《模式识别导论(高等学校智能科学与技术专业十二五规划教材)》编著者范九伦等。

本书是一本关于模式识别理论和方法的教材，内容以统计模式识别技术为主，兼顾模糊模式识别和现代模式识别中的核方法，重点放在了统计模式识别方法及其理论基础的介绍上。教材内容具有基础知识叙述到位、基本方法叙述清楚的特点，可使学生在掌握模式识别的基本原理和思想的基础上理解其应用价值。本书的每一章后都附有相应的习题和上机练习，便于学习者对书中的内容进行总结和应用，同时也可对思维和智力进行相应的锻炼。

本书主要供智能科学与技术、自动化、测控技术与仪器、计算机科学与技术等本科专业的高年级学生使用，计划课时为48～64学时。学习该课程的学生应该具备高等数学、线性代数、概率论与随机过程的基础知识，同时应该掌握基本的编程技术。本书中，具有扩展性的知识用*号给出了标记。在讲授本书的过程中，建议根据课时量和授课对象来选择和组织相关内容。通过对本课程的学习，学生可以掌握基本的模式识别原理、方法和技术，对模式识别技术具备一定的实际应用能力。

《模式识别导论(高等学校智能科学与技术专业十二五规划教材)》编著者范九伦等。

《模式识别导论(高等学校智能科学与技术专业十二五规划教材)》是关于模式识别理论和方法的一本教材，系统地介绍了模式识别的基本理论和基本方法。全书内容以当前广泛应用的统计模式识别技术为主，兼顾模糊模式识别和现代模式识别中的核方法，重点放在统计模式识别的核心问题上，既突出了广泛性，又注重对主要知识内容的深入讨论；另外，书中还对当前广泛应用的统计模式识别方法及其理论基础进行了详细的介绍。

《高等学校智能科学与技术专业“十二五”规划教材：模式识别导论》主要供智能科学与技术、自动化、测控技术与仪器、计算机科学与技术等本科专业的高年级学生使用， 也可供从事相关专业的教学、科研和工程技术人员参考。

第1章 引论

1.1 模式识别及模式识别系统

1.1.1 模式识别的基本概念

1.1.2 认知模式识别

1.1.3 计算机模式识别

1.2 模式识别的基本方法

1.2.1 统计模式识别

1.2.2 结构模式识别

1.2.3 模糊模式识别

1.2.4 神经网络模式识别

1.3 模式识别的一些基本准则

1.3.1 奥卡姆剃刀原理

1.3.2 没有免费的午餐定理

1.3.3 丑小鸭定理

1.4 模式识别的应用

1.4.1 生物特征识别

1.4.2 目标识别

1.4.3 图像识别

1.4.4 图形识别

1.4.5 故障诊断

第2章 线性判别函数法

2.1 判别函数的基本概念

2.2 线性判别函数

2.2.1 线性判别函数的一般形式

2.2.2 线性判别函数的基本性质

2.2.3 线性判别函数的几何性质

2.2.4 设计线性分类器的主要步骤

2.3 感知器学习算法

2.3.1 几个基本概念

2.3.2 感知器算法

2.4 最小均方误差算法

2.5 fisher线性判别法

2.5.1 类内离散度矩阵和类间离散度矩阵

2.5.2 fisher线性判别法

*2.6 线性二分能力

习题

上机练习

第3章 非线性判别函数

3.1 分段线性判别函数

3.1.1 一般分段线性判别函数

3.1.2 基于距离的分段线性判别函数

3.2 分段线性判别函数的学习方法

3.2.1 已知子类划分的学习方法

3.2.2 已知子类数目的学习方法

3.2.3 未知子类数目的学习方法

3.3 势函数法

3.3.1 势函数

3.3.2 势函数法

3.3.3 势函数的选择

*3.4 广义线性判别函数

*3.5 二次判别函数

习题

上机练习

第4章 统计决策方法

4.1 最小误判概率准则判决

4.1.1 基础知识

4.1.2 最小误判概率准则判决

4.2 最小损失准则判决

4.2.1 损失函数与平均损失

4.2.2 最小损失贝叶斯准则判决

*4.3 最小最大准则

4.4 正态分布模型的统计决策

4.4.1 正态分布概率密度函数

4.4.2 正态模型的bayes决策

习题

上机练习

第5章 概率密度函数估计

5.1 参数估计的基本概念

5.2 概率密度函数的参数估计

5.2.1 最大似然估计

5.2.2 bayes估计和bayes学习

5.3 概率密度函数的非参数估计

5.3.1 非参数估计的基本原理

5.3.2 parzen窗法

5.3.3 kn近邻法

习题

上机练习

第6章 聚类分析

6.1 聚类分析的基本概念

6.2 模式相似性测度和聚类准则

6.2.1 模式相似性测度

6.2.2 聚类准则

6.3 基于距离阈值的聚类法

6.3.1 近邻聚类法

6.3.2 最大最小距离聚类法

6.4 层次聚类法

6.4.1 类与类之间的距离

6.4.2 层次聚类法

6.5 动态聚类算法

6.5.1 hcm算法

6.5.2 isodata算法

习题

上机练习

第7章 特征提取与选择

7.1 特征提取与选择的基本概念

7.1.1 特征的种类

7.1.2 特征提取与选择

7.2 基于距离的特征提取

7.2.1 基于距离的类别可分性测度

7.2.2 基于距离可分性测度的特征提取

7.3 基于离散k-l变换的特征提取

7.3.1 离散k-l变换（dklt）

7.3.2 离散k-l变换在特征提取中的应用

7.4 特征选择方法

7.4.1 最优搜索法

7.4.2 次优搜索法

习题

上机练习

第8章 模糊模式识别

8.1 模糊集合

8.1.1 模糊集合的定义及表示

8.1.2 模糊集合的运算

8.2 模糊模式识别的基本方法

8.2.1 模糊模式识别的基本过程

8.2.2 常用的隶属度函数

8.2.3 最大隶属度原则

8.2.4 择近原则

8.3 模糊聚类分析

8.3.1 模糊等价关系法

8.3.2 模糊c-均值聚类算法

8.4 聚类有效性评价

8.4.1 硬聚类有效性评价

8.4.2 模糊聚类有效性评价

习题

上机练习

第9章 模式分析的核方法

9.1 核函数

9.1.1 非线性特征映射和核函数

9.1.2 核函数的基本理论

9.1.3 核函数的构造

9.2 核hcm算法

9.3 核fcm算法

9.4 核离散k-l变换

9.5 核fisher线性判别

9.6 支持向量机

9.6.1 线性支持向量机

9.6.2 非线性支持向量机

9.6.3 支持向量机的多分类方法

习题

上机练习

参考文献