| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-14页 |
| ·研究背景及意义 | 第8-9页 |
| ·模式识别研究现状 | 第9-10页 |
| ·论文内容及结构安排 | 第10-14页 |
| ·课题的主要内容 | 第10-11页 |
| ·论文的结构安排 | 第11-14页 |
| 第二章 统计模式识别 | 第14-28页 |
| ·模式识别系统介绍 | 第14-16页 |
| ·模式识别系统的典型构成 | 第14-15页 |
| ·模式识别的主要方法 | 第15-16页 |
| ·贝叶斯决策理论 | 第16-18页 |
| ·最小错误率的贝叶斯决策 | 第17-18页 |
| ·最小风险的贝叶斯决策 | 第18页 |
| ·判别函数和决策面 | 第18-19页 |
| ·正态分布时的统计决策 | 第19-22页 |
| ·正态分布及其性质 | 第19-21页 |
| ·正态分布的贝叶斯决策 | 第21-22页 |
| ·贝叶斯分类模型与实验结果 | 第22-26页 |
| ·朴素贝叶斯分类模型 | 第22-23页 |
| ·实验仿真 | 第23-26页 |
| ·本章小结 | 第26-28页 |
| 第三章 线性判别方法与特征提取 | 第28-44页 |
| ·线性判别函数的基本概念 | 第28-29页 |
| ·线性判别方法 | 第29-34页 |
| ·欧几里得线性判别 | 第29-31页 |
| ·马氏距离线性判别 | 第31页 |
| ·Fisher线性判别分析 | 第31-34页 |
| ·特征选择与提取 | 第34-36页 |
| ·特征选择与提取的基本理论 | 第34-35页 |
| ·特征评价准则与类别可分性判据 | 第35-36页 |
| ·特征提取方法 | 第36-39页 |
| ·成分分析法(PCA) | 第36-38页 |
| ·基于K-L变换的特征提取法 | 第38-39页 |
| ·实验分析 | 第39-41页 |
| ·本章小结 | 第41-44页 |
| 第四章 分类器设计与基于Fisher的贝叶斯改进算法 | 第44-56页 |
| ·分类器设计的介绍 | 第44-46页 |
| ·分类器设计的方法 | 第46-47页 |
| ·基于参考点的分类器 | 第46页 |
| ·基于概率统计的分类器 | 第46-47页 |
| ·基于线性判别函数的分类器 | 第47页 |
| ·基于Fisher判别分析的贝叶斯分类器 | 第47-49页 |
| ·实验仿真 | 第49-54页 |
| ·本章小结 | 第54-56页 |
| 总结与展望 | 第56-58页 |
| 论文总结 | 第56页 |
| 展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间取得的科研成果 | 第62-64页 |
| 致谢 | 第64页 |