**章 引 論
1. 1 概論
1. 2 特征矢量和特征空間
1. 3 隨機矢量的描述
1. 4 正態分布
參考文獻
第二章 聚類分析
2. 1 聚類分析的概念
2. 2 模式相似性測度
2. 3 類的定義與類間距離
2. 4 聚類的算法
習題
參考文獻
第三章 判別域代數界面方程法
3. 1 用判別域界面方程分類的概念
3. 2 線性判別函數
3. 3 判別函數值的鑒別意義. 權空間及解空間
3. 4 Fisher線性判別
3. 5 一次準則函數及梯度下降法
3. 6 二次準則函數及其解法
3. 7 線性規劃方法
3. 8 線性二分能力(Linear dichotomies)
3. 9 廣義線性判別函數
3. 10 二次判別函數
3. 11 分段線性判別函數
3. 12 位勢函數分類法
習題
參考文獻
第四章 統計判決
4. 1 *小誤判概率準則判決
4. 2 *小損失準則判決
4. 3 *小*大損失準則判決
4. 4 N-P(Neyman-Pearson)判決
4. 5 序貫判決
4. 6 Fisher準則判決
習題
參考文獻
第五章 統計決策中的訓練. 學習與錯誤率測試. 估訐
5. 1 統計推斷概述
5. 2 參數估計
5. 3 貝葉斯學習
5. 4 概率密度的窗函數估計法及kN-近鄰法
5. 5 有限項正交函數級數逼近法
5. 6 用位勢函數法逼近貝葉斯判決函數
5. 7 隨機逼近方法求類的后驗概率
5. 8 統計決策準則下線性判決函數的訓練生成
5. 9 錯誤率測試
5. 10 平均損失及*小誤判概率的估計方法
5. 11 經驗風險設計
習題
參考文獻
第六章 *近鄰方法
6. 1 *近鄰法
6. 2 剪輯*近鄰法
6. 3 引入拒絕決策的*近鄰法
6. 4 *近鄰法中的*佳距離及其實際計算
習題
參考文獻
第七章 特征提取與選擇
7. 1 概述
7. 2 類別可分性判據
7. 3 基于可分性判據進行變換的特征提取與選擇
7. 4 *佳鑒別矢量的提取
7. 5 離散K-L變換及其在特征提取與選擇中的應用
7. 6 基于決策界的特征提取
7. 7 特征選擇中的直接挑選法
習題
參考文獻
第八章 模糊模式識別
8. 1 引言
8. 2 普通集合與模糊集合
8. 3 普通集合中的關系及有關知識
8. 4 模糊關系與模糊變換
8. 5 模糊度與特征提取和選擇
8. 6 模糊識別的基本方法
習題
參考文獻
第九章 神經網絡在模式識別中的應用
9. 1 人工神經網絡的基本知識
9. 2 前向型人工神經網絡
9. 3 BP網的結構性能和學習改進
9. 4 Hopfield網絡
9. 5 隨機神經網絡
9. 6 自適應共振理論神經網絡
9. 7 自組織特征映射神經網絡
9. 8 模糊神經網絡
習題
參考文獻
第十章 信息融合
10. 1 概述
10. 2 融合技術的層次性及融合系統的功能模塊和結構
10. 3 關于信息融合的熵理論
10. 4 觀測不相關的分布式*小損失準則下的檢測與決策融合
10. 5 觀測相關的決策融合
10. 6 N-P準則下的數據融合
10. 7 分布式檢測決策融合的全局*優概述及某些約束條件下的*優解
10. 8 D-S證據理論融合算法
參考文獻
第十一章 句法模式識別
11. 1 句法模式識別概述
11. 2 形式語言
11. 3 高維文法與隨機文法
11. 4 模式的描述
11. 5 句法分析
11. 6 文法推斷
參考文獻
第十二章 智能化方法
12. 1 人工智能簡述
12. 2 專家系統
12. 3 知識的表示
12. 4 智能推理技術
12. 5 不確定性推理
參考文獻