目录

第1章绪论

微课视频4分钟

1.1模式识别的基本概念

1.2模式识别方法

1.3模式识别系统

1.4模式识别的应用

1．5仿真环境与工具简介

习题

第2章贝叶斯决策

微课视频15分钟

2.1贝叶斯决策的基本概念

2.2最小错误率贝叶斯决策

2.2.1决策规则

2.2.2错误率

2.2.3仿真实现

2.3最小风险贝叶斯决策

2.3.1决策规则

2.3.2两种贝叶斯决策的关系

2.4朴素贝叶斯分类器

2.5NeymanPearson决策规则

2.6判别函数和决策面

2.7正态分布模式的贝叶斯决策

2.7.1正态概率密度函数

2.7.2正态概率模型下的最小错误率贝叶斯分类器

2．7．3仿真实现

2.8贝叶斯决策的实例

习题

第3章概率密度函数的估计

微课视频6分钟

3.1基本概念

3.2参数估计

3.2.1最大似然估计

3.2.2最大后验估计

3.2.3贝叶斯估计

3.3非参数估计

3.3.1直方图方法

3.3.2Parzen窗法

3.3.3kN近邻密度估计法

3.4最小错误率贝叶斯决策的实例

习题

第4章线性判别分析

微课视频17分钟

4.1基本概念

4.1.1线性判别函数

4.1.2广义线性判别函数

4.1.3线性判别函数的设计

4.2Fisher法

4.2.1基本原理

4.2.2准则函数及求解

4.2.3分类决策

4.2.4仿真实现

4.3感知器算法

4.3.1基本概念

4.3.2感知器准则函数及求解

4.3.3仿真实现

4.4最小二乘法

4.4.1平方误差和准则函数

4.4.2均方误差准则函数

4．4．3仿真实现

4.5支持向量机

4.5.1最优分类超平面与线性支持向量机

4.5.2非线性可分与线性支持向量机

4.5.3核函数与支持向量机

4．5．4仿真实现

4.6多类分类问题

4.6.1化多类分类为两类分类

4.6.2多类线性判别函数

4.6.3纠错输出编码方法

4.7线性判别分析的实例

习题

第5章非线性判别分析

微课视频11分钟

5.1近邻法

5.1.1最小距离分类器

5.1.2分段线性距离分类器

5.1.3近邻法及仿真实现

5.2二次判别函数

5.3决策树

5.3.1基本概念

5.3.2决策树的构建

5.3.3过学习与决策树的剪枝

5．3．4仿真实现

5.4Logistic回归

5.4.1基本原理

5.4.2多类分类任务

5．4．3仿真实现

5.5非线性判别分析的实例

习题

第6章组合分类器

微课视频12分钟

6.1组合分类器的设计

6.1.1个体分类器的差异设计

6.1.2分类器性能度量

6.1.3组合策略

6.2Bagging算法

6.3随机森林

6.4Boosting算法

6.4.1AdaBoost算法

6．4．2多类分类AdaBoost算法

6．4．3Gradient Boosting算法

6.5组合分类的实例

习题

第7章无监督模式识别

微课视频3分钟

7.1聚类算法的基本概念

7.2相似性测度

7.2.1样本相似性测度

7.2.2点和集合之间的相似性测度

7.2.3集合和集合之间的相似性测度

7.3动态聚类算法

7.3.1C均值聚类算法

7.3.2ISODATA算法

7.4层次聚类算法

7.4.1分裂层次聚类

7.4.2合并层次聚类

7．4．3仿真实现

7.5高斯混合聚类算法

7.5.1高斯混合分布

7.5.2高斯混合聚类

7.5.3EM算法

7.5.4仿真实现

7.6模糊聚类算法

7.6.1模糊集合的基本知识

7.6.2模糊C均值聚类算法

7.7密度聚类算法

7.8聚类性能度量

7.8.1外部准则

7.8.2内部准则

7.9聚类分析的实例

习题

第8章特征选择

微课视频9分钟

8.1概述

8.2特征的评价准则

8.2.1基于类内类间距离的可分性判据

8.2.2基于概率分布的可分性判据

8.2.3基于熵函数的可分性判据

8.2.4基于统计检验的可分性判据

8.2.5特征的相关性评价

8.3特征选择的优化算法

8.3.1特征选择的最优算法

8.3.2特征选择的次优算法

8.3.3特征选择的启发式算法

8．4过滤式特征选择方法

8．5包裹式特征选择方法

8.6嵌入式特征选择方法

习题

第9章特征提取

微课视频3分钟

9.1概述

9.2基于类可分性判据的特征提取

9.3KL变换

9.3.1KL变换的定义

9.3.2KL变换的性质

9.3.3信息量分析

9.3.4奇异值分解

9.3.5仿真实现

9.4独立成分分析

9.4.1问题描述

9.4.2ICA算法

9．4．3仿真实现

9.5非负矩阵分解

9.6稀疏滤波

9.7多维尺度法

9.7.1经典尺度法

9.7.2度量型MDS法

9.7.3非度量型MDS法

9.7.4等度量映射

9.8tSNE算法

9.9其他非线性降维方法

9.9.1拉普拉斯特征映射

9.9.2局部线性嵌入

习题

第10章半监督学习

10.1基本概念

10.2半监督分类

10.2.1生成式模型

10.2.2半监督支持向量机

10.2.3基于图的半监督学习

10.3半监督聚类

10.3.1约束C均值算法

10.3.2约束种子C均值算法

10.4半监督降维

10.4.1半监督局部Fisher判别分析

10.4.2基于约束的半监督降维

习题

第11章人工神经网络

11.1神经元模型

11.2多层感知器神经网络

11.2.1单层感知器

11.2.2多层感知器

11.2.3学习算法

11．2．4损失函数

11.2.5网络结构的设计

11.2.6在模式识别中的应用

11.3其他常见神经网络

11.3.1径向基函数神经网络

11.3.2自组织映射网络

11.3.3概率神经网络

11.3.4学习向量量化神经网络

11.4基于前馈型神经网络的分类实例

11.5深度神经网络简介

11.5.1受限玻尔兹曼机与深度置信网络

11.5.2卷积神经网络

11.5.3循环神经网络

11.5.4生成对抗网络

习题

参考文献