第1章  绪论

  1.1 模式识别基本概念

    1.1.1 模式和模式识别

    1.1.2 模式识别系统组成

  1.2 特征描述

  1.3 模式识别方法

    1.3.1 统计法

    1.3.2 聚类法

    1.3.3 神经网络法

    1.3.4 人工智能法

  1.4 模式识别工程设计

    1.4.1 工程任务

    1.4.2 训练集和测试集选择

    1.4.3 模式识别软件

  习题

第2章  特征聚类

  2.1 聚类的概念

    2.1.1 特征聚类的基本思想

    2.1.2 聚类的算法

  2.2 数据的降维（PCA）

    2.2.1 PCA基本概念

    2.2.2 PCA原理

    2.2.3 PCA的一般步骤

    2.2.4 数据的降维实例

  2.3 模式相似性测度

    2.3.1 距离测度

    2.3.2 相似测度

    2.3.3 匹配测度

  2.4 K-均值聚类

    2.4.1 K-均值聚类算法简介

    2.4.2 算法原理

    2.4.3 K均值算法的一般步骤

    2.4.4 K-均值聚类实例

  2.5 本意小结

  习题

第3章  贝叶斯分类

  3.1 基于最小错误率的贝叶斯准则

  3.2 基于最小风险的贝叶斯准则

  3.3 最大最小决策规则

  3.4 纽曼—皮尔逊（Neyman—Pearson）决策规则

  3.5 贝叶斯学习估计案例（手写字符）

  习题

第4章  Fisher线性判别

  4.1 判别域界面方程分类的概念

  4.2 线性判别函数

    4.2.1 两类问题

    4.2.2 多类问题

  4.3 判别函数数值的鉴别意义、权空间及解空间

    4.3.1 判别函数值的大小、正负的数学意义

    4.3.2 权空间、解矢量与解空间

  4.4 Fisher线性判别

  习题

第5章  近邻法

  5.1 最近邻法

    5.1.1 最近邻决策规则

    5.1.2 最近邻法的错误率分析

  5.2 最近邻法程序举例

  5.3 K近邻法

    5.3.1 K近邻法原理及错误率分析

    5.3.2 K近邻法程序举例

  5.4 剪辑近邻法

    5.4.1 剪辑近邻法

    5.4.2 剪辑k-NN近邻法

    5.4.3 剪辑近邻法的一般流程

  5.5 本意小结

  习题

第6章  BP神经网络及案例

  6.1 BP神经网络基本原理

  6.2 网络各层节点数的确定

  6.3 网络各层间激活函数的确定

  6.4 LM算法

  6.5 基于BP神经网络的变压器故障诊断

    6.5.1 变压器常见故障类型

    6.5.2 网络的训练与仿真

  6.6 本意小结

  习题

第7章  模式识别案例分析

  7.1 电池表面划痕识别案例

    7.1.1 电池图像边缘提取

    7.1.2 基于有效边缘点和Hough变换的电池圆心提取方法

    7.1.3 基于NMI特征和边缘特征电池图像配准算法

    7.1.4 划痕提取方法

  7.2 人脸识别案例

    7.2.1 ORL人脸数据库简介

    7.2.2 基于PCA的人脸图像的特征提取

    7.2.3 k-近邻算法

    7.2.4 BP神经网络法

    7.2.5 基于BP神经网络法和k-近邻法的综合决策分类

    7.2.6 实验的结果

    7.2.7 简单实例

  7.3 SIFT算法提取特征点及特征点的匹配

    7.3.1 高斯尺度空间的极值检测

    7.3.2 特征点位置的确定

    7.3.3 特征点方向的确定

    7.3.4 特征点描述子生成

    7.3.5 SIFT特征向量的匹配

    7.3.6 实现运动姿态的解算

  7.4 气泡识别案例

    7.4.1 两相流高速图像采集

    7.4.2 两相流图像纹理特征的提取

    7.4.3 纹理特征的Lempel-Ziv复杂度分析

    7.4.4 基于SVM的气液两相流型识别

  7.5 三维识别案例

    7.5.1 三维模型中特征点的定义

    7.5.2 特征提取方法

    7.5.3 三维识别方法

  7.6 本意小结

  习题

参考文献