目录 第1章模式识别概述 11模式识别的基本概念 12统计模式识别 121统计模式识别研究的主要问题 122统计模式识别方法简介 13分类分析 131分类器设计 132分类器的选择 133训练与学习 14聚类分析 141聚类的设计 142基于试探法的聚类设计 143基于群体智能优化算法的聚类设计 15模式识别的应用 本章小结 习题1 第2章特征的选择与优化 21特征空间优化设计问题 22样本特征库初步分析 23样品筛选处理 24特征筛选处理 25特征评估 26基于主成分分析的特征提取 27特征空间描述与分析 271特征空间描述 272特征空间分布分析 28手写数字特征提取与分析 281手写数字特征提取 282手写数字特征空间分布分析 本章小结 习题2 第3章模式相似性测度 31模式相似性测度的基本概念 32距离测度分类法 321模板匹配法 322基于PCA的模板匹配法 323马氏距离分类 本章小结 习题3 第4章基于概率统计的贝叶斯分类器设计 41贝叶斯决策的基本概念 411贝叶斯决策所讨论的问题 412贝叶斯公式 42基于最小错误率的贝叶斯决策 43基于最小风险的贝叶斯决策 44贝叶斯决策比较 45基于最小错误率的贝叶斯分类实现 46基于最小风险的贝叶斯分类实现 本章小结 习题4 第5章判别函数分类器设计 51判别函数的基本概念 52线性判别函数 53线性判别函数的实现 54感知器算法 55Fisher分类 56基于核的Fisher分类 57支持向量机 本章小结 习题5 第6章神经网络分类器设计 61人工神经网络的基本原理 611人工神经元 612人工神经网络模型 613神经网络的学习过程 614人工神经网络在模式识别问题上的优势 62BP神经网络 621BP神经网络的基本概念 622BP神经网络分类器设计 63径向基函数神经网络（RBF） 631径向基函数神经网络的基本概念 632径向基函数神经网络分类器设计 64自组织竞争神经网络 641自组织竞争神经网络的基本概念 642自组织竞争神经网络分类器设计 65概率神经网络（PNN） 651概率神经网络的基本概念 652概率神经网络分类器设计 66对向传播神经网络（CPN） 661对向传播神经网络的基本概念 662对向传播神经网络分类器设计 67反馈型神经网络（Hopfield） 671Hopfield网络的基本概念 672Hopfield神经网络分类器设计 本章小结 习题6 第7章决策树分类器设计 71决策树的基本概念 72决策树分类器设计 本章小结 习题7 第8章粗糙集分类器设计 81粗糙集理论的基本概念 82粗糙集在模式识别中的应用 83粗糙集分类器设计 本章小结 习题8 第9章聚类分析 91聚类的设计 92基于试探的未知类别聚类算法 921最临近规则的试探法 922最大最小距离算法 93层次聚类算法 931最短距离法 932重心法 94动态聚类算法 941K均值算法 942迭代自组织的数据分析算法（ISODATA） 95模拟退火聚类算法 951模拟退火的基本概念 952基于模拟退火思想的改进K均值聚类算法 本章小结 习题9 第10章模糊聚类分析 101模糊集的基本概念 10２模糊集运算 10２1模糊子集运算 10２2模糊集运算性质 10３模糊关系 104模糊集在模式识别中的应用 105基于模糊的聚类分析 本章小结 习题10 第11章遗传算法聚类分析 111遗传算法的基本原理 11２遗传算法的构成要素 1121染色体的编码 1122适应度函数 1123遗传算子 113控制参数的选择 11４基于遗传算法的聚类分析 本章小结 习题11 第12章粒子群算法聚类分析 121粒子群算法的基本原理 122基于粒子群算法的聚类分析 本章小结 习题12 第13章Memetic算法仿生计算 131Memetic算法 132Memetic算法仿生计算在聚类分析中的应用 本章小结 习题13 参考文献