目錄


Pattern Classification, Second Edition



譯者序

前言
第1章緒論



1.1 機器感知

1.2 一個例子

1.3 模式識別系統

1.3.1 傳感器

1.3.2 分割和組織

1.3.3 特征提取

1.3.4 分類器

1.3.5 后處理

1.4 設計循環

1.4.1 數據采集

1.4.2 特征選擇

1.4.3 模型選擇

1.4.4 訓練

1.4.5 評價

1.4.6 計算復雜度

1.5 學習和適應

1.5.1 有監督學習

1.5.2 無監督學習

1.5.3 強化學習

本章小結

全書各章概要

文獻和歷史評述

參考文獻

第2章貝葉斯決策論


2.1 引言

2.2 貝葉斯決策論——連續特征

2.3 *小誤差率分類




2.3.1 極小化極大準則


2.3.2 NeymanPearson準則

2.4 分類器、判別函數及判定面

2.4.1 多類情況

2.4.2 兩類情況

2.5 正態密度

2.5.1 單變量密度函數

2.5.2 多元密度函數

2.6 正態分布的判別函數

2.6.1 情況1：
Σi=σ2I


2.6.2 情況2：
Σi=Σ

2.6.3 情況3：Σi＝任意




2.7 誤差概率和誤差積分


2.8 正態密度的誤差上界



2.8.1 Chernoff界

2.8.2 Bhattacharyya界

2.8.3 信號檢測理論和操作特性


2.9 貝葉斯決策論——離散特征

2.9.1 獨立的二值特征

2.10 丟失特征和噪聲特征

2.10.1 丟失特征

2.10.2 噪聲特征

2.11 貝葉斯置信網

2.12 復合貝葉斯決策論及
上下文

本章小結

文獻和歷史評述

習題

上機練習

參考文獻

第3章*大似然估計和貝葉斯
參數估計


3.1 引言

3.2 *大似然估計

3.2.1 基本原理

3.2.2 高斯情況：μ未知

3.2.3 高斯情況：μ和Σ均未知

3.2.4 估計的偏差

3.3 貝葉斯估計

3.3.1 類條件密度

3.3.2 參數的分布

3.4 貝葉斯參數估計：高斯情況

3.4.1 單變量情況：p(μ｜
)

3.4.2 單變量情況：p(x｜)



3.4.3 多變量情況

3.5 貝葉斯參數估計：一般理論

3.5.1 *大似然方法和貝葉斯方法何時有

區別


3.5.2 無信息先驗和不變性

3.5.3 Gibbs算法

3.6 充分統計量


3.7 維數問題

3.7.1 精度、維數和訓練集的大小

3.7.2 計算復雜度

3.7.3 過擬合

3.8 成分分析和判別函數

3.8.1 主成分分析

3.8.2 Fisher線性判別分析

3.8.3 多重判別分析

3.9 期望*大化算法

3.10 隱馬爾可夫模型

3.10.1 一階馬爾可夫模型

3.10.2 一階隱馬爾可夫模型

3.10.3 隱馬爾可夫模型的計算

3.10.4 估值問題

3.10.5 解碼問題

3.10.6 學習問題

本章小結

文獻和歷史評述

習題

上機練習

參考文獻

第4章非參數技術

4.1 引言

4.2 概率密度的估計

4.3 Parzen窗方法

4.3.1 均值的收斂性

4.3.2 方差的收斂性

4.3.3 舉例說明

4.3.4 分類的例子

4.3.5 概率神經網絡

4.3.6 窗函數的選取

4.4 n近鄰估計

4.4.1 n近鄰估計和Parzen
窗估計

4.4.2 后驗概率的估計

4.5 *近鄰規則

4.5.1 *近鄰規則的收斂性

4.5.2 *近鄰規則的誤差率

4.5.3 誤差界

4.5.4近鄰規則

4.5.5近鄰規則的計算復雜度

4.6 距離度量和*近鄰分類

4.6.1 度量的性質

4.6.2 切空間距離

4.7 模糊分類

4.8 RCE網絡

4.9 級數展開逼近

本章小結

文獻和歷史評述

習題

上機練習

參考文獻
第5章線性判別函數



5.1 引言

5.2 線性判別函數和判定面

5.2.1 兩類情況

5.2.2 多類的情況

5.3 廣