模式识别(普通高等教育人工智能与大数据系列教材)【新华集团自营】

目录
前言
第1章绪论
1.1模式识别的基本概念
1.2模式识别的内容、特点和方法
1.3模式识别的应用和发展
习题1
第2章聚类分析
2.1引言
2.2相似性度量和聚类准则
2.3基于距离阈值的聚类算法
2.4层次聚类法
2.5动态聚类法
2.6聚类结果的评价
习题2
第3章判别函数法
3.1概述
3.2线性判别函数
3.3线性判别函数的几何性质
3.4感知器算法
3.5梯度法
3.6 小平方误差算法
3.7费歇尔线性判别法
3.8非线性判别函数
3.9势函数法
3.10分类器应用实例及代码
习题3
第4章基于统计决策的概率分类
4.1贝叶斯决策
4.2贝叶斯决策方法的应用
4.3贝叶斯分类器的错误率
4.4聂曼皮尔逊决策
4.5类条件概率密度函数的参数估计
4.6概率密度的非参数估计
4.7后验概率密度函数的势函数估计法
习题4
第5章特征选择与特征提取
5.1基本概念
5.2类别可分性测度
5.3基于类内散布矩阵的单类模式特征提取
5.4基于KL变换的多类模式特征提取
5.5特征选择
5.6特征选择的几种全局搜索方法
习题5
第6章句法模式识别
6.1概述
6.2形式语言概述
6.3模式的描述方法
6.4文法推断
6.5句法分析及模式识别
6.6句法结构的自动机识别
习题6
第7章模糊模式识别
7.1模糊集合
7.2模糊集合的运算
7.3模糊关系与模糊矩阵
7.4模糊模式分类的直接方法和间接方法
7.5模糊聚类分析法
习题7
第8章神经网络模式识别法
8.1人工神经网络概述
8.2神经网络的基本概念
8.3前向神经网络
8.4竞争学习神经网络
8.5反馈型神经网络
习题8
第9章决策树
9.1什么是决策树
9.2属性选择的几个度量
9.3决策树的建立算法
习题9
0章支持向量机
10.1支持向量机的理论基础
10.2线性判别函数和判别面
10.3线性不可分下的判别面
10.4非线性可分下的判别函数
习题10
1章粗糙集方法
11.1基本概念
11.2信息系统和决策表及其约简
11.3基于粗糙集的分类器设计
习题11
参考文献