目 录 第1章 导论 1 1.1 模式识别的重要性 1 1.2 特征、特征向量和分类器 3 1.3 监督、无监督和半监督学习 4 1.4 MATLAB程序 6 1.5 本书的章节安排 6 第2章 基于贝叶斯决策理论的分类器 8 2.1 引言 8 2.2 贝叶斯决策理论 8 2.3 判别函数和决策面 12 2.4 正态分布的贝叶斯分类 13 2.5 未知概率密度函数的估计 23 2.6 最近邻准则 41 2.7 贝叶斯网络 44 习题 48 MATLAB编程与练习 54 参考文献 58 第3章 线性分类器 61 3.1 引言 61 3.2 线性判别函数和决策超平面 61 3.3 感知器算法 62 3.4 最小二乘法 68 3.5 均方估计回顾 73 3.6 逻辑斯蒂判别 78 3.7 支持向量机 79 习题 94 MATLAB编程和练习 96 参考文献 97 第4章 非线性分类器 101 4.1 引言 101 4.2 异或问题 101 4.3 两层感知器 102 4.4 三层感知器 105 4.5 基于训练集准确分类的算法 106 4.6 反向传播算法 107 4.7 反向传播算法的变体 112 4.8 代价函数的选择 114 4.9 神经网络大小的选择 116 4.10 仿真实例 119 4.11 共享权重的网络 120 4.12 广义线性分类器 121 4.13 线性二分分类器中l维空间的容量 123 4.14 多项式分类器 124 4.15 径向基函数网络 125 4.16 通用逼近器 128 4.17 概率神经网络 129 4.18 支持向量机：非线性情形 130 4.19 其他SVM范式 134 4.20 决策树 142 4.21 组合分类器 146 4.22 增强组合分类器的方法 151 4.23 类别不平衡问题 156 4.24 讨论 157 习题 157 MATLAB编程和练习 160 参考文献 163 第5章 特征选择 173 5.1 引言 173 5.2 预处理 173 5.3 峰值现象 175 5.4 基于统计假设检验的特征选择 177 5.5 接收机工作特性曲线 182 5.6 类别可分性判据 183 5.7 特征子集选择 188 5.8 最优特征生成 191 5.9 神经网络和特征生成/选择 198 5.10 关于泛化理论的提示 199 5.11 贝叶斯信息准则 205 习题 206 MATLAB编程和练习 208 参考文献 211 第6章 特征生成I：数据变换和降维 216 6.1 引言 216 6.2 基向量和图像 216 6.3 Karhunen-Loève变换 218 6.4 奇异值分解 224 6.5 独立成分分析 229 6.6 非负矩阵因子分解 234 6.7 非线性降维 235 6.8 离散傅里叶变换 243 6.9 离散余弦和正弦变换 245 6.10 哈达玛变换 246 6.11 哈尔变换 247 6.12 重新审视哈尔展开式 248 6.13 离散时间小波变换 251 6.14 多分辨率解释 258 6.15 小波包 259 6.16 二维推广简介 260 6.17 应用 262 习题 265 MATLAB编程和练习 267 参考文献 269 第7章 特征生成II 276 7.1 引言 276 7.2 区域特征 276 7.3 形状和尺寸特征 292 7.4 分形简介 298 7.5 语音和声音分类的典型特征 303 习题 313 MATLAB编程和练习 315 参考文献 318 第8章 模板匹配 324 8.1 引言 324 8.2 基于最优路径搜索技术的度量 324 8.3 基于相关的度量 335 8.4 可变形模板模型 339 8.5 基于内容的信息检索：相关反馈 342 习题 345 MATLAB编程和练习 345 参考文献 347 第9章 上下文相关分类 350 9.1 引言 350 9.2 贝叶斯分类器 350 9.3 马尔可夫链模型 350 9.4 Viterbi算法 351 9.5 信道均衡 354 9.6 隐马尔可夫模型 357 9.7 基于状态持续时间建模的HMM 365 9.8 使用神经网络训练马尔可夫模型 370 9.9 马尔可夫随机场的讨论 371 习题 373 MATLAB编程和练习 373 参考文献 375 第10章 监督学习：尾声 380 10.1 引言 380 10.2 错误计数法 380 10.3 利用有限大小的数据集 381 10.4 医学成像实例研究 384 10.5 半监督学习 386 习题 394 参考文献 395 第11章 集聚：基本概念 399 11.1 引言 399 11.2 邻近度 403 习题 417 参考文献 418 第12章 集聚算法I：顺序算法 420 12.1 引言 420 12.2 集聚算法的分类 421 12.3 顺序集聚算法 423 12.4 改进的BSAS 426 12.5 双阈值顺序算法 427 12.6 细化阶段 429 12.7 神经网络实现 430 习题 432 MATLAB编程和练习 434 参考文献 435 第13章 集聚算法II：层次算法 438 13.1 引言 438 13.2 合并算法 438 13.3 同型矩阵 455 13.4 分裂算法 456 13.5 用于大数据集的层次算法 457 13.6 选择最优的聚类数 462 习题 464 MATLAB编程和练习 465 参考文献 466 第14章 集聚算法III：基于函数优化的方法 469 14.1 引言 469 14.2 混合分解方法 470 14.3 模糊集聚算法 476 14.4 可能性聚类 491 14.5 硬集聚算法 495 14.6 向量量化 501 附录 503 习题 503 MATLAB编程和练习 505 参考文献 507 第15章 集聚算法IV 512 15.1 引言 512 15.2 基于图论的集聚算法 512 15.3 竞争学习算法 522 15.4 二值形态学集聚算法 528 15.5 边界检测算法 534 15.6 寻谷集聚算法 536 15.7 代价优化集聚回顾 538 15.8 核集聚算法 543 15.9 处理大数据集的基于密度的算法 546 15.10 高维数据集的集聚算法 550 15.11 其他集聚算法 560 15.12 组合集聚 561 习题 565 MATLAB编程和练习 567 参考文献 569 第16章 聚类有效性 578 16.1 引言