内容简介
《模式识别（第三版）》是清华大学自动化系国家精品课程“模式识别基础”的教材，是在《模式识别》第一版和第二版基础上重写而成的。本教材系统地讨论了模式识别的基本概念和代表性方法，包括监督模式识别中的贝叶斯决策理论、概率密度函数的估计、线性判别函数、非线性判别函数、近邻法、特征选择与提取的典型方法以及非监督模式识别中的基于模型的方法、混合密度估计、动态聚类方法、分级聚类方法等，并在相应章节包括了人工神经网络、支持向量机、决策树与随机森林、罗杰斯特回归、Boosting方法、模糊模式识别等较新进入模式识别领域的内容。整体内容安排力求系统性和实用性，并覆盖部分当前研究前沿。
作者简介
张学工，1989年毕业于清华大学自动化系，1994年于清华大学获得模式识别与智能系统专业博士学位，后留校任教，现为清华大学自动化系教授，清华信息科学与技术国家实验室生物信息学研究部主任。长期从事模式识别与生物信息学研究与教学工作，曾获国家科技进步二等奖、国家教学成果奖二等奖等，2006年获国家杰出青年基金。主讲的“模式识别基础”课程2008年被评为国家精品课程。
章节目录
第1章 概论
1．1 模式与模式识别
1．2 模式识别的主要方法
1．3 监督模式识别与非监督模式识别
1．4 模式识别系统举例
1．5 模式识别系统的典型构成
1．6 本书的主要内容
第2章 统计决策方法
2．1 引言：一个简单的例子
2．2 最小错误率贝叶斯决策
2．3 最小风险贝叶斯决策
2．4 两类错误率、Neyman-Pearson决策与ROC曲线
2．5 正态分布时的统计决策
2．5．1 正态分布及其性质回顾
2．5．2 正态分布概率模型下的最小错误率贝叶斯决策
2．6 错误率的计算
2．6．1 正态分布且各类协方差矩阵相等情况下错误率的计算
2．6．2 高维独立随机变量时错误率的估计
2．7 离散概率模型下的统计决策举例
2．8 小结与讨论
第3章 概率密度函数的估计
3．1 引言
3．2 最大似然估计
3．2．1 最大似然估计的基本原理
3．2．2 最大似然估计的求解
3．2．3 正态分布下的最大似然估计
3．3 贝叶斯估计与贝叶斯学习
3．3．1 贝叶斯估计
3．3．2 贝叶斯学习
3．3．3 正态分布时的贝叶斯估计
3．3．4 其他分布的情况
3．4 概率密度估计的非参数方法
3．4．1 非参数估计的基本原理与直方图方法
3．4．2 kN近邻估计方法
3．4．3 Parzen窗法
3．5 讨论
第4章 线性分类器
4．1 引言
4．2 线性判别函数的基本概念
4．3 Fisher线性判别分析
4．4 感知器
4．5 最小平方误差判别
4．6 最优分类超平面与线性支持向量机
4．6．1 最优分类超平面
4．6．2 大间隔与推广能力
4．6．3 线性不可分情况
4．7 多类线性分类器
4．7．1 多个两类分类器的组合
4．7．2 多类线性判别函数
4．8 小结与讨论
第5章 非线性分类器
5．1 引言
5．2 分段线性判别函数
5．2．1 分段线性距离分类器
5．2．2 一般的分段线性判别函数
5．3 二次判别函数
5．4 多层感知器神经网络
5．4．1 神经元与感知器
5．4．2 用多个感知器实现非线性分类
5．4．3 采用反向传播算法的多层感知器
……
第6章 其他分类方法
第7章 特征选择
第8章 特征提取
第9章 非监督模式识别
第10章 模式识别系统的评价
索引
参考文献
模式识别（第三版）是2010年由清华大学出版社出版,作者张学工。
得书感谢您对《模式识别（第三版）》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
