模式識別與人工智能(基於MATLAB)

第1章 模式識別概述
1.1 模式識別的基本概念
1.1.1 模式的描述方法
1.1.2 模式識別系統
1.2 模式識別的基本方法
1.3 模式識別的應用
習題

第2章 貝葉斯分類器設計
2.1 貝葉斯決策及貝葉斯公式
2.1.1 貝葉斯決策簡介
2.1.2 貝葉斯公式
2.2 基於最小錯誤率的貝葉斯決策
2.2.1 基於最小錯誤率的貝葉斯決策理論
2.2.2 最小錯誤率貝葉斯分類的計算過程
2.2.3 最小錯誤率貝葉斯分類的MATLAB實現
2.2.4 結論
2.3 最小風險貝葉斯決策
2.3.1 最小風險貝葉斯決策理論
2.3.2 最小錯誤率與最小風險的貝葉斯決策比較
2.3.3 貝葉斯演算法的計算過程
2.3.4 最小風險貝葉斯分類的MATLAB實現
2.3.5 結論
習題

第3章 判別函數分類器設計
3.1 判別函數簡介
3.2 線性判別函數
3.3 線性判別函數的實現
3.4 基於LMSE的分類器設計
3.4.1 LMSE分類法簡介
3.4.2 LMSE演算法原理
3.4.3 LMSE演算法步驟
3.4.4 LMSE演算法的MATLAB實現
3.4.5 結論
3.5 基於Fisher的分類器設計
3.5.1 Fisher判別法簡介
3.5.2 Fisher判別法的原理
3.5.3 Fisher分類器設計
3.5.4 Fisher演算法的MATLAB實現
3.5.5 識別待測樣本類別
3.5.6 結論
3.6 基於支援向量機的分類法
3.6.1 支持向量機簡介
3.6.2 支持向量機基本思想
3.6.3 支持向量機的幾個主要優點
3.6.4 訓練集為非線性情況
3.6.5 核函數
3.6.6 多類分類問題
3.6.7 基於SVM的MATLAB實現
3.6.8 結論
習題