第1章  导论

  1.1  模式识别的重要性

  1.2  特征、特征向量和分类器

  1.3  有监督、无监督和半监督学习

  1.4  MATLAB程序

  1.5  本书的内容安排

第2章  基于贝叶斯决策理论的分类器

  2.1  引言

  2.2  贝叶斯决策理论

  2.3  判别函数和决策面

  2.4  正态分布的贝叶斯分类

  2.5  未知概率密度函数的估计

  2.6  最近邻规则

  2.7  贝叶斯网络

  习题

  MATLAB编程和练习

  参考文献

第3章  线性分类器

  3.1  引言

  3.2  线性判别函数和决策超平面

  3.3  感知器算法

  3.4  最小二乘法

  3.5  均方估计的回顾

  3.6  逻辑识别

  3.7  支持向量机

  习题

  MATLAB编程和练习

  参考文献

第4章  非线性分类器

  4.1  引言

  4.2  异或问题

  4.3  两层感知器

  4.4  三层感知器

  4.5  基于训练集准确分类的算法

  4.6  反向传播算法

  4.7  反向传播算法的改进

  4.8  代价函数选择

  4.9  神经网络大小的选择

  4.10  仿真实例

  4.11  具有权值共享的网络

  4.12  线性分类器的推广

  4.13  线性二分法中l维空间的容量

  4.14  多项式分类器

  4.15  径向基函数网络

  4.16  通用逼近

  4.17  概率神经元网络

  4.18  支持向量机：非线性情况

  4.19  超越SVM的范例

  4.20  决策树

  4.21  合并分类器

  4.22  合并分类器的增强法

  4.23  类的不平衡问题

  4.24  讨论

  习题

  MATLAB编程和练习

  参考文献

第5章  特征选择

  5.1  引言

  5.2  预处理

  5.3  峰值现象

  5.4  基于统计假设检验的特征选择

  5.5  接收机操作特性（ROC）曲线

  5.6  类可分性测量

  5.7  特征子集的选择

  5.8  最优特征生成

  5.9  神经网络和特征生成/选择

  5.10  推广理论的提示

  5.11  贝叶斯信息准则

  习题

  MATLAB编程和练习

  参考文献

第6章  特征生成I：线性变换

  6.1  引言

  6.2  基本向量和图像

  6.3  Karhunen-Loève变换

  6.4  奇异值分解

  6.5  独立成分分析

  6.6  非负矩阵因子分解

  6.7  非线性维数降低

  6.8  离散傅里叶变换（DFT）

  6.9  离散正弦和余弦变换

  6.10  Hadamard变换

  6.11  Haar变换

  6.12  回顾Haar展开式

  6.13  离散时间小波变换（DTWT）

  6.14  多分辨解释

  6.15  小波包

  6.16  二维推广简介

  6.17  应用

  习题

  MATLAB编程和练习

  参考文献

第7章  特征生成II

  7.1  引言

  7.2  区域特征

  7.3  字符形状和大小的特征

  7.4  分形概述

  7.5  语音和声音分类的典型特征

  习题

  MATLAB编程和练习

  参考文献

第8章  模板匹配

  8.1  引言

  8.2  基于最优路径搜索技术的测度

  8.3  基于相关的测度

  8.4  可变形的模板模型

  8.5  基于内容的信息检索：相关反馈

  习题

  MATLAB编程和练习

  参考文献

第9章  上下文相关分类

  9.1  引言

  9.2  贝叶斯分类器

  9.3  马尔可夫链模型

  9.4  Viterbi算法

  9.5  信道均衡

  9.6  隐马尔可夫模型

  9.7  状态驻留的HMM

  9.8  用神经网络训练马尔可夫模型

  9.9  马尔可夫随机场的讨论

  习题

  MATLAB编程和练习

  参考文献

第10章  监督学习：尾声

  10.1  引言

  10.2  误差计算方法

  10.3  探讨有限数据集的大小

  10.4  医学图像实例研究

  10.5  半监督学习

  习题

  参考文献

第11章  聚类：基本概念

  11.1  引言

  11.2  近邻测度

  习题

  参考文献

第12章  聚类算法I：顺序算法

  12.1  引言

  12.2  聚类算法的种类

  12.3  顺序聚类算法

  12.4  BSAS的改进

  12.5  两个阈值的顺序方法

  12.6  改进阶段

  12.7  神经网络的实现

  习题

  MATLAB编程和练习

  参考文献

第13章  聚类算法II：层次算法

  13.1  引言

  13.2  合并算法

  13.3  cophenetic矩阵

  13.4  分裂算法

  13.5  用于大数据集的层次算法

  13.6  最佳聚类数的选择

  习题

  MATLAB编程和练习

  参考文献

第14章  聚类算法III：基于函数最优方法

  14.1  引言

  14.2  混合分解方法

  14.3  模糊聚类算法

  14.4  可能性聚类

  14.5  硬聚类算法

  14.6  向量量化

  附录

  习题

  MATLAB编程和练习

  参考文献

第15章  聚类算法IV

  15.1  引言

  15.2  基于图论的聚类算法

  15.3  竞争学习算法

  15.4  二值形态聚类算法

  15.5  边界检测算法

  15.6  谷点搜索聚类算法

  15.7  通过代价最优聚类（回顾）

  15.8  核聚类方法

  15.9  对大数据集的基于密度算法

  15.10  高维数据集的聚类算法

  15.11  其他聚类算法

  15.12  聚类组合

  习题

  MATLAB编程和练习

  参考文献

第16章  聚类有效性

  16.1  引言

  16.2  假设检验回顾

  16.3  聚类有效性中的假设检验

  16.4  相关准则

  16.5  单独聚类有效性

  16.6  聚类趋势

  习题

  参考文献

附录A  概率论和统计学的相关知识

附录B  线性代数基础

附录C  代价函数的优化

附录D  线性系统理论的基本定义

索引