前言
第一章 緒論
1.1 模式和模式識別
1.2 模式識別系統
1.2.1 原始數據獲取
1.2.2 原始數據的預處理
1.2.3 特征提取和選擇
1.2.4 分類決策
1.3 數據矩陣與樣本空間
1.3.1 數據矩陣與樣本空間
1.3，2 模式的相似性度量
1.3.3 樣本點的權重和特征向量數據的預處理
1.4 主成分分析
1.4.1 主成分分析的基本思想
1.4.2 主成分分析算法
1.4.3 降維處理及信息損失
第二章 貝葉斯決策
2.1 基於最小錯誤率的貝葉斯決策
2.1.1 決策規則
2.1.2 錯誤率
2.1.3 分類器設計
2.2 Neyman-Pearson決策
2.3 正態分布時的貝葉斯決策
2.4 分類器的效率和錯誤率
2.4.1 分類器的效率、錯誤率和判選率矩陣
2.4.2 錯誤率的上界
2.4.3 利用檢驗樣本集估計判選率矩陣和錯誤率
2.4.4 訓練樣本集和檢驗樣本集的划分
2.4.5 利用判選率矩陣估計各類「真實」樣本數
2.4.6 分類器判定的「信號」樣本中錯判事例的扣除
2.5 討論
第三章 線性判別方法
3.1 線性判別函數
3.1.1 線性判別函數的基本概念
3.1.2 廣義線性判別函數
3.1.3 線性分類器的設計
3.2 Fisher線性判別
3.3 感知准則函數
3.3.1 幾個基本概念
3.3.2 感知准則函數
3.4 最小錯分樣本數准則函數
3.5 最小平方誤差准則函數
3.5.1 平方誤差准則函數及其MSE解
3.5.2 MSE准則函數的梯度下降算法
3.5.3 隨機MSE准則函數及其隨機逼近算法
3.6 多類問題
第四章 決策樹判別
4.1 超長方體分割法
4.1.1 超長方體分割法的基本思想
4.1.2 超長方體分割法中闡值的確定
4.1.3 超長方體分割法的優缺點及其改進
4.1.4 超長方體分割法用於高能物理實驗分析
4.2 決策樹法
4.2.1 決策樹法的基本思想
4.2.2 信號/本底二元決策樹的構建
4.2.3 決策樹的修剪
4.3 決策樹林法
4.3.1 決策樹林的構建
4.3.2 決策樹林對輸入事例的分類
4.3.3 重抽樣法構建決策樹林
第五章 人工神經網絡
5.1 概述
5.1.1 生物神經元和人工神經元
5.1.2 人工神經網絡的構成和學習規則
……
第六章 近鄰法
第七章 其他非線性判別方法
第八章 不同判別方法的比較
參考文獻
