模式識別

本書作為普通高等院校計算機信息安全專業本科生的專用教材，從實用角度闡述了模式識別的基本原理、概念和技術方法。

全書共9章，第1章介紹了模式識別的基本概念；第2章闡述了貝葉斯決策理論；第3章介紹了線性與非線性判別函數；第4章介紹了近鄰法則和集羣的知識；第5章介紹了數據聚類的方法；第6章介紹了特徵抽取和選擇策略；第7章介紹了統計學習與支持向量機方法；第8章介紹了句法分析及句法結構模式識別方法；第9章進行了模式識別典型實例分析。

本書是一本注重系統性、科學性的教材，內容豐富，實用性強，可作為計算機與信息安全專業以及其他相關專業的本科教材，也可作為信息安全領域軟件開發人員的技術參考書。

第1章 緒論

1.1 模式與模式識別的概念

1.2 模式識別的研究方法

1.3 模式識別的發展與應用

1.4 本書內容的安排

第2章 貝葉斯決策理論

2.1 貝葉斯決策的基本概念

2.2 幾種常用的決策規則

2.3 正態分佈時的統計決策

2.4 離散情況的貝葉斯決策

2.5 概率密度函數估計

2.6 分類錯誤率的計算

2.7 本章小結

練習題

第3章 線性與非線性判別函數

3.1 感知準則函數

3.2 小平方誤差準則與小錯分樣本數準則

3.3 Fisher線性判別準則

3.4 分段線性判別函數的基本概念

3.5 二次判別函數

3.6 本章小結

練習題

第4章 近鄰法則和集羣

4.1 近鄰法

4.2 k近鄰法及模糊k近鄰分類器

4.3 關於近鄰法則的討論

4.4 改進的近鄰法

4.5 集羣

4.6 本章小結

練習題

第5章 數據聚類

5.1 數據聚類的三個要點

5.2 模式相似性測度及標準化

5.3 聚類的準則函數

5.4 分級聚類算法

5.5 動態聚類法

5.6 聚類有效性分析

5.7 本章小結

練習題

第6章 特徵抽取和選擇

6.1 特徵抽取和選擇的基本概念

6.2 類別可分離性判據

6.3 特徵抽取方法

6.4 特徵選擇方法

6.5 本章小結

練習題

第7章 統計學習理論與支持向量機方法

7.1 機器學習的基本問題與方法

7.2 統計學習理論的核心內容

7.3 支持向量機

7.4 本章小結

練習題

第8章 句法分析及句法結構模式識別方法

8.1 形式語言理論概述

8.2 正規語言的句法分析方法

8.3 算子優先算法

8.4 CYK算法

8.5 Earley算法

8.6 隨機文法

8.7 屬性文法

8.8 本章小結

練習題

第9章 模式識別技術應用實例

9.1 指紋識別系統應用實例

9.2 IC卡應用實例

9.3 入侵檢測系統應用實例

9.4 字符識別應用實例

9.5 本章小結

練習題

參考文獻