第1章 模式識別概述
1．1 模式識別的基本概念
1．2 模式識別的基本方法
1．3 模式識別的應用
第2章 基於貝葉斯決策理論的分類器設計
2．1 貝葉斯決策簡介
2．1．1 貝葉斯決策所討論的問題
2．1．2 貝葉斯公式
2．2 最小錯誤率貝葉斯決策
2．2．1 最小錯誤率貝葉斯決策理論
2．2．2 最小錯誤率貝葉斯分類的計算過程
2．2．3 最小錯誤率貝葉斯分類的MATLAB實現
2．3 最小風險貝葉斯決策
2．3．1 最小風險貝葉斯決策理論
2．3．2 最小錯誤率與最小風險貝葉斯決策的比較
2．3．3 貝葉斯算法的計算過程
2．3．4 最小風險貝葉斯分類的MATLAB實現
第3章 判別函數分類器設計
3．1 判別函數簡介
3．2 線性判別函數
3．3 線性判別函數的實現
3．4 費希爾分類器的設計與實現
3．5 LDA判別器的設計與實現
3．6 基於支持向量機算法的新蒙文字母識別繫統的研究
3．6．1 支持向量機模型和工作原理
3．6．2 線性可分支持向量機
3．6．3 非線性可分支持向量機
3．6．4 L1軟間隔支持向量機
3．6．5 支持向量機的構建、初始化、仿真
3．6．6 支持向量機各層及各層間傳輸函數的設計選擇
3．7 決策樹算法與隨機森林
3．7．1 決策樹算法
3．7．2 ID3算法
3．7．3 隨機森林算法
第4章 聚類分析
4．1 聚類分析概述
4．1．1 聚類的定義
4．1．2 聚類準則
4．1．3 基於試探法的聚類設計
4．2 數據聚類――K-均值算法
4．2．1 K-均值算法概述
4．2．2 K-均值算法的主要流程
4．2．3 K-均值算法的特點
4．2．4 K-均值算法的MATLAB實現
4．3 PAM算法的研究
4．3．1 PAM算法概述
4．3．2 PAM算法的主要流程
4．3．3 PAM算法的MATLAB實現
4．4 I SODATA算法
4．4．1 ISODATA算法概述
4．4．2 聚類數據背景
4．4．3 ISODATA算法的MATLAB實現
4．4．4 聚類效果評價
4．4．5 實驗結果與分析
4．5 AP算法
4．5．1 AP算法概述
4．5．2 AP算法原理
4．5．3 AP算法步驟
4．5．4 近鄰傳播聚類相關參數研究
4．5．5 AP算法的MATLAB實現
4．6 基於PCA算法的新蒙文字母識別研究
4．6．1 相關原理
4．6．2 PCA算法步驟
4．6．3 PCA算法實現
4．7 粗糙集聚類
4．7．1 粗糙集的基本理論與方法
4．7．2 粗糙集聚類方法
4．7．3 粗糙集聚類的MATLAB實現
4．8 層次聚類算法
4．8．1 層次聚類理論分析
4．8．2 各函數表示的意義
4．8．3 實例說明
第5章 模糊聚類分析
5．1 模糊邏輯的發展
5．2 模糊集合
5．2．1 由經典集合到模糊集合
5．2．2 模糊集合的基本概念
5．2．3 隸屬度函數
5．3 模糊集合的運算
5．3．1 模糊集合的基本運算
5．3．2 模糊集合的基本運算規律
5．3．3 模糊集合與經典集合的聯繫
5．4 模糊關繫與模糊關繫的合成
5．4．1 模糊關繫的基本概念
5．4．2 模糊關繫的合成
5．4．3 模糊關繫的性質
5．4．4 模糊變換
5．5 模糊邏輯及模糊推理
5．5．1 模糊邏輯技術
5．5．2 語言控制策略
5．5．3 模糊語言變量
5．5．4 模糊命題與模糊條件語句
5．5．5 判斷與推理
5．5．6 模糊推理
5．6 模糊ISODATA算法
5．6．1 模糊ISODATA算法的基本原理
5．6．2 模糊ISODATA算法的基本步驟
5．6．3 模糊ISODATA算法的MATLAB實現
5．7 模糊聚類C均值算法的車牌字符分割
5．7．1 車牌圖像識別的預處理
5．7．2 車牌定位
5．7．3 基於FCM算法的車牌字符分割
5．8 利用模糊聚類進行數據分類
5．8．1 利用等價模糊關繫進行聚類分析的MATLAB實現
5．8．2 模糊C均值算法（模糊聚類的一種改進方法）
5．8．3 模糊C均值算法的MATLAB實現程序及結果
第6章 神經網絡聚類設計
6．1 什麼是神經網絡
6．1．1 神經網絡技術的發展歷程
6．1．2 生物神經繫統的結構及衝動的傳遞過程
6．1．3 人工神經網絡的定義
6．2 人工神經網絡模型
6．3 概率神經網絡（PNN）
6．4 BP神經網絡
6．4．1 BP網絡
6．4．2 BP網絡的建立及執行
6．4．3 BP網絡在字符識別中的應用
6．4．4 BP算法在分類識別中的應用
6．5 RBF神經網絡
6．5．1 徑向基函數的網絡結構及工作方式
6．5．2 徑向基函數網絡的特點及作用
6．5．3 徑向基函數網絡參數選擇
6．5．4 徑向基網絡在分類識別中的應用
6．5．5 RBF網絡用於模式分類
6．6 反饋神經網絡
6．6．1 離散Hopfield網絡（DHNN）的結構
6．6．2 離散Hopfield網絡的工作方式
6．6．3 Hopfield網絡的穩定性和吸引子
6．6．4 Hopfield網絡的連接權設計
6．6．5 Hopfield網絡應用於模式分類
6．6．6 離散Hopfield網絡應用於分類識別
6．7 卷積神經網絡
6．7．1 卷積神經網絡的出現背景
6．7．2 卷積神經網絡原理
6．7．3 卷積神經網絡應用於模式分類
6．8 小波神經網絡
6．8．1 小波神經網絡的基本結構
6．8．2 小波神經網絡的訓練算法