"1. 模式識別是圖像分析、語音和聲音識別、生物統計學、生物信息學、數據挖掘、信息檢索等應用領域的核心。2. 本書是作者根據多年來為研究生和高年級本科生講授模式識別課程的經驗編寫的。3. 模式識別課程面向的專業眾多，包括電氣工程、計算機工程、計算機科學和自動控制等。4. 模式識別是大多數進行決策的機器智能繫統的主要組成部分。5. 本書介紹模式識別的基本理論及其應用。"

●第1章 導論
1.1 模式識別的重要性
1.2 特征、特征向量和分類器
1.3 監督、無監督和半監督學習
1.4 MATLAB程序
1.5 本書的章節安排
第2章 基於貝葉斯決策理論的分類器
2.1 引言
2.2 貝葉斯決策理論
2.3 判別函數和決策面
2.4 正態分布的貝葉斯分類
2.5 未知概率密度函數的估計
2.6 最近鄰準則
2.7 貝葉斯網絡
習題
MATLAB編程與練習
參考文獻
第3章 線性分類器
3.1 引言
3.2 線性判別函數和決策超平面
3.3 感知器算法
3.4 最小二乘法
3.5 均方估計回顧
3.6 邏輯斯蒂判別
3.7 支持向量機
習題
MATLAB編程和練習
參考文獻
第4章 非線性分類器
4.1 引言
4.2 異或問題
4.3 兩層感知器
4.4 三層感知器
4.5 基於訓練集準確分類的算法
4.6 反向傳播算法
4.7 反向傳播算法的變體
4.8 代價函數的選擇
4.9 神經網絡大小的選擇
4.10 仿真實例
4.11 共享權重的網絡
4.12 廣義線性分類器
4.13 線性二分分類器中l維空間的容量
4.14 多項式分類器
4.15 徑向基函數網絡
4.16 通用逼近器
4.17 概率神經網絡
4.18 支持向量機：非線性情形
4.19 其他SVM範式
4.20 決策樹
4.21 組合分類器
4.22 增強組合分類器的方法
4.23 類別不平衡問題
4.24 討論
習題
MATLAB編程和練習
參考文獻
第5章 特征選擇
5.1 引言
5.2 預處理
5.3 峰值現像
5.4 基於統計假設檢驗的特征選擇
5.5 接收機工作特性曲線
5.6 類別可分性判據
5.7 特征子集選擇
5.8 很優特征生成
5.9 神經網絡和特征生成/選擇
5.10 關於泛化理論的提示
5.11 貝葉斯信息準則
習題
MATLAB編程和練習
參考文獻
第6章 特征生成I：數據變換和降維
6.1 引言
6.2 基向量和圖像
6.3 Karhunen-Loève變換
6.4 奇異值分解
6.5 獨立成分分析
6.6 非負矩陣因子分解
6.7 非線性降維
6.8 離散傅裡葉變換
6.9 離散餘弦和正弦變換
6.10 哈達瑪變換
6.11 哈爾變換
6.12 重新審視哈爾展開式
6.13 離散時間小波變換
6.14 多分辨率解釋
6.15 小波包
6.16 二維推廣簡介
6.17 應用
習題
MATLAB編程和練習
參考文獻
第7章 特征生成II
7.1 引言
7.2 區域特征
7.3 形狀和尺寸特征
7.4 分形簡介
7.5 語音和聲音分類的典型特征
習題
MATLAB編程和練習
參考文獻
第8章 模板匹配
8.1 引言
8.2 基於很優路徑搜索技術的度量
8.3 基於相關的度量
8.4 可變形模板模型
8.5 基於內容的信息檢索：相關反饋
習題
MATLAB編程和練習
參考文獻
第9章 上下文相關分類
9.1 引言
9.2 貝葉斯分類器
9.3 馬爾可夫鏈模型
9.4 Viterbi算法
9.5 信道均衡
9.6 隱馬爾可夫模型
9.7 基於狀態持續時間建模的HMM
9.8 使用神經網絡訓練馬爾可夫模型
9.9 馬爾可夫隨機場的討論
習題
MATLAB編程和練習
參考文獻
第10章 監督學習：尾聲
10.1 引言
10.2 錯誤計數法
10.3 利用有限大小的數據集
10.4 醫學成像實例研究
10.5 半監督學習
習題
參考文獻
第11章 集聚：基本概念
11.1 引言
11.2 鄰近度
習題
參考文獻
第12章 集聚算法I：順序算法
12.1 引言
12.2 集聚算法的分類
12.3 順序集聚算法
12.4 改進的BSAS
12.5 雙閾值順序算法
12.6 細化階段
12.7 神經網絡實現
習題
MATLAB編程和練習
參考文獻
第13章 集聚算法II：層次算法
13.1 引言
13.2 合並算法
13.3 同型矩陣
13.4 分裂算法
13.5 用於大數據集的層次算法
13.6 選擇很優的聚類數
習題
MATLAB編程和練習
參考文獻
第14章 集聚算法III：基於函數優化的方法
14.1 引言
14.2 混合分解方法
14.3 模糊集聚算法
14.4 可能性聚類
14.5 硬集聚算法
14.6 向量量化
附錄
習題
MATLAB編程和練習
參考文獻
第15章 集聚算法IV
15.1 引言
15.2 基於圖論的集聚算法
15.3 競爭學習算法
15.4 二值形態學集聚算法
15.5 邊界檢測算法
15.6 尋谷集聚算法
15.7 代價優化集聚回顧
15.8 核集聚算法
15.9 處理大數據集的基於密度的算法
15.10 高維數據集的集聚算法
15.11 其他集聚算法
15.12 組合集聚
習題
MATLAB編程和練習
參考文獻
第16章聚類有效性
16.1 引言
16.2 假設檢驗回顧
16.3 聚類有效性中的假設檢驗
16.4 相對準則
16.5 單個聚類的有效性
16.6 集聚趨勢
習題
參考文獻
附錄A 概率論與數理統計的相關知識
附錄B 線性代數基礎
附錄C 代價函數優化
附錄D 線性繫統理論的基本定義
詞彙表

模式識別是信息科學和人工智能的重要組成部分，主要應用領域包括圖像分析、光學字符識別、信道均衡、語言識別和語音分類等。本書全面介紹了模式識別的基礎理論、近期新方法及各種應用，討論了貝葉斯分類、貝葉斯網絡、線性和非線性分類器設計、上下文相關分類、特征生成、特征選擇技術、學習理論的基本概念及聚類的概念與算法，新增了與大數據集和高維數據相關的算法，詳細論述了非線性降維、非負矩陣因子分解、關聯性反饋、魯棒回歸、半監督學習、頻譜聚類和組合集聚技術。書中的各章提供習題與練習，並在配套網站上提供習題解答。本書可作為高等院校計算機、大數據、人工智能、自動化、電子和通信等專業碩士研究生和高年級本科生的教材，也可作為計算機信息處理、自動控制等相關領域的工程技術人員的參考用書。