译者序<br/>前言<br/>章绪论1<br/>1.1机器感知1<br/>1.2一个例子1<br/>1.3模式识别系统7<br/>1.3.1传感器7<br/>1.3.2分割和组织8<br/>1.3.3特征提取8<br/>1.3.4分类器9<br/>1.3.5后处理10<br/>1.4设计循环11<br/>1.4.1数据采集11<br/>1.4.2特征选择11<br/>1.4.3模型选择12<br/>1.4.4训练12<br/>1.4.5评价12<br/>1.4.6计算复杂度12<br/>1.5学习和适应12<br/>1.5.1有监督学习13<br/>1.5.2无监督学习13<br/>1.5.3强化学习13<br/>1.6本章小结13<br/>全书各章概要13<br/>文献和历史评述14<br/>参考文献15<br/>第2章贝叶斯决策论16<br/>2.1引言16<br/>2.2贝叶斯决策论——连续特征18<br/>.误差率分类20<br/>..1极小化极大准则21<br/>..2NeymanPearson准则22<br/>2.4分类器、判别函数及判定面<br/>2.4.1多类情况<br/>2.4.2两类情况24<br/>2.5正态密度25<br/>2.5.1单变量密度函数25<br/>2.5.2多元密度函数26<br/>2.6正态分布的判别函数28<br/>2.6.1情况1：Σi=σ2I28<br/>2.6.2情况2：Σi=Σ30<br/>2.6.3情况3：Σi＝任意32<br/>2.7误差概率和误差积分35<br/>2.8正态密度的误差上界36<br/>2.8.1Chernoff界36<br/>2.8.2Bhattacharyya界37<br/>2.8.3信号检测理论和操作特3<br/>2.9贝叶斯决策论——离散特征40<br/>2.9.1独立的二值特征41<br/>2.10丢失特征和噪声特征43<br/>2.10.1丢失特征43<br/>2.10.2噪声特征44<br/>2.11贝叶斯置信网44<br/>2.12复合贝叶斯决策论及上下文49<br/>本章小结50<br/>文献和历史评述51<br/>习题52<br/>上机练习63<br/>参考文献65<br/>第3章优选似然估计和贝叶斯参数估计67<br/>3.1引言67<br/>3.2优选似然估计68<br/>3.2.1基本原理68<br/>3.2.2高斯情况：μ未知70<br/>3..高斯情况：μ和Σ均未知 71<br/>3.2.4估计的偏差72<br/>3.3贝叶斯估计73<br/>3.3.1类条件密度73<br/>3.3.2参数的分布73<br/>3.4贝叶斯参数估计：高斯情况74<br/>3.4.1单变量情况：p(μ｜)74<br/>3.4.2单变量情况：p(x｜)76<br/>3.4.3多变量情况77<br/>3.5贝叶斯参数估计：一般理论78<br/>3.5.1优选似然方法和贝叶斯方法何时有区别 81<br/>3.5.2无信息先验和不变2<br/>3.5.3Gibbs算法83<br/>3.6充分统计量83<br/>3.7维数问题87<br/>3.7.1精度、维数和训练集的大小90<br/>3.7.2计算复杂度90<br/>3.7.3过拟合92<br/>3.8成分分析和判别函数94<br/>3.8.1主成分分析94<br/>3.8.2Fisher线判分析96<br/>3.8.3多重判别分析99<br/>3.9期望优选化算法102<br/>3.10隐马尔可夫模型105<br/>3.10.1一阶马尔可夫模型105<br/>3.10.2一阶隐马尔可夫模型106<br/>3.10.3隐马尔可夫模型的计算106<br/>3.10.4估值问题107<br/>3.10.5解码问题111<br/>3.10.6学习问题113<br/>本章小结114<br/>文献和历史评述115<br/>习题115<br/>上机练习127<br/>参考文献130<br/>第4章非参数技术132<br/>4.1引言132<br/>4.2概率密度的估计132<br/>4.3Parzen窗方法134<br/>4.3.1均值的收敛137<br/>4.3.2方差的收敛137<br/>4.3.3举例说明137<br/>4.3.4分类的例子140<br/>4.3.5概率神经网络141<br/>4.3.6窗函数的选取143<br/>4.4n近邻估计143<br/>4.4.1n近邻估计和Parzen窗估计144<br/>4.4.2后验概率的估计145<br/>4.5近邻规则146<br/>4.5.1近邻规则的收敛147<br/>4.5.2近邻规则的误差率148<br/>4.5.3误差界149<br/>4.5.4近邻规则150<br/>4.5.5近邻规则的计算复杂度151<br/>4.6距离度量和近邻分类153<br/>4.6.1度量的质154<br/>4.6.2切空间距离155<br/>4.7模糊分类157<br/>4.8RCE网络160<br/>4.9级数展开逼近161<br/>本章小结163<br/>文献和历史评述164<br/>习题165<br/>上机练习171<br/>参考文献175<br/>第5章线判函数177<br/>5.1引言 177<br/>5.2线判函数和判定面177<br/>5.2.1两类情况 177<br/>5.2.2多类的情况 179<br/>5.3广义线判函数 180<br/>5.4两类线可分的情况 183<br/>5.4.1几何解释和术语 183<br/>5.4.2梯度下降算法184<br/>5.5感知器准则函数化186<br/>5.5.1感知器准则函数 186<br/>5.5.2单个样本校正的收敛明187<br/>5.5.3一些直接的推广 190<br/>5.6松弛算法192<br/>5.6.1下降算法 192<br/>5.6.2收敛明 194<br/>5.7不可分的情况 195<br/>5.8平方误差方法196<br/>5.8.1平方误差及伪逆196<br/>5.8.2与Fisher线判的关系 198<br/>5.8.3很优判别的渐近逼近199<br/>5.8.4WidrowHoff 算法或均方算法 201<br/>5.8.5随机逼近法 202<br/>5.9HoKashyap算法203<br/>5.9.1下降算法 204<br/>5.9.2收敛明 205<br/>5.9.3不可分的情况206<br/>5.9.4一些相关的算法 207<br/>5.10线规划算法209<br/>5.10.1线规划209<br/>5.10.2线可分情况209<br/>5.10.3极小化感知器准则函数210<br/>5.11支持向量机 211<br/>5.12推广到多类问题216<br/>5.12.1Kesler构造法217<br/>5.12.2固定增量规则的收敛217<br/>5.1.MSE算的推 218<br/>本章小结220<br/>文献和历史评述220<br/>习题221<br/>上机练习226<br/>参考文献229<br/>第6章多层神经网络0<br/>6.1引言 0<br/>6.2前馈运算和分类1<br/>6.2.1一般的前馈运算 <br/>6.2.2多层网络的表达能力<br/>6.3反向传播算法 5<br/>6.3.1网络学习 <br/>6.3.2训练协议 <br/>6.3.3学习曲线 240<br/>6.4误差曲面241<br/>6.4.1一些小型网络241<br/>6.4.2异或问题242<br/>6.4.3较大型的网络243<br/>6.4.4关于多重极小243<br/>6.5反向传播作为特征映243<br/>6.5.1隐含层的内部表示——权值 244<br/>6.6反向传播、贝叶斯理论及概率246<br/>6.6.1贝叶斯判别与神经网络 246<br/>6.6.2作为概率的输出 247<br/>6.7相关的统计技术247<br/>6.8改进反向传播的一些实用技术248<br/>6.8.1激活函数 249<br/>6.8.2sigmoid函数的参数250<br/>6.8.3输入信号尺度变换 250<br/>6.8.4目标值251<br/>6.8.5带噪声的训练法 251<br/>6.8.6人工“制造”数据 251<br/>6.8.7隐单元数 251<br/>6.8.8权值初始化 252<br/>6.8.9学习率253<br/>6.8.10冲量项254<br/>6.8.11权值衰减255<br/>6.8.12线索255<br/>6.8.13在线训练、随机训练或成批训练256<br/>6.8.14停止训练256<br/>6.8.15隐含层数256<br/>6.8.16误差准则函数257<br/>6.9二阶技术257<br/>6.9.1赫森矩阵 258<br/>6.9.2牛顿法258<br/>6.9.3ickprop算法259<br/>6.9.4共轭梯度法 259<br/>6.10网络和训练算法262<br/>6.10.1径向基函数网络262<br/>6.10.2特殊的基函数263<br/>6.10.3匹配滤波器263<br/>6.10.4卷积网络264<br/>6.10.5递归网络265<br/>6.10.6级联相关266<br/>6.11正则化、复杂度调节和剪枝267<br/>本章小结269<br/>文献和历史评述269<br/>习题271<br/>上机练习277<br/>参考文献280<br/>第7章随机方法 284<br/>7.1引言 284<br/>7.2随机搜索284<br/>7.2.1模拟退火 286<br/>7.2.2玻耳兹曼因子286<br/>7..确定模拟退火 289<br/>7.3玻耳兹曼学习291<br/>7.3.1可见状态的随机玻耳兹曼学习292<br/>7.3.2丢失特征和类别约束295<br/>7.3.3确定玻耳兹曼学习297<br/>7.3.4初始化和参数设置 297<br/>7.4玻耳兹曼网络和图示模型 300<br/>7.5进化方法302<br/>7.5.1遗传算法 302<br/>7.5.2启发式方法305<br/>7.5.3遗传算法如何起作用306<br/>7.6遗传规划306<br/>本章小结308<br/>文献和历史评述308<br/>习题309<br/>上机练习313<br/>参考文献315<br/>第8章非度量方法 318<br/>8.1引言 318<br/>8.2判定树 318<br/>8.3CART 320<br/>8.3.1分支数目 320<br/>8.3.2查询的选取与节点不纯度 320<br/>8.3.3分支停止准则324<br/>8.3.4剪枝 325<br/>8.3.5叶节点的标记326<br/>8.3.6计算复杂度 327<br/>8.3.7特征选择 328<br/>8.3.8多元判定树 329<br/>8.3.9先验概率和代价函数329<br/>8.3.10属丢失问题330<br/>8.4树方法 331<br/>8.4.13331<br/>8.4.2C4.5 332<br/>8.4.3哪种树分类器是很优的 332<br/>8.5串的识别333<br/>8.5.1串匹配334<br/>8.5.2编辑距离 336<br/>8.5.3计算复杂度 338<br/>8.5.4容错的串匹配338<br/>8.5.5带通配符的串匹配 339<br/>8.6文法方法339<br/>8.6.1文法 340<br/>8.6.2串文法的类型341<br/>8.6.3利用文法的识别 343<br/>8.7文法推断345<br/>8.8基于规则的方法347<br/>本章小结350<br/>文献和历史评述350<br/>习题351<br/>上机练习358<br/>参考文献362<br/>第9章独于算的机器学习 365<br/>9.1引言 365<br/>9.2没有天生优越的分类器366<br/>9.2.1没有免费的午餐定理366<br/>9.2.2丑小鸭定理 369<br/>9..描述长度372<br/>9.2.4描述长度原理 373<br/>9.2.5避免过拟合及Occam剃刀原理374<br/>9.3偏差和方差 375<br/>9.3.1回归中的偏差和方差关系376<br/>9.3.2分类中的偏差和方差关系377<br/>9.4统计量估计中的重采样技术 380<br/>9.4.1刀切法(jackknife)380<br/>9.4.2自法(bootstrap)382<br/>9.5分类器设计中的重采样技术 383<br/>9.5.1bagging算法383<br/>9.5.2boosting法 384<br/>9.5.3基于查询的学习 387<br/>9.5.4arcing、基于查询的学习、偏差和方差 388<br/>9.6分类器的评价和比较 389<br/>9.6.1参数模型 389<br/>9.6.2交叉验 389<br/>9.6.3分类准确率的“刀切法”和“自法”估计 390<br/>9.6.4优选似然模型比较391<br/>9.6.5贝叶斯模型比较 392<br/>9.6.6问题平均误差率 394<br/>9.6.7从学习曲线预测能 396<br/>9.6.8单个分割平面的能力397<br/>9.7组合分类器 398<br/>9.7.1有判别函数的分量分类器 399<br/>9.7.2无判别函数的分量分类器 400<br/>本章小结401<br/>文献和历史评述402<br/>习题403<br/>上机练习408<br/>参考文献412<br/>0章无监督学习和聚类416<br/>10.1引言416<br/>10.2混合密度和可辨识416<br/>10.3优选似然估计418<br/>10.4对混合正态密度的应用419<br/>10.4.1情况1：均值向量未知 419<br/>10.4.2情况2：所有参数未知 422<br/>10.4.3均值聚类4<br/>10.4.4模糊均值聚类 425<br/>10.5无监督贝叶斯学习426<br/>10.5.1贝叶斯分类器426<br/>10.5.2参数向量的学习427<br/>10.5.3判定导向的近似解431<br/>10.6数据描述和聚类432<br/>10.7聚类的准则函数435<br/>10.7.1误差平方和准则436<br/>10.7.2相关的方差准则436<br/>10.7.3散布准则437<br/>10.8迭代很优化 440<br/>10.9层次聚类442<br/>10.9.1定义442<br/>10.9.2基于合并的层次聚类方法444<br/>10.9.3逐步优化的层次聚类446<br/>10.9.4层次聚类和导出度量447<br/>10.10验问题447<br/>10.11在线聚类449<br/>10.11.1聚类数目未知 451<br/>10.11.2自适应共振网 452<br/>10.11.3基于评判的学习 454<br/>10.12图论方法455<br/>10.13成分分析 456<br/>10.13.1主成分分析456<br/>10.13.2非线成分分析 457<br/>10.13.3独立成分分析458<br/>10.14低维数据表示和多维尺度变换460<br/>10.14.1自组织特征映 462<br/>10.14.2聚类与降维465<br/>本章小结466<br/>文献和历史评述467<br/>习题468<br/>上机练习475<br/>参考文献479<br/>附录A数学基础 481<br/>索引 512
理查德·（Richard Duda） 圣何塞州立大学电气工程系荣休教授，以其在声音定位和模式识别方面的工作而闻名。美国人工智能学会会士、IEEE会士。拥有麻省理工学院博士。
皮特·E.哈特（Peter E. Hart） 加州理光发明（Ricoh Innovations）公司创始人、总裁，在此之前曾任理光加州研究中心不错副总裁。美国人工智能学会会士、IEEE会士，曾获IEEE信息论协会50周年奖。
大卫·G.斯托克（David G. Stork） 加州理光发明公司首席科学家，斯坦福大学电气工程与计算机科学系客座教授。靠前模式识别学会会士、IEEE会士。拥有马里兰大学博士。
本书是模式识别和场景分析领域奠基的经典名著。在第2版中，除了保留了版的关于统计模式识别和结构模式识别的主要内容以外，读者将会发现新增了许多新理论和新方法，其中包括神经网络、机器学习、数据挖掘、进化计算、不变量理论、隐马尔可夫模型、统计学习理论和支持向量机等。本书还为模式识别未来的发展指明了方向。书中包含许多实例，各种不同方法的对比，丰富的图表，以及大量的课后习题和计算机练习。本书主要面向工程、计算机科学、数学和统计学、媒体处理、模式识别、计算机视觉、人工智能和认知科学等领域的和高年级生，也可作为相关领域科技人员的重要参考书。
非常抱歉，您前期未参加预订活动，
无法支付尾款哦！
