第一章 緒論
1.1 概述
1.2 特徵矢量和特徵空間
1.3 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 準則函數
2.5 聚類的算法
文獻簡評 應用簡介
習題
上機練習
參考文獻
第三章 判彆域代數界麵方程法
3.1 用判彆域界麵方程分類的概念
3.2 綫性判彆函數
3.3 判彆函數值的鑒彆意義、權空間及解空間
3.4 Fisher綫性判彆
3.5 綫性可分條件下判彆函數的權矢量算法
3.6 一般情況下的判彆函數權矢量算法
3.7 綫性規劃方法
3.8 綫性二分能力
3.9 廣義綫性判彆函數
3. 二次判彆函數
3.11 分段綫性判彆函數
3.12 位勢函數分類法
3.13 支持矢量機簡介
3.14 小概率機
文獻簡評 應用簡介
習題
上機練習
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 小損失準則
4.4 N—P（Neyman—Pearson）判決
4.5 序貫判決（SPRD）
4.6 Fisher準則判決
4.7 特徵數據缺損或被噪聲汙染下的Bayes判決
4.8 批對象的復閤判決
文獻簡評 應用簡介
習題
上機練習
參考文獻
第五章 統計決策中的學習與錯誤率估計
5.1 統計推斷概述
5.2 參數估計
5.3 Bayes學習
5.4 概密的窗函數估計法
5.5 有限項正交函數級數逼近法
5.6 用位勢函數法逼近Bayes判決函數
5.7 逼近方法求類的後驗概率
5.8 統計決策準則下綫性判決函數的訓練生成
5.9 錯誤率估計
5. 基於平均損失估計的學習及小誤判概率的估計
5.11 無監督估計（盲估計）
5.12 期望化算法
5.13 集成學習
文獻簡評 應用簡介
習題
上機練習
參考文獻
第六章 近鄰法
6.1 基本的近鄰法
6.2 剪輯近鄰法
6.3 引入拒絕決策的近鄰法
6.4 近鄰法中的距離及其實際計算
文獻簡評 應用簡介
習題
參考文獻
第七章 特徵提取與選擇
7.1 概述
7.2 類彆可分性判據
7.3 基於可分性判據進行變換的特徵提取與選擇
7.4 鑒彆矢量的提取
7.5 離散K—L變換及其在特徵提取與選擇中的應用
7.6 獨立成分分析
7.7 基於決策界的特徵提取
7.8 特徵選擇中的直接挑選法
7.9 多維尺度分析
文獻簡評 應用簡介
習題
參考文獻
第八章 模糊模式識彆
8.1 引言
8.2 普通集閤與模糊集閤
8.3 普通集閤上的關係及有關知識
8.4 模糊關係與模糊變換
8.5 模糊度和特徵提取與選擇
8.6 模糊識彆的基本方法
8.7 基於模糊相似矩陣的分類方法
8.8 模糊C—均值聚類算法
8.9 樹法模式識彆
8. 幾何圖形的模糊識彆
文獻簡評 應用簡介
習題
參考文獻
第九章 神經網絡在模式識彆中的應用
9.1 人工神經網絡的基本知識
9.2 前嚮型人工神經網絡
9.3 BP網的性能和學習改進
9.4 Hopfield網絡
9.5 神經網絡
9.6 自適應共振理論神經網絡
9.7 自組織特徵映射神經網絡
9.8 模糊神經網絡
9.9 概率神經網絡
9. RCE神經網絡
文獻簡評 應用簡介
習題
上機練習
參考文獻
第十章 信息融閤
.1 概述
.2 融閤技術層次性及融閤係統功能模塊和結構
.3 關於信息融閤的熵理論
.4 觀測不相關的分布式小損失準則下的檢測與決策融閤
.5 觀測相關的決策融閤
.6 N—P準則下的決策融閤
.7 分布式檢測決策融閤全局優概述及某些約束條件下優解
.8 D—S證據理論的融閤算法
文獻簡評 應用簡介
習題
參考文獻
第十一章 結構模式識彆
11.1 結構模式識彆概述
11.2 形式語言
11.3 高維文法與文法
11.4 模式的描述
11.5 句法分析
11.6 文法推斷
文獻簡評 應用簡介
習題
參考文獻
第十二章 智能化方法
12.1 人工智能
12.2 專傢係統
12.3 知識的錶示
12.4 智能推理技術
12.5 不確定性推理
文獻簡評 應用簡介
習題
參考文獻
第十三章 樹分類器
13.1 樹分類器原理
13.2 樹分類器的設計原則
13.3 樹分類器的關鍵技術
13.4 決策樹生成算法
文獻簡評 應用簡介
習題
上機練習
參考文獻
第十四章 支持矢量機
14.1 優化的分析方法原理
14.2 優分類界麵
14.3 廣義優分類界麵
14.4 優界麵與廣義優界麵分類性能的統計特性
14.5 支持矢量機（SVM）
14.6 基於Adaboost的SVM組閤
文獻簡評 應用簡介
習題
參考文獻
第十五章 基於隱馬爾可夫模型識彆方法
15.1 一階馬爾可夫模型（MM）
15.2 一階隱馬爾可夫模型（HMM）
15.3 可見序列概率估計
15.4 隱狀態估計
15.5 模型參數估計
15.6 隱馬爾可夫模型方法模式識彆
文獻簡評 應用簡介
習題
參考文獻
第十六章 子空間模式識彆方法
16.1 概述
16.2 子空間投影
16.3 子空間判彆法
16.4 綫性迴歸模型法
16.5 正交子空間法
16.6 Kohonen學習子空間法
16.7 子空間的平均學習法
文獻簡評 應用簡介
習題
參考文獻
第十七章 機器統計學習理論
17.1 機器統計學習理論概述
17.2 經驗風險小化設計
17.3 經驗風險小化原則的一緻性條件
17.4 優指示函數判決風險的界
17.5 訓練序列的長度和識彆率估計精度的關係
17.6 結構風險小化
文獻簡評 應用簡介
習題
參考文獻
· · · · · · (收起)