第 1章　模式识别概述
1.1　模式识别的基本概念　2
1.2　模式识别的发展历程　5
1.3　模式识别系统与模式识别的应用　10
1.3.1　模式识别系统　10
1.3.2　模式识别的应用　11
1.4　本章小结　17
1.5　习题　17
第 2章　理论贝叶斯决策
2.1　最小错误率贝叶斯决策　19
2.1.1　贝叶斯决策理论　19
2.1.2　最小错误率决策　20
2.1.3　最小错误率决策的等价形式　21
2.1.4　示例与应用　21
2.2　最小风险贝叶斯决策　23
2.2.1　风险与损失函数　23
2.2.2　最小化贝叶斯风险　24
2.2.3　最小风险贝叶斯决策的计算　25
2.2.4　示例与应用　26
2.3　正态分布时的贝叶斯决策　27
2.3.1　正态分布简介　27
2.3.2　协方差矩阵为对角矩阵时的贝叶斯决策　28
2.3.3　各类别协方差矩阵相等时的贝叶斯决策　30
2.3.4　各类别协方差矩阵不相等时的贝叶斯决策　31
2.4　贝叶斯决策的错误率　33
2.4.1　错误率的估计方法　33
2.4.2　正态分布下错误率的计算　34
2.5　本章小结　36
2.6　习题　36
第3章　概率密度的估计
3.1　参数估计方法　39
3.1.1　基本概念　40
3.1.2　最大似然估计　40
3.1.3　贝叶斯估计　43
3.1.4　非监督参数估计　46
3.2　分类器错误率估计　47
3.2.1　训练错误率与测试错误率　47
3.2.2　交叉验证法　49
3.3　非参数估计方法　50
3.3.1　直方图方法　50
3.3.2　K最近邻方法　52
3.3.3　Parzen窗方法　52
3.4　本章小结　54
3.5　习题　54
第4章　线性判别函数
4.1　Fisher线性判别函数　56
4.2　感知准则函数　58
4.2.1　感知准则函数简介　58
4.2.2　几种常见的梯度下降方法　59
4.3　最小均方误差准则函数　60
4.4　多分类问题　61
4.4.1　一对一　61
4.4.2　一对其余　62
4.4.3　多对多　62
4.4.4　3种策略的优缺点总结　63
4.4.5　类别不平衡问题　64
4.5　线性支持向量机　65
4.5.1　线性支持向量机简介　65
4.5.2　对偶形式　66
4.5.3　核函数　67
4.5.4　软间隔　69
4.6　本章小结　71
4.7　习题　71
第5章　非线性判别函数
5.1　分段线性判别函数　73
5.2　分段线性判别函数设计　75
5.3　二次判别函数　76
5.4　非线性支持向量机　79
5.5　核方法　82
5.5.1　核方法的基本原理　82
5.5.2　核方法的应用分类　84
5.6　本章小结　87
5.7　习题　87
第6章　其他分类方法
6.1　近邻法　90
6.2　决策树　91
6.2.1　决策树简介　91
6.2.2　信息增益　92
6.2.3　信息增益比及基尼系数　94
6.2.4　剪枝　95
6.3　逻辑回归　96
6.3.1　逻辑回归简介　96
6.3.2　具体方法　97
6.4　集成法　98
6.4.1　Boosting方法　100
6.4.2　Bagging方法　104
6.5　本章小结　107
6.6　习题　107
第7章　无监督学习
7.1　分离方法　109
7.1.1　单峰子集分离方法　109
7.1.2　类别分离方法　110
7.2　聚类方法的基本原理　111
7.3　典型聚类方法　112
7.3.1　原型聚类　112
7.3.2　密度聚类　116
7.3.3　层次聚类　117
7.3.4　谱聚类　118
7.4　置信网络　121
7.4.1　置信网络的基本概念　121
7.4.2　置信网络的学习　122
7.5　半监督学习　124
7.5.1　半监督学习的基本概念　124
7.5.2　半监督学习的基本方法　124
7.6　本章小结　126
7.7　习题　127
第8章　通用特征选择与提取方法
8.1　特征选择　129
8.1.1　过滤式特征选择　130
8.1.2　包裹式特征选择　132
8.1.3　嵌入式特征选择　134
8.2　特征提取　140
8.2.1　线性判别分析　140
8.2.2　主成分分析　143
8.3　本章小结　146
8.4　习题　146
第9章　数据特征提取
9.1　图像数据特征提取　149
9.1.1　Haar特征　149
9.1.2　SIFT特征　151
9.1.3　HOG特征　157
9.1.4　LBP特征　158
9.2　音频数据特征提取　161
9.2.1　时域特征提取　161
9.2.2　频域特征提取　164
9.2.3　倒谱特征提取　165
9.3　文本数据特征提取　168
9.3.1　独热编码　168
9.3.2　词袋模型　169
9.3.3　词频-逆向文档频率　169
9.3.4　词嵌入　169
9.4　本章小结　170
9.5　习题　171
第 10章　深度神经网络基础
10.1　神经网络概述　173
10.1.1　发展历程　173
10.1.2　端到端的学习方式　174
10.1.3　基本结构　176
10.1.4　前馈运算　177
10.1.5　反馈运算　177
10.2　传统神经网络　178
10.2.1　感知机　179
10.2.2　多层感知机　180
10.3　卷积神经网络基础　182
10.3.1　卷积神经网络的基本组件与操作　183
10.3.2　卷积神经网络经典结构　189
10.4　本章小结　195
10.5　习题　195
第 11章　深度神经网络典型架构
11.1　循环神经网络　198
11.1.1　传统循环神经网络的训练　199
11.1.2　长短期记忆网络　199
11.2　生成对抗网络　201
11.2.1　生成对抗网络的基本原理　201
11.2.2　生成对抗网络的训练　202
11.2.3　生成对抗网络的变体　203
11.3　变分自编码器　205
11.3.1　变分自编码器的原理　205
11.3.2　变分自编码器的实现　206
11.4　图神经网络　207
11.4.1　图神经网络的基本概念　207
11.4.2　谱方法的原理　208
11.4.3　谱方法的演变　209
11.4.4　图卷积网络　210
11.4.5　图注意力网络　210
11.5　Transformer模型　211
11.5.1　模型架构　211
11.5.2　多头注意力层　211
11.5.3　掩码机制　213
11.5.4　其他层结构　213
11.5.5　Vision Transformer　214
11.6　扩散模型　215
11.6.1　扩散模型的原理　215
11.6.2　扩散模型与基于分数的模型的联系　216
11.7　本章小结　218
11.8　习题　218
第 12章　模式识别的典型应用
12.1　指纹识别　220
12.1.1　指纹识别的原理　220
12.1.2　指纹传感器　221
12.1.3　指纹识别算法　222
12.1.4　指纹识别应用　223
12.2　光学字符识别　224
12.2.1　光学字符识别的原理　224
12.2.2　光学字符识别算法　224
12.2.3　光学字符识别应用　226
12.3　语音识别　227
12.3.1　语音识别的原理　227
12.3.2　语音识别算法　227
12.3.3　语音识别应用　228
12.4　人脸识别　229
12.4.1　人脸识别的原理　229
12.4.2　人脸识别算法　229
12.4.3　人脸识别应用　231
12.5　本章小结　232
12.6　习题　232
第 13章　大模型
13.1　语言大模型　234
13.1.1　语言大模型的发展　234
13.1.2　语言大模型的关键技术　236
13.1.3　语言大模型的应用　242
13.2　视觉大模型　243
13.2.1　视觉大模型的架构　243
13.2.2　视觉大模型的训练　245
13.2.3　典型视觉大模型　246
13.2.4　视觉大模型在模式识别中的应用　251
13.3　语音大模型　252
13.3.1　语音相关的基本概念　252
13.3.2　经典的语音大模型　252
13.4　多模态大模型　254
13.4.1　多模态大模型的基本概念　255
13.4.2　多模态大模型的关键技术　255
13.4.3　多模态大模型在模式识别中的应用　257
13.5　本章小结　258
13.6　习题　259