华中科技大学2005年博士研究生入学考试——模式识别原理 =tq7z =k
rgT%XhUS6f
第一章 模式识别的基本问题 g^n;IE$B
Ph"iX'J
1.1 什么是模式识别 AG=9b
rJp?d9B
1.2 模式识别的基本概念 KMe.i'
{V=vnL--
1.3 模式识别的系统组成 B~4mk
a(g$ d2H
1.4 模式识别方法分类 'iGMn_&
u4C1W|x
第二章 Bayes决策理论 d)9PEtI
L c{
!FG>
2.1 二类问题的最小错误决策 FqL
`Kt
k\%,xf; x
2.2 二类问题的最小风险决策 bL#sn_(m
e ^-3etx
2.3 Neyman-Pearson决策 JJ)y2
7kOE/>P?
2.4 最小最大决策 s%hU*^ 8
MQjG<O\
2.5 多类问题的决策 i<0D
Z_rub
YcEtgpz@
第三章 正态分布的判别函数 ;cnnqT6
aKaR
3.1 N维正态分布 P~n8EO1r
#IbS
3.2 正态分布的判别函数 Bd/}
%4V\@
b"`ru~]
3.3 讨论 Q|6Ls$'$
qZ `n Zi
第四章 线性判别函数 4o)(d=q
s0_-1VU
4.1 线性判别函数及广义线性判别函数 H^]Nmd8Q)
z(c@(UD-_
4.2 线性分类器设计 5@GD} oAn6
~% D^Ga7
4.3 梯度法与牛顿法 CM+F7#T?n
|)
x
'
4.4 最小平方误差准则函数与H-K算法 )Ix-5084
\7OJN
~&<
4.5 Fisher线性判别函数 OL,/-;z6
rTWh(8T
4.6 广义线性判别函数 "#_)G7W+e
,6S_&<{
第五章 K-近邻法 9~LpO>-
lGD%R'}
5.1 密度估计 ^&f{beU9
bIvJs9L
5.2 后验概率估计 =
]dz1~/
0})7of
5.3 最近邻法则与K-近邻法则 B,BOzpb(
E|F!S(.:,M
5.4 加权K-近邻法则 j?d;xj
CS^ oiV%{s
第六章 聚类分析 t z
+
twYB=68
6.1 类似性度量 k"3Z@Px
:
l`~a}y "n
6.2 准则函数 Xud
H
N+C%Z[gt[
6.3 聚类算法 EyKkjEXx_
l1+w2rd1
第七章 特征提取与选择 ~I/>i&