4.1 研究对象及相关概率 4.2 贝叶斯决策 4.3 贝叶斯分类器的错误率 4.4 聂曼-皮尔逊决策 4.5 概率密度函数的参数估计 4.6 概率密度函数的非参数估计 4.7 后验概率密度分类的势函数方法

第1章 绪论 1.1 模式和模式识别的概念 1.2 模式识别系统 1.3 模式识别概况 1.4 模式识别的应用 第2章 聚类分析 2.1 距离聚类的概念 2.2 相似性测度和聚类准则 2.3 基于距离阈值的聚类算法 2.4 层次聚类法 2.5 动态聚类法 2.6 聚类结果的评价

3.1 判别函数 3.2 线性判别函数 3.3 广义线性判别函数 3.4 线性判别函数的几何性质 3.5 感知器算法 3.6 梯度法 3.7 最小平方误差算法 3.8 非线性判别函数

7.1 模糊数学概述 7.2 模糊集合 7.3 模糊关系与模糊矩阵 7.4 模糊模式分类的直接方法和间接方法 7.5 模糊聚类分析法

6.1 句法模式识别概述 6.2 形式语言的基本概念 6.3 模式的描述方法 6.4 文法推断 6.5 句法分析 6.6 句法结构的自动机识别

5.1 基本概念 5.2 类别可分性测度 5.3 基于类内散布矩阵的单类模式特征提取 5.4 基于K-L变换的多类模式特征提取

8.1 人工神经网络发展概况 8.2 神经网络基本概念 8.3 前馈神经网络 8.4 反馈网络模型Hopfield网络

实验一 总体概率密度分布的非参数方法 实验二 感知器准则算法实验 实验三 Fisher线性判别实验 实验四 BP神经网络算法实验 实验五 支持向量机算法实验

武汉理工大学：《模式识别》课程授课教案（讲义）第8章 神经网络在模式识别中的应用

武汉理工大学：《模式识别》课程授课教案（讲义）第7章 模糊模式识别