第一章概论

第二章贝叶斯决策理论
第一节基于最小错误率的贝叶斯判别法
第二节基于贝叶斯公式的几种判别规则
一、基于最小风险的贝叶斯决策
二、聂曼皮尔逊决策法
三、最小最大决策
四、序贯分类决策
第三节正态分布模式的统计决策
一、正态分布概率密度函数的定义及性质
二、多元正态概率模型的贝叶斯判别函数
第四节概率密度函数的估计
一、均值向量和协方差矩阵的参数估计
二、概率密度函数的函数近似
三、后验概率的函数估计
四、均值向量和协方差矩阵的贝叶斯估计
第五节贝叶斯分类器的错误概率

第三章判别函数与确定性分类器
第一节线性判别函数与广义线性判别函数
一、两类别问题
二、多类别问题
第二节广义线性判别函数的二分能力
一、二分法
二、广义线性判别函数的二分能力
第三节感知器算法
一、基于赏罚概念的感知器训练算法
二、梯度法
第四节最小平方误差算法（LMSE）
第五节多类模式的分类器迭代算法
第六节势函数法
一、判别函数的产生
二、势函数的选取

第四章聚类分析
第一节按距离聚类的概念
第二节模式相似性测度与聚类准则
一、模式相似性测度
二、聚类准则
第三节聚类算法
一、简单搜索算法
二、最大的最小距离算法
三、K均值算法
四、ISODATA算法
五、系统聚类法(Hierarchical Clusterring Method)
六、模式样本的选取和初始聚类中心的确定
第四节对聚类的评价
一、聚类几何分布的显示
二、图表分析
三、屏幕显示与实地（或实物）抽样检核
四、借助有关文献、图件和已有成果评价聚类结果

第五章模式特征分析与选取
第一节描述模式分布状态的测度
一、欧氏距离
二、离散度
三、特征变换与排序
四、熵
第二节特征提取的方法
一、独立特征的选取准则
二、一般情况下的特征选取准则
三、穷举法
四、最小熵方法
五、OIF(Optimum Index Factor)指标
第三节离散KL变换
一、离散KL展开
二、根据KL展开式选择特征
第四节利用KL变换的分类特征提取
一、按总体散布矩阵作KL变换
二、按类内散布矩阵作KL变换
三、按类间散布矩阵作KL变换
第五节增维问题
一、辅助数据的应用
二、数据复合技术的利用
三、纹理分析
四、智能化——专家意识的注入

第六章模糊集合理论在模式识别中的应用
第一节引言
第二节模糊子集
第三节模糊集的简单运算、模糊度与模糊关系
一、模糊集的简单运算
二、模糊度
三、模糊关系和模糊关系矩阵
第四节隶属函数的确定
一、模糊统计法
二、二元对比排序法
三、逻辑推理法
四、专家评判法
五、采用常见的隶属函数的函数逼近法
第五节模糊集理论在模式识别中的应用
一、最大隶属原则识别法
二、择近原则识别法
三、模糊聚类分析法

第七章句法模式识别
第一节形式语言基础和文法
一、字母表和符号串
二、文法
三、句子与语言
四、文法的四种基本类型
第二节一维及高维文法
一、串文法
二、图像描述语言PDL(Picture Description Language)
三、树文法
第三节基元提取和文法推断
一、基元提取
二、文法推断
第四节句法分析和自动机识别
一、句法分析
二、句法结构的自动机识别

第八章人工神经网络在模式识别中的应用
第一节人工神经网络概述
一、概述
二、人工神经网络基础
第二节前馈神经网络及其主要算法
一、前馈神经网络
二、感知器
三、三层前馈网络
四、反向传播算法(BP法)
五、径向基函数网络
第三节Hopfield网络
一、Hopfield网络概述
二、离散Hopfield网络(DHNN)
三、联想存储器
四、优化计算
五、连续Hopfield网络(CHNN)
第四节自适应共振理论神经网络
一、概述
二、ART网络的结构及原理
三、ART1网络算法步骤
第五节自组织特征映射神经网络
一、概述
二、SOFM网络模型及功能
三、SOFM网络原理

附录
一、概率论和矩阵论的有关内容
二、n维模式的线性二分法公式推导
三、感知器算法的收敛证明
四、多元正态随机向量边缘分布、条件分布和线性变换的正态性证明
五、应用实例
六、几种典型的隶属函数分布
参考文献