本书从大类别集和非独立同分布的角度出发，分别对降维、分类器学习、分类器自适应三方面的研究进行了深入的阐述，并且通过实验证明了在联机及脱机手写汉字识别上本书方法的性能优于传统方法。本书主要内容包括：基于加权Fisher准则的大类别集降维、基于局部平滑的修正二次判别函数、基于风格迁移映射的分类器自适应、基于风格归一化的模式域分类。
本书可以帮助读者了解手写体汉字识别方面的研究进展，可作为人工智能、模式识别领域的高校研究生、科研工作者的参考用书。

张煦尧，博士，中国科学院自动化研究所副研究员。2008年获武汉大学计算数学学士学位，2013年获中国科学院自动化研究所模式识别与智能系统博士学位，2015年作为国家公派访问学者前往加拿大蒙特利尔大学进行访问研究。主要研究兴趣包括模式识别、机器学习、文字识别以及深度学习。在模式识别和人工智能顶级期刊与会议（包括PIEEE、IEEET PAMI、CVPR、ICCV等）上发表论文80余篇。担任国际期刊IEEE Transactions on Image Processing和Pattern Recognition的编委。荣获国家优秀青年科学基金、吴文俊人工智能优秀青年奖和朱李月华优秀教师奖。

丛书序
导师序
摘要
ABSTRACT
插图索引
表格索引
第1章 绪论
1.1 背景介绍和研究意义
1.1.1 特征描述
1.1.2 分类器设计
1.1.3 分类器自适应
1.1.4 大类别集汉字识别
1.2 本书主要内容及贡献
1.3 本书组织结构
第2章 基于加权Fisher准则的大类别集降维
2.1 引言
2.2 FDA和类别可分性问题
2.2.1 第一步：白化（whitening）
2.2.2 第二步：白化空间的PCA
2.2.3 类别可分性问题
2.3 加权Fisher准则
2.3.1 加权函数
2.3.2 加权空间
2.4 对不同加权Fisher准则的评估
2.4.1 数据集
2.4.2 分类器
2.4.3 实验设置
2.4.4 实验结果
2.4.5 统计显著性
2.4.6 五种加权函数的比较
2.4.7 计算复杂度比较
2.4.8 三种加权空间的比较
2.4.9 空间不变性
2.4.10 形近字分析
2.5 样本级别的加权Fisher准则
2.5.1 SKNN：样本级别的KNN方法
2.5.2 汉字识别中的其他降维方法
2.5.3 性能评估
2.6 本章小结
第3章 基于局部平滑的修正二次判别函数
3.1 引言
3.1.1 二次判别函数QDF
3.1.2 修正二次判别函数MQDF
3.2 对MQDF的改进
3.3 局部平滑的修正二次判别函数LSMQDF
3.3.1 极大似然估计
3.3.2 局部平滑：LSMQDF
3.3.3 局部平滑与全局平滑
3.4 实验结果
3.4.1 LSMQDF用于脱机识别
3.4.2 不同维数的影响
3.4.3 不同训练数据量的影响
3.4.4 对K的选择
3.4.5 对β的选择
3.4.6 LSMQDF用于联机识别
3.5 本章小结
第4章 基于风格迁移映射的分类器自适应
4.1 引言
4.2 历史回顾
4.3 风格迁移映射
4.4 源点集和目标点集
4.4.1 源点集
4.4.2 LVQ的目标点集
4.4.3 MQDF的目标点集
4.5 置信度估计
4.6 分类器自适应
4.6.1 监督的自适应
4.6.2 非监督的自适应
4.6.3 半监督的自适应
4.7 实验结果
4.7.1 数据库
4.7.2 实验设置
4.7.3 LVQ自适应
4.7.4 MQDF自适应
4.7.5 置信度估计的影响
4.7.6 对STM和MLLR的比较
4.7.7 模型参数选择
4.8 本章小结
第5章 基于风格归一化的模式域分类
5.1 引言
5.2 模式域分类简介
5.2.1 历史回顾
5.2.2 本章工作
5.3 贝叶斯模式域分类
5.3.1 基本假设
5.3.2 模型定义
5.3.3 对未知样本的预测
5.3.4 优化
5.3.5 特殊情况
5.4 实验结果
5.4.1 不同姿态下的人脸识别
5.4.2 多说话者元音分类
5.4.3 多书写人手写字符识别
5.5 本章小结
第6章 总结和展望
6.1 本书研究成果
6.2 未来工作展望
参考文献