 离散松弛匹配

6. 4．4 利用hopfield网络的松弛算法

6．4．5 图和树匹配

附录a 数据集

a．l 胸部组织

a．2 聚类

a．3 软木塞

a. 4 犯罪

a. 5 心率曲线

a. 6 心电图

a．7 婴儿心率信号

a．8 阿普伽新生儿心率评估

a．9 公司

a．10 婴儿体重

a. 11 食物

a. 12 水果

a．13 噪声脉冲

a．14 mlp集合

a. 15 规范2c2d

a．16 岩石

a. 17 股票交易

a．18 坦克

a. 19 天气

附录b 工具

b．l 适应性过滤

b．2 密度估计

b．3 训练集大小

b．4 误差能量

b．5 遗传神经网络

b. 6 hopfield网络

b. 7 k-nn边界

b．8 k-nn分类

b．9 感知器

b．10 句法分析

附录c 标准正交变换

附录d 符号与缩写