第一部分 基础知识

第1章 模式识别：特征空间的构建

1.1 概念

1.2 从样本到特征

1.2.1 向量型特征

1.2.2 特征变换：从向量型到向量型

1.2.3 特征变换：从向量型到数值型

1.2.4 数值型特征

1.3 特征尺度化

1.3.1 特征归一化

1.3.2 标准化

1.3.3 特征尺度的经验评价

1.4 特征评估和选择

1.4.1 相关性

1.4.2 特征评估：两种方法

1.4.3 基于指数的特征评估：单特征与特征集

1.4.4 特征评估指数

1.4.5 基于指数的方法和基于包装的方法

1.4.6 使用指数和分类器的单特征评估方案

1.4.7 特征子集的选择

1.4.8 特征子集的生成

1.5 结论

附录1.A

附录1.B

参考文献

第2章 模式识别：分类器

2.1 概念

2.2 最近邻分类方法

2.3 支持向量机分类算法

2.3.1 线性可分类的线性划分

2.3.2 线性不可分类的线性划分

2.3.3 线性不可分类的非线性划分

2.4 分类问题中的决策树

2.4.1 决策树一览

2.4.2 特征分解

2.4.3 度量类的差异性

2.4.4 选择一个分解特征

2.4.5 限制树的结构

2.5 集成分类器

2.5.1 袋装

2.5.2 提升

2.5.3 随机森林

2.6 贝叶斯分类器

2.6.1 应用贝叶斯理论

2.6.2 最小化错分概率

2.6.3 最小化损失

2.6.4 拒绝不确定样本

2.6.5 类条件概率分布

2.7 结论

参考文献

第3章 分类拒绝问题规范及概述

3.1 概念

3.2 拒绝架构的概念

3.3 基于原始样本的拒绝

3.3.1 构建拒绝机制

3.3.2 全局拒绝架构下的拒绝机制

3.3.3 局部拒绝架构下的拒绝机制

3.3.4 嵌入式拒绝架构下的拒绝机制

3.4 原始样本数据集中的拒绝选项：案例研究

3.4.1 数据集

3.4.2 构建一个树形二值分类器

3.4.3 针对手写数字数据集构建一个树形二值分类器

3.4.4 针对手写数字数据集构建一个带拒绝的树形二值分类器

3.4.5 拒绝被错分的原始样本：一些想法

3.5 结论

参考文献

第4章 评估模式识别问题

4.1 评估带拒绝项的识别：基本概念

4.1.1 评估拒绝的效率

4.1.2 不平衡原始集与异类集

4.1.3 度量拒绝质量的有效性

4.1.4 分离原始样本和异类样本

4.1.5 对多类原始样本的适应

4.1.6 评估带拒绝项的多类分类问题

4.1.7 说明性示例

4.2 没有异类样本时带拒绝的分类问题

4.3 带拒绝的分类：局部特征

4.3.1 多类问题的特性描述

4.3.2 说明性示例

4.4 结论

参考文献

第5章 带拒绝的识别：经验分析

5.1 实验结果

5.1.1 拒绝架构的对比

5.1.2 减少特征集数量

5.1.3 分类器质量与拒绝性能

5.1.4 用于处理不平衡数据集的带拒绝的分类

5.2 几何方法

5.2.1 超矩形

5.2.2 椭球体

5.2.3 在几何模型中限制为原始样本保留的区域

5.2.4 文献评论

5.3 结论

参考文献

第二部分 高级主题：粒度计算框架

第6章 信息粒的概念

6.1 信息粒度和粒度计算

6.2 信息粒度的正式平台

6.3 区间和区间微积分

6.4 模糊集微积分

6.4.1 模糊集的隶属函数和类

6.4.2 三角范数和三角余模作为模糊集上运算的模型

6.5 信息粒的特征：覆盖率和特异性

6.6 信息粒匹配

6.7 结论

参考文献

第7章 信息粒：基本构造

7.1 合理粒度原则

7.1.1 一般观察

7.1.2 加权数据

7.1.3 抑制性数据

7.2 对设计有价值的信息粒度

7.2.1 粒映射

7.2.2 信息粒度分配协议

7.2.3 粒度聚合：通过分配信息粒度增强聚合操作

7.3 时间序列模型中暂存数据的单步和多步预测

7.4 高级类型的粒模型的开发

7.5 粒样本的分类

7.5.1 分类问题的公式化

7.5.2 从数值数据到粒数据

7.5.3 粒分类器：增强问题

7.6 结论

参考文献

第8章 聚类

8.1 模糊c均值聚类方法

8.2 k均值聚类算法

8.3 带有聚类和变量加权的增强模糊聚类

8.4 基于知识的聚类

8.5 聚类结果的质量

8.6 信息粒与聚类结果解释

8.6.1 数字原型的粒度描述符的形成

8.6.2 数据粒度及其在FCM算法中的融合

8.7 层次聚类

8.8 隐私问题中的信息粒：微聚集的概念

8.9 更高类型信息粒的开发

8.10 实验研究

8.11 结论

参考文献

第9章 数据质量：填补和数据平衡

9.1 数据填补：基本概念和关键问题

9.2 填补方法的选定类别

9.3 利用信息粒进行填补

9.4 基于合理粒度原则的颗粒填补

9.5 基于模糊聚类的颗粒填补

9.6 系统建模中的数据填补

9.7 不平衡数据及其粒度特征

9.7.1 数据平衡的主要方法：概述

9.7.2 过采样数据的粒度表示

9.8 结论

参考文献