【内容简介】
本书重点介绍模式识别的基本概念和基本方法，在保证理论完整性的前提下，详细讨论具体算法的基本思想、实现方法、优缺点以及适用领域，使读者在了解模式识别基本理论的同时能够掌握分类器设计方法，通过具体的应用实例和实践环节，帮助读者尽快做到理论与实践的结合，掌握模式识别方法用以解决在具体应用中所遇到的问题。
本书主要面向初学者和有一定自学能力的科研工作者，致力于对模式识别理论框架下概念的准确把握和算法实际应用能力的培养，算法与实用并重。本书可作为计算机科学与技术、电子科学与技术、控制科学与工程等专业本科生、研究生的教材或教学参考书，也可为其他相关专业人员了解模式识别方法提供入门参考。
【目 录】
第1章 绪论
1.1 模式识别的应用
1.2 模式识别系统
1.3 模式识别方法
1.4 内容安排
第2章 距离分类器
2.1 距离分类器
2.1.1 距离分类器的一般形式
2.1.2 模板匹配
2.1.3 最近邻分类
2.1.4 最近邻分类器的加速
2.1.5 K-近邻算法
2.2 距离和相似性度量
2.2.1 距离度量
2.2.2 相似性度量
2.2.3 Matlab实现
2.3 分类器性能评价
2.3.1 评价指标
2.3.2 评价方法
本章小结
习题
第3章 聚类分析
3.1 无监督学习与聚类
t3.1.1为什么要进行无监督学习
3.1.2 聚类分析的应用
3.1.3 聚类分析的过程
3.1.4 聚类问题的描述
3.2 简单聚类方法
3.2.1 顺序聚类
3.2.2 最大最小距离聚类
3.3 谱系聚类
3.3.1 谱系聚类合并算法
3.3.2 算法实现
3.3.3 谱系聚类分裂算法
3.4 K-均值聚类
3.4.1 K均值算法
3.4.2 算法的改进
3.5 聚类检验
3.5.1 聚类结果的检验
3.5.2 聚类数的间接选择
3.5.3 聚类数的直接选择
本章小结
习题
第4章 线性判别函数分类器
4.1 线性判别函数和线性分类界面
4.1.1 线性判别函数
4.1.2 三个断言的证明
4.2 感知器算法
4.2.1 感知器准则
4.2.2 感知器算法
4.2.3 感知器算法存在的问题
4.3 最小平方误差算法
4.3.1 平方误差准则
4.3.2 最小平方误差算法
4.4 线性判别函数分类器用于多类别问题
4.4.1 一对多方式
4.4.2 -对一方式
4.4.3 扩展的感知器算法
4.4.4 感知器网络
本章小结
习题
第5章 特征选择与特征提取
5.1 类别可分性判据
5.1.1 基于距离的可分性判据
5.1.2 基于散布矩阵的可分性判据
5.2 特征选择
5.2.1 分支定界法
5.2.2 次优搜索算法
5.3 特征提取
5.3.1 主成分分析
5.3.2 基于Fisher准则的可分性分析
本章小结
习题
第6章 非线性判别函数分类器
第7章 统计分类器及其学习
第8章 模式识别应用系统实例
