享誉世界的名著，内容既全面又相对独立，既有基础知识的介绍，又有本领域研究现状的介绍，还有对未来发展的展望，是本领域最全面的参考书，被世界众多高校选用为教材。

本书内容包括贝叶斯分类、贝叶斯网络、线性和非线性分类器 (包含神经网络和支持向量机) 、动态编程和用于顺序数据的隐马尔科夫模型、特征生成 (包含小波、主成分分析、独立成分分析和分形分析) 、特征选择技术、来自学习理论的基本概念、聚类概念和算法等

模式识别
本书是享誉世界的名著，内容既全面又相对独立，既有基础知识的介绍，又有本领域研究现状的介绍，还有对未来发展的展望，是本领域最全面的参考书，被世界众多高校选用为教材。本书可作为高等院校计算机、电子、通信、自动化等专业研究生和高年级本科生的教材，也可作为计算机信息处理、自动控制等相关领域的工程技术人员的参考用书。
本书主要特点
提供了大型数据集和高维数据的聚类算法以及网络挖掘和生物信息学应用的最新资料。
涵盖了基于图像分析、光学字符识别、信道均衡、语音识别和音频分类的多种应用。
呈现了解决分类和稳健回归问题的内核方法取得的最新成果。
介绍了带有Boosting方法的分类器组合技术。
提供更多处理过的实例和图例，加深读者对各种方法的了解。
增加了关于热点话题的新的章节，包括非线性维数约减、非负矩阵分解、实用性反馈、稳健回归、半监督学习、谱聚类和聚类组合技术。
作者简介
Sergios Theodoridis 希腊雅典大学信息系教授。主要研究方向是自适应信号处理、通信与模式识别。他是欧洲并行结构及语言协会（PARLE-95）的主席和欧洲信号处理协会（EUSIPCO-98）的常务主席、《信号处理》杂志编委。
Konstantinos Koutroumbas 1995年在希腊雅典大学获得博士学位。自2001年起任职于希腊雅典国家天文台空间应用研究院，是国际知名的专家。

　　这本书是我们在过去的20年里进修的本科和研究生课程的产物。这些课程已经被教授给不同的听众，包括电气和电子工程，计算机工程，计算机科学和信息学的学生，以及自动化研究生课程的跨学科观众。这一经历使我们尽可能地将本书作为自成体系，并针对不同背景的学生。作为预知知识，读者只需要基本的微积分，初等线性代数和一些概率论的基础知识。在四个附录中讨论了各章所需的一些数学工具，如概率和统计以及约束优化。本书的目的是作为高级本科生和研究生的文本，它可以用于一个或两个学期的课程。此外，它还打算作为一个自学和参考书的研究和实践的科学家/工程师。这后面的观众也是我们写这本书的第二个动机，由于我们的小组参与了一些与模式识别有关的项目。。
　　范围和方法
　　本书的目标是以统一的方式呈现模式识别任务中使用最广泛的技术和方法。模式识别是许多应用领域的核心，包括图像分析，语音识别，生物识别，生物信息学，数据挖掘和信息检索。尽管存在差异，但这些领域在很大程度上分享了可用于从现有数据中提取与数据类别，重要的“隐藏”模式和趋势相关的信息的技术语料库。本书的重点是目前可用的最通用的方法。掌握了基本的知识和理解后，读者可以随后转向更专门的应用相关技术，
　　本书的每一章都从基础开始，逐步转向更高级的主题，并回顾最新的技术。我们努力在数学和描述性表达之间保持平衡。这并不总是一件容易的事情。然而，我们坚信，在模式识别这个话题中，试图绕过数学使得读者不了解这些方法背后的要素，以及开发新技术的潜力，这些新技术适合他或她所面临的问题的需要必须解决。在模式识别中，最终采用合适的技术和算法是非常依赖于问题的任务。而且，根据我们的经验，教学模式识别也是一个很好的“借口” 让学生们刷新和巩固他们早年教过的一些数学基础知识。“重复主义studiosum”。
　　这个新版本..
　　第四版的新功能包括以下内容。
　　·在大多数章节的最后给出了MATLAB代码和计算机实验。
　　·增加了更多的例子和一些新的数字来增强本书的可读性和教学方面的内容。
　　·增加了一些关于高电流感兴趣的重要主题的新章节，包括：
　　·非线性降维
　　·非负矩阵分解
　　·相关反馈
　　·鲁棒回归
　　·半监督学习
　　·光谱聚类
　　·聚类组合技术
　　此外，还有一些章节已经根据最近的应用进行了重新编写。
　　文本的补充
　　基于MATLAB的演示可以从书籍网站www。elsevierdirect.com/9781597492720。也可以从文本中获得电子数字（仅限教官），也可以使用本章末尾的问题和练习的解答手册。感兴趣的读者可以下载详细的证明，在书中必然有时略微压缩。PowerPoint演示文稿也可用于本书的所有章节。
　　我们的目的是定期更新网站，更多和/或改进版本的MATLAB演示。建议总是受欢迎的。同样在这个网站上，一个页面将可用于拼写错误，这是不可避免的，尽管经常仔细阅读。作者希望读者通知他们发现的任何错字...
。　　

计算机科学及应用

本书综合考虑了有监督、半监督和无监督模式识别的经典以及当前的理论和实践，为技术人员和工程学专业的高校学生建立起了完整的知识体系。本书由模式识别领域内的两位顶级专家合著，内容既全面又相对独立。
本书主要特点：
1、提供了大型数据集和高维数据的聚类算法以及网络挖掘和生物信息学应用的最新资料。
2、涵盖了基于图像分析、光学字符识别、信道均衡、语音识别和音频分类的多种应用。
3、呈现了解决分类和稳健回归问题的内核方法取得的最新成果。
4、介绍了带有Boosting方法的分类器组合技术。
5、提供更多处理过的实例和图例使读者对各种方法产生更深入的了解。
6、增加了关于热点话题的新的章节，包括非线性维数约减、非负矩阵分解、实用性反馈、稳健回归、半监督学习、谱聚类和聚类组合技术。

Sergios Theodoridis;Konstantinos Koutroumbas：Sergios Theodoridis：是希腊雅典大学信息系教授。于1973年在雅典大学获得物理学学士学位，又分别于 1975年和1978年在英国伯明翰大学获得信号处理与通信硕士和博士学位。主要研究方向是自适应信号处理。通信与模式识别。他是欧洲并行结构及语言协会（PARLE-95）的主席和欧洲信号处理协会（EUSIPCO-98）的常务主席、《信号处理》杂志编委。 Konstantinos Koutroumbas：1989年毕业于希腊佩特雷大学的计算机工程与信息学院。1990年在英国伦敦大学获得计算机科学硕士学位。1995年在希腊雅典大学获得博士学位。自2001年起任职于希腊雅典国家天文台空间应用与遥感研究院，是国际知名的专家。

Preface
CHAPTER1 Introduction
1.1 Is Pattern Recognition Important
1.2 Features, Feature Vectors, and Classifiers
1.3 Supervised, Unsupervised, and Semi-Supervised Learning
1.4 MATLAB Programs
1.5 Outline of The Book

CHAPTER2 Classifiers Based on Bayes Decision Theory
2.1 Introduction
2.2 Bayes Decision Theory
2.3 Discriminant Functions and Decision Surfaces
2.4 Bayesian Classification for Normal Distributions
2.5 Estimation of Unknown Probability Density Functions
2.6 The Nearest Neighbor Rule
2.7 Bayesian Networks
2.8 Problems
References

CHAPTER3 Linear Classifiers
3.1 Introduction
3.2 Linear Discriminant Functions and Decision Hyperplanes
3.3 The Perceptron Algorithm
3.4 Least Squares Methods
3.5 Mean Square Estimation Revisited
3.6 Logistic Discrimination
3.7 Support Vector Machines
3.8 Problems
References

CHAPTER 4 Nonlinear Classifiers
4.1 Introduction
4.2 The XOR Problem
4.3 TheTwo-Layer Perceptron
4.4 Three-Layer Perceptrons
4.5 Algorithms Based on Exact Classification of the Training Set
4.6 The Backpropagation Algorithm
4.7 Variations on the Backpropagation Theme
4.8 The Cost Function Choice
4.9 Choice of the Network Size
4.10 A Simulation Example
4.11 Networks with Weight Sharing
4.12 Generalized Linear Classifiers
4.13 Capacity of the/-Dimensional Space inLinear Dichotomies
4.14 Polynomial Classifiers
4.15 Radial Basis Function Networks
4.16 UniversalApproximators
4.17 Probabilistic Neural Networks
4.18 Support Vector Machines: The Nonlinear Case
4.19 Beyond the SVM Paradigm
4.20 Decision Trees
4.21 Combining Classifiers
4.22 The Boosting Approach to Combine Classifiers
4.23 The Class Imbalance Problem
4.24 Discussion
4.25 Problems
References

CHAPTER5 Feature Selection
5.1 Introduction
5.2 Preprocessing
5.3 The Peaking Phenomenon
5.4 Feature Selection Based on Statistical Hypothesis Testing
5.5 The Receiver Operating Characteristics (ROC) Curve
5.6 Class Separability Measures
5.7 Feature Subset Selection
5.8 Optimal Feature Generation
5.9 Neural Networks and Feature Generation/Selection
5.10 A Hint On Generalization Theory
5.11 The Bayesian Information Criterion
5.12 Problems
References

CHAPTER 6 FEATURE GENERATION Ⅰ：LINEAR TRANSFORMS
CHAPTER 7 FEATURE GENERATION Ⅱ
CHAPTER 8 TEMPLATE MATCHING
CHAPTER 9 CONTEXT-DEPENDENT CLASIFICATION
CHAPTER10 SYSTEM EVALUATION
CHAPTER11 CLUSTERING：BASIC CONCEPTS
CHAPTER12 CLUSTERING ALGORITHMSⅠ：SEQUENTIAL ALGORITHMS
CHAPTER13 CLUSTERING ALGORITHMSⅡ：HIERARCHICAL ALGORITHMS
CHAPTER14 CLUSTERING ALGORITHMSⅢ：SCHEMES BASED ON FUNCTION OPTIMIZATION
CHAPTER15 CLUSTERING ALGORITHMSⅣ
CHAPTER16 CLUSTER VALIDITY
Appendix A Hints form Probability and Statistics
Appendix B Linear Algebra Basics