模式识别内容概述

教材推荐：模式识别-西奥多里蒂斯第四版
第2章至第十章：有监督模式识别：

第2章：估计位置概率密度函数的贝叶斯分类技术
贝叶斯分类、最小距离、（欧几里得距离和马哈诺比斯距离）、最近邻分类器、朴素贝叶斯分类器，简单介绍贝叶斯网络。

第3章：线性分类器的设计。
均方理论的概率估计性质、偏差方差的难题、支持向量机的基本原理、线性可分性、感知器算法、均方和最小二乘法理论

第4章：非线性分类器的设计
Cover定理和径向基函数，简单介绍非线性支持向量机、决策树和联合分类器。

第5章：特征选择
重点为t检验。介绍发散、Bhattacharrya距离和散布矩阵。本章重点为Fisher线性判别方法（LDA）。

第6章：利用正交变化来进行特征提取。介绍了KL变换和奇异值分解。定义了DFT、DCT、DST、Hadamard和Haar变换。最后讲解了离散小波变换。

第7章：图像和声音分类中的特征提取。
局部线性变化、矩、参数模型和分形的内容。一阶和二阶统计特征以及行程长度方法。此外，讲述了外形描述的链码。

第8章：模板匹配。
动态规划和Viterbi算法，并应用与模式识别中。此外，还讲述了相关匹配和可变形模板匹配的基本原理。

第9章：上下文分类。
介绍了隐马尔可夫模型，应用于通信和语音识别。

第10章：系统评估和监督学习。
讨论各种各样的误差率评估技术。留一法和重替代法也是重点。

第11章至第16章：讲述无监督模式识别。

第11章:聚类的基本概念。
定义和聚类中各阶段的任务、近邻测度方法。

第12章：顺序聚类算法。
聚类的基础知识、简单的聚类方案。

第13章：层次聚类算法。
基于矩阵理论的单一连接和完全完全连接算法。

第14章：基于代价函数最优的聚类算法。
点描述、超平面描述、壳描述、硬聚类、模糊聚类、概率方法。

第15章：讲述不同的聚类方法。
竞争学习、分支和约束、模拟退火以及遗传算法等。

第16章：聚类过程的聚类有效性。
每种情况的内部、外部、相关标准和随机假设的定义方面。

本书并未提到句法模式识别方法。在句法模式识别中，样本的结构极为重要，要实现句法模式识别需要有初始样本集、语法规则集和一个自动识别器。