本书全面阐述了模式识别的基础理论、*新方法以及各种应用。讨论了贝叶斯分类、贝叶斯网络、线性和非线性分类器设计、特征生成、特征选取技术、学习理论的基本概念以及聚类概念与算法。与前一版相比，增加了大数据集和高维数据相关的*新算法，提供了*新的分类器和鲁棒回归的核方法。新增一些热点问题，如非线性降维、非负矩阵因数分解、关联性反馈、鲁棒回归、半监督学习、谱聚类和聚类组合技术。每章均提供有习题与练习，用MATLAB求解问题，给出一些例题的多种求解方法；且支持网站上提供有习题解答，以便于读者增加实际经验。
本书在完美地合当前的理论与实践的基础上，讨论了贝叶斯分类、贝叶斯网络、线性和非线性分类器设计、上下文相关分类、特征生成、特征选取技术、学习理论的基本概念以及聚类概念与算法。
Sergios Theodoridis：希腊雅典大学物理学学士、英国伯明翰大学信号处理与通信硕士和博士。希腊雅典大学信息与通信系教授，其4篇论文获IEEE神经网络会刊卓越论文奖，IET和IEEE高级会士。
Konstantinos Koutroumbas：希腊佩特雷大学计算机学士、英国伦敦大学计算机硕士、希腊雅典大学计算机博士。希腊雅典国家天文台空间应用与遥感研究院研究员，国际知名专家。
李晶皎：东北大学信息学院教授，博士生导师。一直从事教学和科研工作，主要研究方向为模式识别、语音信号处理、计算机系统结构、嵌入式系统等。
第1章 导论 1
1．1 模式识别的重要性 1
1．2 特征、特征向量和分类器 3
1．3 有监督、无监督和半监督学习 4
1．4 MATLAB程序 6
1．5 本书的内容安排 6
第2章 基于贝叶斯决策理论的分类器 8
2．1 引言 8
2．2 贝叶斯决策理论 8
2．3 判别函数和决策面 12
2．4 正态分布的贝叶斯分类 13
2．5 未知概率密度函数的估计 23
2．6 最近邻规则 42
2．7 贝叶斯网络 44
习题 49
MATLAB编程和练习 55
参考文献 60
第3章 线性分类器 63
3．1 引言 63
3．2 线性判别函数和决策超平面 63
3．3 感知器算法 64
3．4 最小二乘法 70
3．5 均方估计的回顾 75
3．6 逻辑识别 80
3．7 支持向量机 81
习题 97
MATLAB编程和练习 99
参考文献 100
第4章 非线性分类器 104
4．1 引言 104
4．2 异或问题 104
4．3 两层感知器 105
4．4 三层感知器 108
4．5 基于训练集准确分类的算法 109
4．6 反向传播算法 110
4．7 反向传播算法的改进 115
4．8 代价函数选择 117
4．9 神经网络大小的选择 119
4．10 仿真实例 123
4．11 具有权值共享的网络 124
4．12 线性分类器的推广 125
4．13 线性二分法中l维空间的容量 126
4．14 多项式分类器 127
4．15 径向基函数网络 129
4．16 通用逼近 131
4．17 概率神经元网络 132
4．18 支持向量机：非线性情况 134
4．19 超越SVM的范例 137
4．20 决策树 146
4．21 合并分类器 150
4．22 合并分类器的增强法 155
4．23 类的不平衡问题 160
4．24 讨论 161
习题 161
MATLAB编程和练习 164
参考文献 168
第5章 特征选择 178
5．1 引言 178
5．2 预处理 178
5．3 峰值现象 180
5．4 基于统计假设检验的特征选择 182
5．5 接收机操作特性（ROC）曲线 187
5．6 类可分性测量 188
5．7 特征子集的选择 193
5．8 最优特征生成 196
5．9 神经网络和特征生成/选择 203
5．10 推广理论的提示 204
5．11 贝叶斯信息准则 210
习题 211
MATLAB编程和练习 213
参考文献 216
第6章 特征生成I：线性变换 221
6．1 引言 221
6．2 基本向量和图像 221
6．3 Karhunen-Loève变换 223
6．4 奇异值分解 229
6．5 独立成分分析 234
6．6 非负矩阵因子分解 239
6．7 非线性维数降低 240
6．8 离散傅里叶变换（DFT） 248
6．9 离散正弦和余弦变换 251
6．10 Hadamard变换 252
6．11 Haar变换 253
6．12 回顾Haar展开式 254
6．13 离散时间小波变换（DTWT） 257
6．14 多分辨解释 264
6．15 小波包 265
6．16 二维推广简介 266
6．17 应用 268
习题 271
MATLAB编程和练习 273
参考文献 275
第7章 特征生成II 282
7．1 引言 282
7．2 区域特征 282
7．3 字符形状和大小的特征 298
7．4 分形概述 304
7．5 语音和声音分类的典型特征 309
习题 320
MATLAB编程和练习 322
参考文献 325
第8章 模板匹配 331
8．1 引言 331
8．2 基于最优路径搜索技术的测度 331
8．3 基于相关的测度 342
8．4 可变形的模板模型 346
8．5 基于内容的信息检索：相关反馈 349
习题 352
MATLAB编程和练习 353
参考文献 355
第9章 上下文相关分类 358
9．1 引言 358
9．2 贝叶斯分类器 358
9．3 马尔可夫链模型 358
9．4 Viterbi算法 359
9．5 信道均衡 362
9．6 隐马尔可夫模型 365
9．7 状态驻留的HMM 373
9．8 用神经网络训练马尔可夫模型 378
9．9 马尔可夫随机场的讨论 379
习题 381
MATLAB编程和练习 382
参考文献 384
第10章 监督学习：尾声 389
10．1 引言 389
10．2 误差计算方法 389
10．3 探讨有限数据集的大小 390
10．4 医学图像实例研究 393
10．5 半监督学习 395
习题 404
参考文献 404
第11章 聚类：基本概念 408
11．1 引言 408
11．2 近邻测度 412
习题 427
参考文献 428
第12章 聚类算法I：顺序算法 430
12．1 引言 430
12．2 聚类算法的种类 431
12．3 顺序聚类算法 433
12．4 BSAS的改进 436
12．5 两个阈值的顺序方法 437
12．6 改进阶段 439
12．7 神经网络的实现 440
习题 443
MATLAB编程和练习 444
参考文献 445
第13章 聚类算法II：层次算法 448
13．1 引言 448
13．2 合并算法 448
13．3 cophenetic矩阵 465
13．4 分裂算法 466
13．5 用于大数据集的层次算法 467
13．6 最佳聚类数的选择 472
习题 474
MATLAB编程和练习 475
参考文献 477
第14章 聚类算法III：基于函数最优方法 480
14．1 引言 480
14．2 混合分解方法 481
14．3 模糊聚类算法 487
14．4 可能性聚类 502
14．5 硬聚类算法 506
14．6 向量量化 513
附录 514
习题 515
MATLAB编程和练习 516
参考文献 519
第15章 聚类算法IV 523
15．1 引言 523
15．2 基于图论的聚类算法 523
15．3 竞争学习算法 533
15．4 二值形态聚类算法 540
15．5 边界检测算法 546
15．6 谷点搜索聚类算法 548
15．7 通过代价最优聚类（回顾） 550
15．8 核聚类方法 555
15．9 对大数据集的基于密度算法 558
15．10 高维数据集的聚类算法 562
15．11 其他聚类算法 572
15．12 聚类组合 573
习题 578
MATLAB编程和练习 580
参考文献 582
第16章 聚类有效性 591
16．1 引言 591
16．2 假设检验回顾 591
16．3 聚类有效性中的假设检验 593
16．4 相关准则 600
16．5 单独聚类有效性 612
16．6 聚类趋势 613
习题 620
参考文献 622
附录A 概率论和统计学的相关知识 626
附录B 线性代数基础 635
附录C 代价函数的优化 637
附录D 线性系统理论的基本定义 649
索引 652
书单推荐
