模式分类 pdf下载

　　

　　《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。

　　Richard O.Duda于麻省理工学院获得电气工程博士学位，是加州San Jose州立大学电气工程系名誉教授。他是美国人工智能学会会士、IEEE会士。

　　Peter E.Hart是加州Ricoh lnnovations公司的创始人、总裁和CEO，同时还是理光公司的高级副总裁，在此之前曾任理光加州研究中心的高级副总裁。他是美国人工智能学会会士、IEEE会士，曾获IEEE信息论协50周年论文奖。

　　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。这本独特的教材及专业参考书，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。本书已被卡内基-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。

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