本书系统阐述了模式识别原理与方法,并在此基础上介绍了模式识别的应用。
本书分为两大部分:基础部分主要包括统计模式识别、结构模式识别、模糊模式识别、神经网络模式识别和多分类器融合等内容;应用部分主要包括文本分类、语音识别、图像识别和视频识别等内容。
本书将理论与实际相结合,有利于读者加深对理论方法的理解,可使读者较系统地掌握模式识别的理论精髓和相关技术。书中给出的应用实例,为科研人员应用模式识别方法解决相关领域的实际问题提供了具体思路和方法。同时,本书紧跟学科发展前沿,介绍了一些*新的研究成果,如独立分量分析、核方法和多分类器融合等。
本书可以作为电子科学、计算机科学、自动化科学、信息工程专业以及相关专业的高年级本科生和研究生的模式识别课程教材,同时也可供相关领域的研究人员参考。

第1章 绪论
1.1 模式识别的基本概念
1.2 模式识别系统
1.3 模式识别的基本方法
习题
参考文献
第2章 贝叶斯决策理论
2.1 分类器的描述方法
2.1.1 基本假设
2.1.2 模式分类器的描述
2.2 *大后验概率判决准则
2.2.1 判决准则
2.2.2 错误概率
2.3 *小风险贝叶斯判决准则
2.4 NeymanPerson判决准则
2.5 *小*大风险判决准则
习题
参考文献
第3章 概率密度函数估计
3.1 概率密度函数估计概述
3.2 参数估计的基本概念与评价准则
3.2.1 参数估计的基本概念
3.2.2 参数估计的评价准则
3.3 概率密度函数的参数估计
3.3.1 *大似然估计
3.3.2 贝叶斯估计
3.3.3 贝叶斯学习
3.4 概率密度函数的非参数估计
3.4.1 非参数估计的基本原理
3.4.2 Parzen窗法
3.4.3 kN步邻法
习题
参考文献
第4章 线性判别分析
4.1 线性判别函数
4.1.1 线性判别函数的几何意义
4.1.2 广义线性判别函数
4.1.3 线性判别函数设计的一般步骤
4.2 线性分类器
4.2.1 基于错误概率的线性分类器
4.2.2 Fisher线性判决
4.2.3 感知准则函数
4.2.4 *小平方误差准则函数
4.2.5 决策树
4.3 分段线性分类器
4.3.1 分段线性分类器的定义
4.3.2 分段线性距离分类器
4.3.3 分段线性分类器设计的一般
4.4 近邻分类器
4.4.1 *近邻法
4.4.2 k-近邻法
习题
参考文献
第5章 特征提取和选择
第6章 聚类分析
第7章 结构模式识别
第8章 模糊模式识别
第9章 神经网络模式识别
第10章 多分类器融合
第11章 文本分类
第12章 语音识别
第13章 图像识别
第14章 视频识别