Titre :	Introduction to statistical pattern recognition
Type de document :	texte imprimé
Auteurs :	Keinosuke Fukunaga
Mention d'édition :	2e éd.
Editeur :	Academic press
Année de publication :	1990
Collection :	Computer science and scientific computing
Importance :	1 vol. (591 p.)
Présentation :	ill.
Format :	24 cm
ISBN/ISSN/EAN :	978-0-12-269851-4
Catégories :	Informatique
Mots-clés :	Perception des structures Prise de décision: Modèles mathématiques Statistique mathématique Reconnaissance multivues: Méthodes statistiques Perception des formes : Méthodes statistiques Pattern recognition
Index. décimale :	006.4 Reconnaissance des formes par ordinateur
Résumé :	Cette deuxième édition entièrement révisée présente une introduction à la reconnaissance des formes statistiques. La reconnaissance de formes en général couvre un large éventail de problèmes: elle est appliquée à des problèmes d'ingénierie, tels que les lecteurs de caractères et l'analyse des formes d'onde ainsi que la modélisation du cerveau en biologie et en psychologie. La décision et l'estimation statistiques, qui sont les principaux sujets de ce livre, sont considérées comme fondamentales pour l'étude de la reconnaissance des formes. Ce livre est approprié comme texte pour les cours d'introduction à la reconnaissance des formes et comme livre de référence pour les travailleurs sur le terrain. Chaque chapitre contient des projets informatiques ainsi que des exercices.
Note de contenu :	Sommaire Preface Acknowledgments Chapter 1 Introduction 1.1 Formulation of Pattern Recognition Problems 1.2 Process of Classifier Design Notation References Chapter 2 Random Vectors and Their Properties 2.1 Random Vectors and Their Distributions 2.2 Estimation of Parameters 2.3 Linear Transformation 2.4 Various Properties of Eigenvalues and Eigenvectors Computer Projects Problems References Chapter 3 Hypothesis Testing 3.1 Hypothesis Tests for Two Classes 3.2 Other Hypothesis Tests 3.3 Error Probability in Hypothesis Testing 3.4 Upper Bounds on the Bayes Error 3.5 Sequential Hypothesis Testing Computer Projects Problems References Chapter 4 Parametric Classifiers 4.1 The Bayes Linear Classifier 4.2 Linear Classifier Design 4.3 Quadratic Classifier Design 4.4 Other Classifiers Computer Projects Problems References Chapter5 Parameter Estimation 5.1 Effect of Sample Size in Estimation 5.2 Estimation of Classification Errors 5.3 Holdout, Leave-One-Out, and Resubstitution Methods 5.4 Bootstrap Methods Computer Projects Problems References Chapter 6 Nonparametric Density Estimation 6.1 Parzen Density Estimate 6.2 kNearest Neighbor Density Estimate 6.3 Expansion by Basis Functions Computer Projects Problems References Chapter 7 Nonparametric Classification and Error Estimation 7.1 General Discussion 7.2 Voting kNN Procedure — Asymptotic Analysis 7.3 Voting kNN Procedure — Finite Sample Analysis 7.4 Error Estimation 7.5 Miscellaneous Topics in the kNN Approach Computer Projects Problems References Chapter 8 Successive Parameter Estimation 8.1 Successive Adjustment of a Linear Classifier 8.2 Stochastic Approximation 8.3 Successive Bayes Estimation Computer Projects Problems References Chapter 9 Feature Extraction and Linear Mapping for Signal Representation 9.1 The Discrete Karhunen-Loéve Expansion 9.2 The Karhunen-Loéve Expansion for Random Processes 9.3 Estimation of Eigenvalues and Eigenvectors Computer Projects Problems References Chapter 10 Feature Extraction and Linear Mapping for Classification 10.1 General Problem Formulation 10.2 Discriminant Analysis 10.3 Generalized Criteria 10.4 Nonparametric Discriminant Analysis 10.5 Sequential Selection of Quadratic Features 10.6 Feature Subset Selection Computer Projects Problems References Chapter 11 Clustering 11.1 Parametric Clustering 11.2 Nonparametric Clustering 11.3 Selection of Representatives Computer Projects Problems ReferencesAppendix A Derivatives of Matrices Appendix B Mathematical Formulas Appendix C Normal Error Table Appendix D Gamma Function Table Index
Côte titre :	Fs/19779

Introduction to statistical pattern recognition [texte imprimé] / Keinosuke Fukunaga  . -  2e éd. . - Florida : Academic press, 1990 . - 1 vol. (591 p.) : ill. ; 24 cm. - (Computer science and scientific computing) .
ISBN : 978-0-12-269851-4

Catégories :	Informatique
Mots-clés :	Perception des structures Prise de décision: Modèles mathématiques Statistique mathématique Reconnaissance multivues: Méthodes statistiques Perception des formes : Méthodes statistiques Pattern recognition
Index. décimale :	006.4 Reconnaissance des formes par ordinateur
Résumé :	Cette deuxième édition entièrement révisée présente une introduction à la reconnaissance des formes statistiques. La reconnaissance de formes en général couvre un large éventail de problèmes: elle est appliquée à des problèmes d'ingénierie, tels que les lecteurs de caractères et l'analyse des formes d'onde ainsi que la modélisation du cerveau en biologie et en psychologie. La décision et l'estimation statistiques, qui sont les principaux sujets de ce livre, sont considérées comme fondamentales pour l'étude de la reconnaissance des formes. Ce livre est approprié comme texte pour les cours d'introduction à la reconnaissance des formes et comme livre de référence pour les travailleurs sur le terrain. Chaque chapitre contient des projets informatiques ainsi que des exercices.
Note de contenu :	Sommaire Preface Acknowledgments Chapter 1 Introduction 1.1 Formulation of Pattern Recognition Problems 1.2 Process of Classifier Design Notation References Chapter 2 Random Vectors and Their Properties 2.1 Random Vectors and Their Distributions 2.2 Estimation of Parameters 2.3 Linear Transformation 2.4 Various Properties of Eigenvalues and Eigenvectors Computer Projects Problems References Chapter 3 Hypothesis Testing 3.1 Hypothesis Tests for Two Classes 3.2 Other Hypothesis Tests 3.3 Error Probability in Hypothesis Testing 3.4 Upper Bounds on the Bayes Error 3.5 Sequential Hypothesis Testing Computer Projects Problems References Chapter 4 Parametric Classifiers 4.1 The Bayes Linear Classifier 4.2 Linear Classifier Design 4.3 Quadratic Classifier Design 4.4 Other Classifiers Computer Projects Problems References Chapter5 Parameter Estimation 5.1 Effect of Sample Size in Estimation 5.2 Estimation of Classification Errors 5.3 Holdout, Leave-One-Out, and Resubstitution Methods 5.4 Bootstrap Methods Computer Projects Problems References Chapter 6 Nonparametric Density Estimation 6.1 Parzen Density Estimate 6.2 kNearest Neighbor Density Estimate 6.3 Expansion by Basis Functions Computer Projects Problems References Chapter 7 Nonparametric Classification and Error Estimation 7.1 General Discussion 7.2 Voting kNN Procedure — Asymptotic Analysis 7.3 Voting kNN Procedure — Finite Sample Analysis 7.4 Error Estimation 7.5 Miscellaneous Topics in the kNN Approach Computer Projects Problems References Chapter 8 Successive Parameter Estimation 8.1 Successive Adjustment of a Linear Classifier 8.2 Stochastic Approximation 8.3 Successive Bayes Estimation Computer Projects Problems References Chapter 9 Feature Extraction and Linear Mapping for Signal Representation 9.1 The Discrete Karhunen-Loéve Expansion 9.2 The Karhunen-Loéve Expansion for Random Processes 9.3 Estimation of Eigenvalues and Eigenvectors Computer Projects Problems References Chapter 10 Feature Extraction and Linear Mapping for Classification 10.1 General Problem Formulation 10.2 Discriminant Analysis 10.3 Generalized Criteria 10.4 Nonparametric Discriminant Analysis 10.5 Sequential Selection of Quadratic Features 10.6 Feature Subset Selection Computer Projects Problems References Chapter 11 Clustering 11.1 Parametric Clustering 11.2 Nonparametric Clustering 11.3 Selection of Representatives Computer Projects Problems ReferencesAppendix A Derivatives of Matrices Appendix B Mathematical Formulas Appendix C Normal Error Table Appendix D Gamma Function Table Index
Côte titre :	Fs/19779