《模式分类》(原书第2版)已被卡内基-梅隆、哈佛、斯坦福、剑桥等120多所大学采用为教材。本书作为流行和经典的教材和专业参考书,主要面向电子工程、计算机科学、数学和统计学、媒体处理、模式识别、计算机视觉、人工智能和认知科学等领域的研究生和相关领域的科技人员。开发和研究模式识别系统的实践者,无论其应用涉及语音识别、字符识别、图像处理还是信号分析,常会遇到需要从大量令人迷惑的技术中做出选择的难题。这本教材及专业参考书,为你准备了充足的资料和信息,供你选择最适合的技术。作为一本在过去几十年内模式识别领域经典著作的新版,这一版本更新并扩充了原作,重点介绍模式分类及该领域近年来的巨大进展。
《模式分类》(原书第2版)的第1版《模式分类与场景分析》出版于1973年,是模式识别和场景分析领域奠基性的经曲名著。在第2版中,除了保留了第1版的关于统计模式识别和结构模式识别的主要内容以外,读者将会发现新增了许多近25年来的新理论和新方法,其中包括神经网络、机器学习、数据挖掘、进化计算、不变量理论、隐马尔可夫模型、统计学习理论和支持向量机等。作者还为未来25年的模式识别的发展指明了方向。书中包含许多实例,各种不同方法的对比,丰富的图表,以及大量的课后习题和计算机练习。
目录
- 出版者的话
- 译者序
- 前言
- 第1章 绪论
- 1.1 机器感知
- 1.2 一个例子
- 1.3 模式识别系统
- 1.3.1 传感器
- 1.3.2 分割和组织
- 1.3.3 特征提取
- 1.3.4 分类器
- 1.3.5 后处理
- 1.4 设计循环
- 1.4.1 数据采集
- 1.4.2 特征选择
- 1.4.3 模型选择
- 1.4.4 训练
- 1.4.5 评价
- 1.4.6 计算复杂度
- 1.5 学习和适应
- 1.5.1 有监督学习
- 1.5.2 无监督学习
- 1.5.3 强化学习
- 1.6 本章小结
- 全书各章概要
- 文献和历史评述
- 参考文献
- 第2章 贝叶斯决策论
- 2.1 引言
- 2.2 贝叶斯决策论——连续特征
- 2.3 最小误差率分类
- 2.3.1 极小化极大准则
- 2.3.2 Neyman-Pearson准则
- 2.4 分类器、判别函数及判定面
- 2.4.1 多类情况
- 2.4.2 两类情况
- 2.5 正态密度
- 2.5.1 单变量密度函数
- 2.5.2 多元密度函数
- 2.6 正态分布的判别函数
- 2.6.1 情况1:∑iδI
- 2.6.2 情况2:∑i=∑
- 2.6.3 情况3:∑=任意
- 2.7 误差概率和误差积分
- 2.8 正态密度的误差上界
- 2.8.1 Chernoff界
- 2.8.2 Bhattacharyya界
- 2.8.3 信号检测理论和操作特性
- 2.9 贝叶斯决策论——离散特征
- 2.9.1 独立的二值特征
- 2.1 0丢失特征和噪声特征
- 2.1 0.1 丢失特征
- 2.1 0.2 噪声特征
- 2.1 1贝叶斯置信网
- 2.1 2复合贝叶斯决策论及上下文
- 本章小结
- 文献和历史评述
- 习题
- 上机练习
- 参考文献
- 第3章 最大似然估计和贝叶斯参数估计
- 3.1 引言
- 3.2 最大似然估计
- 3.2.1 基本原理
- 3.2.2 高斯情况:u未知
- 3.2.3 高斯情况:u和∑均未知
- 3.2.4 估计的偏差
- 3.3 贝叶斯估计
- 3.3.1 类条件密度
- 3.3.2 参数的分布
- 3.4 贝叶斯参数估计:高斯情况
- 3.4.1 单变量情况:P(U|D)
- 3.4.2 单变量情况:P(z|D)
- 3.4.3 多变量情况
- 3.5 贝叶斯参数估计:一般理论
- 3.5.1 最大似然方法和贝叶斯方法何时有区别
- 3.5.2 无信息先验和不变性
- 3.5.3 吉布斯算法
- 3.6 充分统计量
- 3.7 维数问题
- 3.7.1 精度、维数和训练集的大
- 3.7.2 计算复杂度
- 3.7.3 过拟合
- 3.8 成分分析和判别函数
- 3.8.1 主成分分析
- 3.8.2 Fisher线性判别分析
- 3.8.3 多重判别分析
- 3.9 期望最大化算法
- 3.10 隐马尔可夫模型
- 3.10.1 一阶马尔可夫模型
- 3.10.2 一阶隐马尔可夫模型
- 3.10.3 隐马尔可夫模型的计算
- 3.10.4 估值问题
- 3.10.5 解码问题
- 3.10.6 学习问题
- 本章小结
- 文献和历史评述
- 习题
- 上机练习
- 参考文献
- 第4章 非参数技术
- 4.1 引言
- 4.2 概率密度的估计
- 4.3 Parzen窗方法
- 4.3.1 均值的收敛性
- 4.3.2 方差的收敛性
- 4.3.3 举例说明
- 4.3.4 分类的例子
- 4.3.5 概率神经网络
- 4.3.6 窗函数的选取
- 4.4 Kπ近邻估计
- 4.4.1 Kπ近邻估计和Parzen窗估计
- 4.4.2 后验概率的估计
- 4.5 最近邻规则
- 4.5.1 最近邻规则的收敛性
- 4.5.2 最近邻规则的误差率
- 4.5.3 误差界
- 4.5.4 K-近邻规则
- 4.5.5 K-近邻规则的计算复杂度
- 4.6 距离度量和最近邻分类
- 4.6.1 度量的性质
- 4.6.2 切空间距离
- 4.7 模糊分类
- 4.8 RCE网络
- 4.9 级数展开逼近
- 本章小结
- 文献和历史评述
- 习题
- 上机练习
- 参考文献
- 第5章 线性判别函数
- 5.1 引言
- 5.2 线性判别函数和判定面
- 5.2.1 两类情况
- 5.2.2 多类的情况
- 5.3 广义线性判别函数
- 5.4 两类线性可分的情况
- 5.4.1 几何解释和术语
- 5.4.2 梯度下降算法
- 5.5 感知器准则函数最小化
- 5.5.1 感知器准则函数
- 5.5.2 单个样本校正的收敛性证明
- 5.5.3 一些直接的推广
- 5.6 松弛算法
- 5.6.1 下降算法
- 5.6.2 收敛性证明
- 5.7 不可分的情况
- 5.8 最小平方误差方法
- 5.8.1 最小平方误差及伪逆
- 5.8.2 与Fisher线性判别的关系
- 5.8.3 最优判别的渐近逼近
- 5.8.4 Widrow-Hoff算法或最小均方算法
- 5.8.5 随机逼近法
- 5.9 Ho-Kashyap算法
- 5.9.1 下降算法
- 5.9.2 收敛性证明
- 5.9.3 不可分的情况
- 5.9.4 一些相关的算法
- 5.10 线性规划算法
- 5.10.1 线性规划
- 5.10.2 线性可分情况
- 5.10.3 极小化感知器准则函数
- 5.11 支持向量机
- 5.12 推广到多类问题
- 5.12.1 Kesler构造法
- 5.12.2 固定增量规则的收敛性
- 5.12.3 MSE算法的推广
- 本章小结
- 文献和历史评述
- 习题
- 上机练习
- 参考文献
- ……
- 第7章 随机方法
- 第8章 非度量方法
- 第9章 独立于算法的机器学习
- 第10章 无监督学习和聚类
- 附录A 数学基础
- 参考文献
- 索引