| 本书将理论与实际相结合，有利于读者加深对理论方法的理解，可使读者较系统地掌握模式识别的理论精髓和相关技术。书中给出的应用实例，为科研人员应用模式识别方法解决相关领域的实际问题提供了具体思路和方法。同时，本书紧跟学科发展前沿，介绍了一些最新的研究成果，如独立分量分析、核方法和多分类器融合等。 |
| 第1章 绪论 1.1 模式识别的基本概念 1.2 模式识别系统 1.3 模式识别的基本方法 习题 参考文献 第2章 贝叶斯决策理论 2.1 分类器的描述方法 2.1.1 基本假设 2.1.2 模式分类器的描述 2.2 最大后验概率判决准则 2.2.1 判决准则 2.2.2 错误概率 2.3 最小风险贝叶斯判决准则 2.4 NeymanPerson判决准则 2.5 最小最大风险判决准则 习题 参考文献 第3章 概率密度函数估计 3.1 概率密度函数估计概述 3.2 参数估计的基本概念与评价准则 3.2.1 参数估计的基本概念 3.2.2 参数估计的评价准则 3.3 概率密度函数的参数估计 3.3.1 最大似然估计 3.3.2 贝叶斯估计 3.3.3 贝叶斯学习 3.4 概率密度函数的非参数估计 3.4.1 非参数估计的基本原理 3.4.2 Parzen窗法 3.4.3 kN步邻法 习题 参考文献 第4章 线性判别分析 4.1 线性判别函数 4.1.1 线性判别函数的几何意义 4.1.2 广义线性判别函数 4.1.3 线性判别函数设计的一般步骤 4.2 线性分类器 4.2.1 基于错误概率的线性分类器 4.2.2 Fisher线性判决 4.2.3 感知准则函数 4.2.4 最小平方误差准则函数 4.2.5 决策树 4.3 分段线性分类器 4.3.1 分段线性分类器的定义 4.3.2 分段线性距离分类器 4.3.3 分段线性分类器设计的一般 |
内容加载中，请稍后...
商品评论（0条）