模式识别：基于贝叶斯决策理论与线性分类器

"Pattern.Recognition - Theodoridis.S.,.Koutroumbas.K.4ed,.AP,.2009" 是一本关于模式识别的书籍，由Theodoridis和Koutroumbas撰写，2009年由Academic Press（现为Elsevier的一部分）出版。该书涵盖了模式识别的基础理论、方法和技术，特别强调了统计学习的应用。 书中首先介绍了模式识别的重要性，解释了特征、特征向量和分类器的概念，并区分了监督学习、无监督学习和半监督学习的区别。此外，书中提供了MATLAB程序示例，帮助读者实践所学知识。 第二章深入探讨基于贝叶斯决策理论的分类器，包括贝叶斯决策理论的基本原理、判别函数和决策表面、正态分布下的贝叶斯分类，以及未知概率密度函数的估计。还讨论了最近邻规则和贝叶斯网络。 第三章聚焦线性分类器，讲解了线性判别函数、决策超平面、感知机算法、最小二乘法、逻辑回归、支持向量机等主题，同时提供了MATLAB程序和练习。 第四章则转向非线性分类器，讨论了XOR问题、两层和三层感知机、反向传播算法、多层神经网络、支持向量机在非线性情况下的应用，以及决策树和集成分类器如Boosting方法。此外，还讨论了类不平衡问题。 第五章涉及特征选择，包括预处理、峰值现象、基于统计假设检验的特征选择、ROC曲线、分类分离度度量以及特征子集选择策略。本章还介绍了特征生成和神经网络的关系以及泛化理论的提示。 第六章介绍了特征生成的第一部分，内容涵盖数据变换和降维技术，如Karhunen-Loève变换、奇异值分解、独立成分分析、非负矩阵分解，以及非线性降维方法。同时，讨论了离散傅立叶变换和其他变换，如离散余弦变换、离散正弦变换、Hadamard变换、Haar变换和小波变换。 第七章继续特征生成，重点是区域特征、形状和尺寸特征的描述，以及用于语音和音频分类的一般特征。 第八章介绍了模板匹配，讲解了基于最优路径搜索技术和相关性测量的匹配方法，以及可变形模板模型和基于内容的信息检索。 第九章讨论上下文相关的分类，包括贝叶斯分类器、马尔科夫链模型、维特比算法、信道均衡、隐藏马尔科夫模型及其状态持续建模，以及通过神经网络训练马尔科夫模型。 第十章作为监督学习的结论，回顾了错误计数方法、数据集有限性的影响，以及一个来自医学成像的案例研究。 这本书是模式识别和统计学习领域的宝贵资源，适合学术研究者和相关专业学生使用。