中国科学技术大学精品教材：模式识别 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

汪增福 著

图书标签:

• 模式识别
• 机器学习
• 人工智能
• 统计学习
• 模式分类
• 图像处理
• 信号处理
• 数据挖掘
• 中国科学技术大学
• 精品教材

出版社： 中国科学技术大学出版社

ISBN：9787312026546

版次：1

商品编码：10339634

包装：平装

开本：16开

出版时间：2010-01-01

用纸：胶版纸

页数：322

字数：370000

正文语种：中文

内容简介

《模式识别》主要介绍统计模式识别和结构模式识别的相关内容。全书由7章组成，第1章为绪论，第2章介绍统计模式识别中的几何方法，着重介绍特征空间的概念和相关分类器的设计方法。第3章介绍统计模式识别中的概率方法，着重介绍最小错误概率分类器、最小风险分类器、纽曼皮尔逊分类器和最小最大分类器以及概率密度函数的参数估计和非参数估计等。第4章讨论典型分类器错误概率的计算问题。第5章讨论无监督情况下的模式识别问题，着重介绍几种典型的聚类算法：基于分裂的聚类方法、基于合并的聚类方法、动态聚类方法、基于核函数的聚类方法和近邻函数值聚类方法等。第6章讨论结构模式识别问题，给出几种典型的文法规则和与之相关联的识别装置，包括有限状态自动机、下推自动机和图灵机等。最后，在第7章对全书进行总结。
《模式识别》可作为电子信息类各专业高年级本科生和硕士研究生模式识别课程的教材，也可供从事模式识别相关研究的教师和科研人员参考。

目录

总序
前言
第1章 绪论
1.1 模式和模式识别
1.2 模式的分类
1.3 模式识别系统的基本构成
1.4 模式识别方法及其分类
1.5 模式识别举例
1.6 本书内容安排

第2章 统计模式识别中的几何方法
2.1 统计分类的基本思想
2.1.1 特征空间和分类器设计
2.1.2 两个例子
2.2 模式的相似性度量和最小距离分类器
2.2.1 相似性度量和距离函数
2.2.2 最小距离分类器
2.3 线性可分情况下的几何分类法
2.3.1 线性判别函数和线性分类器
2.3.2 线性判别函数的参数确定
2.3.3 感知器算法
2.3.4 收敛性定理
2.3.5 梯度下降法
2.3.6 最小平方误差法
2.4 非线性可分情况下的几何分类法
2.4.1 广义线性判别函数法
2.4.2 分段线性判别函数法
2.4.3 非线性判别函数法：位势函数法
2.5 线性可分问题的非迭代解法
2.6 最优分类超平面
本章小结

第3章 统计模式识别中的概率方法
3.1 用概率方法描述分类问题
3.2 几个相关的概念
3.3 最小错误概率判决准则
3.4 最小风险判决规则
3.5 贝叶斯统计判决规则的似然比表现形式
3.5.1 最小错误概率判决规则的似然比表现形式
3.5.2 最小风险判决规则的似然比表现形式
3.6 拒绝判决
3.7 贝叶斯分类器的一般结构
3.8 Neyman-Pearson判决规则
3.9 最小最大判决规则
3.10 基于分段线性化的分类器设计
3.11 正态分布下的分类器设计
3.11.1 正态分布的定义和若干性质
3.11.2 正态分布下的分类器设计
3.12 有监督情况下类条件概率密度的参数估计
3.12.1 最大似然估计
3.12.2 贝叶斯估计和贝叶斯学习
3.13 非监督情况下类条件概率密度的参数估计
3.14 类条件概率密度的非参数估计
3.14.1 非参数估计的基本概念和方法
3.14.2 Parzen窗估计法
3.14.3 Kn-近邻估计法
3.14.4 正交级数副近法
本章小结

第4章 分类器的错误率
4.1 正态分布下的错误率
4.2 样本各维之间统计独立情况下的错误率
4.3 错误率界限的理论估计
4.3.1 Chernoff界限
4.3.2 Bhattacharyya界限
4.4 近邻分类法的错误率
4.5 分类器错误率的实验估计
4.5.1 已训练分类器错误率的实验估计
4.5.2 有限样本情况下分类器错误率的实验估计
本章小结

第5章 统计模式识别中的聚类方法
5.1 聚类分析
5.2 聚类准则
5.2.1 误差平方和准则函数
5.2.2 权平均平方距离和准则函数
5.2.3 类间距离和准则函数
5.2.4 离散度准则函数
5.3 基于分裂的聚类算法
5.3.1 简单增类聚类算法
5.3.2 改进的增类聚类算法
5.4 基于合并的聚类算法
5.5 动态聚类算法
5.5.1 C-均值动态聚类算法（I）
5.5.2 C-均值动态聚类算法（Ⅱ）
5.5.3 ISODATA算法
5.5.4 基于样本和核的相似性度量的动态聚类算法
5.6 基于近邻函数值准则的聚类算法
5.7 最小张树聚类算法
本章小结

第6章 结构模式识别中的句法方法
6.1 模式基元和模式结构的表达
6.2 形式语言基础
6.2.1 集合、集合间的关系和集合运算
6.2.2 符号串和语言
6.2.3 文法
6.2.4 文法的分类
6.3 有限状态自动机
6.3.1 确定的有限状态自动机
6.3.2 非确定的有限状态自动机
6.3.3 有限状态自动机之间的等价
6.3.4 有限状态文法和有限状态自动机
6.4 下推自动机
6.4.1 下推自动机的即时描述
6.4.2 上下文无关文法和下推自动机
6.5 图灵机
6.6 关于语言、文法和自动机的再讨论
6.6.1 语言的命名
6.6.2 从语言构建自动机
6.6.3 语言类型的确定
6.7 句法分析
6.7.1 正向剖析过程的树表示
6.7.2 先验规则引导的树正向剖析算法
6.7.3 基于三角表格的反向剖析算法
6.8 文法推断
6.8.1 正则文法的推断
6.8.2 非正则文法的推断
本章小结

第7章 总结
附录
参考文献

精彩书摘

特征表达特征的表达方式和特征本身密切相关。如果所选择的特征是一组度量和属性特征，那么可以用相应的度量和属性参量构建一个特征向量。其中，每一个相关的度量和属性参量构成该特征向量的一个分量。一定范围内的所有特征向量组成一个特征空间，而前述的特征向量成为该模式空间中的一个点。为叙述方便起见，在不至于引起混淆的情况下今后将这样的特征向量也称为观测样本。和模式空间一般具有很大维数这一点不同，相应特征空间的维数一般很小。这样，通过引入特征抽取和表达这一关键步骤，我们可以实现从模式空间到特征空间的映射；这个映射过程实质上是一个降维的过程。实施降维操作的目的是为了获取输入模式的更本质的特征表达以便于后续的识别与分类。
此外，如果所选择的特征是一组基元特征，则从基元之间的连接关系出发来表达输入模式可能是一种更为恰当的选择。此时，相应的模式可用一个具有一定结构的树或图来表示。当然，通过适当定义基元的度量和属性，输入模式同样也可以用特征向量进行表达，虽然这种表达方式有些时候显得有些牵强。
分类与识别一旦输人模式的特征被选择和抽取，接下来的工作是根据所获得的输入模式的特征描述，判断该输入模式的类别。当一个输入模式可被表征为特征空间中的一个特征向量时，相应的问题被转化为特征空间的分割问题。为了实现对特征空间的正确分割从而解决相应的分类问题，一种做法是进行大量的试验，即在各种观测条件下对待识别对象进行大量的观测，获得待识别对象大量的观测样本；并依据所选择的特征通过特征抽取步骤将这些观测样本映射到相应的特征空间中。然后，根据观测样本所对应的特征向量在特征空间中的分布情况对特征空间实施分割，将其分割成若干个区域，使得每一个区域中尽可能只包含来自同一个类别的样本。通过这种操作，可以在特征空间中的一个分割区域和一个类别之间建立关联。

前言/序言

　　2008年是中国科学技术大学建校五十周年。为了反映五十年来办学理念和特色，集中展示教材建设的成果，学校决定组织编写出版代表中国科学技术大学教学水平的精品教材系列。在各方的共同努力下，共组织选题281种，经过多轮、严格的评审，最后确定50种人选精品教材系列。
　　1958年学校成立之时，教员大部分都来自中国科学院的各个研究所。作为各个研究所的科研人员，他们到学校后保持了教学的同时又作研究的传统。同时，根据“全院办校，所系结合”的原则，科学院各个研究所在科研第一线工作的杰出科学家也参与学校的教学，为本科生授课，将最新的科研成果融人到教学中。五十年来，外界环境和内在条件都发生了很大变化，但学校以教学为主、教学与科研相结合的方针没有变。正因为坚持了科学与技术相结合、理论与实践相结合、教学与科研相结合的方针，并形成了优良的传统，才培养出了一批又一批高质量的人才。
　　学校非常重视基础课和专业基础课教学的传统，也是她特别成功的原因之一。当今社会，科技发展突飞猛进、科技成果日新月异，没有扎实的基础知识，很难在科学技术研究中作出重大贡献。建校之初，华罗庚、吴有训、严济慈等老一辈科学家、教育家就身体力行，亲自为本科生讲授基础课。他们以渊博的学识、精湛的讲课艺术、高尚的师德，带出一批又一批杰出的年轻教员，培养了一届又一届优秀学生。这次人选校庆精品教材的绝大部分是本科生基础课或专业基础课的教材，其作者大多直接或间接受到过这些老一辈科学家、教育家的教诲和影响，因此在教材中也贯穿着这些先辈的教育教学理念与科学探索精神。
　　改革开放之初，学校最先选派青年骨干教师赴西方国家交流、学习，他们在带回先进科学技术的同时，也把西方先进的教育理念、教学方法、教学内容等带回到中国科学技术大学，并以极大的热情进行教学实践，使“科学与技术相结合、理论与实践相结合、教学与科研相结合”的方针得到进一步深化，取得了非常好的效果，培养的学生得到全社会的认可。这些教学改革影响深远，直到今天仍然受到学生的欢迎，并辐射到其他高校。在入选的精品教材中，这种理念与尝试也都有充分的体现。

《中国科学技术大学精品教材：模式识别》一书，旨在为读者系统性地介绍模式识别这一人工智能领域的核心学科。本书内容涵盖了模式识别的理论基础、关键算法以及实际应用，力求使读者在理解基本原理的同时，也能掌握解决实际问题的能力。 内容概览： 本书开篇，将首先深入浅出地阐述模式识别的定义、发展历程及其在当今科技社会中的重要地位。我们将从人类认知和感知能力的仿生学视角出发，引出机器如何通过分析和理解数据来“认识”事物的基本概念。 随后，本书将重点介绍构成模式识别基石的数学和统计学工具。这包括概率论、统计推断、线性代数等，这些理论是理解后续算法的关键。读者将学习如何运用这些工具来描述和量化数据的特征，以及如何构建模型来捕捉数据中的内在规律。 接着，本书将详细讲解各类经典的模式识别算法。这部分内容将按照算法的原理和适用范围进行系统性的梳理，力求全面而深入。 统计模式识别： 这部分将深入探讨基于统计模型的模式识别方法。我们将首先介绍贝叶斯分类器，详细分析其原理、优缺点以及如何进行参数估计。随后，我们将讨论最大似然估计和最大后验估计等参数估计方法。对于高斯分布、多项分布等常见分布模型，本书将进行详细的推导和讲解。此外，非参数统计方法，如k近邻（k-NN）算法，也将被详细介绍，包括其工作原理、距离度量以及k值的选择策略。 句法模式识别： 不同于统计方法，句法模式识别侧重于模式的结构和形状。本书将介绍如何将模式表示为抽象的符号串或结构，以及如何运用形式语言和文法来描述这些结构。这部分内容将包括模式的分解、抽象以及文法的学习等关键技术，并会举例说明其在字符识别、图像分析等领域的应用。 神经网络与深度学习： 随着人工智能的飞速发展，神经网络和深度学习已成为模式识别领域不可或缺的强大工具。本书将从基础的感知机模型讲起，逐步介绍多层前馈网络、卷积神经网络（CNN）、循环神经网络（RNN）等经典网络结构。我们将详细讲解反向传播算法，以及如何利用梯度下降等优化算法来训练神经网络。对于CNN，将深入探讨卷积层、池化层、全连接层等组件的作用，以及它们在图像识别中的核心地位。RNN及其变种（如LSTM、GRU）的原理和应用也将被详尽阐述，尤其是在序列数据处理方面的优势。此外，还会介绍一些常见的深度学习框架和实践技巧。 支持向量机（SVM）： SVM作为一种强大的分类算法，在许多模式识别任务中表现出色。本书将详细讲解SVM的理论基础，包括核函数的概念、软间隔最大化等。读者将理解SVM如何通过寻找最优超平面来进行分类，以及如何处理非线性可分的情况。 聚类分析： 模式识别不仅包括分类，也包括无监督学习中的聚类。本书将介绍各种聚类算法，包括基于划分的聚类（如K-Means）、基于层次的聚类以及基于密度的聚类（如DBSCAN）。我们将讨论聚类算法的原理、优缺点以及如何评估聚类结果。 关键技术与方法： 除了上述核心算法，本书还将深入探讨模式识别过程中的关键技术和方法： 特征提取与选择： 成功的模式识别很大程度上依赖于有效的特征表示。本书将介绍各种特征提取技术，包括手工设计的特征（如SIFT、HOG）以及通过神经网络自动学习的特征。同时，还将讨论特征选择的重要性，以及如何选择最具有判别能力的特征子集，以提高识别精度和效率。 分类器设计与评估： 本书将指导读者如何根据实际问题选择合适的分类器，并详细介绍各种评估指标，如准确率、召回率、F1分数、ROC曲线等，以及如何对模型的性能进行科学的评估和比较。 降维技术： 在高维数据环境中，降维是提高算法效率和泛化能力的关键。本书将介绍主成分分析（PCA）、线性判别分析（LDA）等常用的降维技术，并分析它们的适用场景。 应用领域： 本书的内容将不仅仅局限于理论，还将结合丰富的实际应用案例，让读者更直观地理解模式识别的强大能力。这些应用领域包括但不限于： 图像识别与计算机视觉： 人脸识别、物体检测、场景理解、医学影像分析等。 语音识别与自然语言处理： 语音助手、文本分类、情感分析、机器翻译等。 生物信息学： 基因序列分析、蛋白质结构预测等。 遥感图像处理： 地物分类、变化检测等。 金融风险评估与欺诈检测。 学习方法与目标： 本书在编写过程中，力求做到循序渐进，由浅入深。每章节都配有清晰的理论讲解、数学推导以及精心设计的例题和习题，帮助读者巩固所学知识。我们鼓励读者在学习过程中，动手实践，运用所学算法解决实际问题。 通过阅读本书，读者将能够： 1. 理解模式识别的核心概念、基本理论和关键算法。 2. 掌握常用模式识别算法的原理、实现方法和适用范围。 3. 具备独立分析和设计模式识别系统的基本能力。 4. 了解模式识别在各个领域的广泛应用，并能将所学知识应用于解决实际问题。 本书适合高等院校相关专业本科生、研究生，以及从事人工智能、机器学习、计算机视觉等领域研究和开发的工程师参考阅读。我们相信，本书将为读者打开通往智能世界的大门，激发对模式识别更深层次的探索和研究。

评分☆☆☆☆☆

我购买这本书的初衷，是为了准备一次重要的技术面试。面试官暗示我，在模式识别领域，有一本“标杆性”的教材是必须掌握的。经过一番打听，我锁定了这本《中国科学技术大学精品教材：模式识别》。这本书的语言严谨而不失逻辑，每一页都充满了智慧。我最欣赏它的一点是，它并没有回避模式识别中一些核心的数学理论，而是将其以一种清晰、系统的方式呈现出来。例如，在介绍贝叶斯分类器时，书中详细阐述了先验概率、后验概率以及似然函数等概念，并给出了完整的推导过程。这让我对概率论和数理统计在模式识别中的应用有了更深刻的认识。同时，书中对于各种算法的比较分析也非常到位，它不会仅仅罗列算法，而是会深入分析不同算法的优势和劣势，以及它们在不同应用场景下的表现。这种批判性的分析，对于我理解和选择合适的算法非常有帮助。

评分☆☆☆☆☆

我之前对模式识别的理解非常有限，只知道它和人工智能有点关系，但具体是什么，能做什么，我一点概念都没有。偶然间在网上看到有人推荐《中国科学技术大学精品教材：模式识别》，抱着试一试的心态买了下来。这本书的内容真的让我大开眼界。开篇就用通俗易懂的语言解释了什么是模式，什么是识别，以及我们日常生活中哪些地方都在应用模式识别技术。我记得书中举了一个例子，关于如何区分猫和狗的图片，作者通过介绍特征提取、分类器设计等步骤，一步步地揭示了背后的原理。这种从“是什么”到“怎么做”的清晰逻辑，让我这个门外汉也能够逐渐理解。书中对各个算法的描述，都配有详细的数学公式和推导，但作者又很巧妙地穿插了一些通俗的解释，让我在理解数学公式的同时，也能把握其核心思想。这本书的知识点非常密集，但又不会让人觉得枯燥乏味，因为它始终围绕着“模式识别”这个核心主题展开。

评分☆☆☆☆☆

这本书的出现，对于我这样希望在人工智能领域有所建树的开发者来说，无异于一股清流。它不仅仅是理论的堆砌，更是方法论的梳理。我非常喜欢书中对于“误差度量”和“模型评估”部分的讲解。作者清晰地阐述了准确率、召回率、F1分数等评价指标的含义，以及它们在不同场景下的适用性。而且，书中还详细介绍了交叉验证等模型评估技术，这对于防止模型过拟合、提高模型的泛化能力具有重要的指导意义。我记得书中还提及了一些关于“贝叶斯决策理论”的深入讨论，这让我对模式识别的统计学基础有了更深刻的认识。整体而言，这本书的逻辑严密，内容扎实，知识体系完整，非常适合想要系统学习模式识别的读者。它不仅仅是一本书，更像是一个指导我深入研究模式识别领域的地图。

评分☆☆☆☆☆

这本书给我最深刻的印象是它内容的深度和广度。我一直认为，一本真正好的教材，应该能够带领读者触及知识的本质，而不是停留在表面的介绍。而《中国科学技术大学精品教材：模式识别》恰恰做到了这一点。书中对于各种模式识别算法的讲解，不仅阐述了其原理，更深入地分析了其数学基础，包括贝叶斯理论、统计学方法、线性代数等，这些都以一种非常严谨的方式呈现出来。我记得在讲解支持向量机（SVM）的那一章节，作者花了相当大的篇幅来阐述核函数的概念以及其在高维空间中的映射原理，这让我对SVM的理解上升到了一个新的高度。之前我只知道SVM是一个强大的分类器，但通过这本书，我才真正理解了它背后深邃的数学思想。同时，书中还涵盖了诸如决策树、神经网络、聚类分析等多种重要的模式识别技术，并且对它们各自的优缺点、适用场景以及相互之间的联系进行了详细的比较和分析，这种全局性的视角，极大地拓宽了我的知识视野。

评分☆☆☆☆☆

我是一名在职的工程师，利用业余时间学习一些新的技术领域，以保持自己的竞争力。在选择模式识别的入门书籍时，我经历了一个相当漫长的筛选过程。我对比了市面上几十本同类书籍，但很多都显得过于学术化，或者过于浅显。直到我发现了这本《中国科学技术大学精品教材：模式识别》。它的语言风格非常独特，既有学术论文的严谨，又不乏教学的生动性。书中穿插了大量的图表和示意图，这些可视化元素极大地帮助我理解了抽象的概念。例如，在讲解k-means聚类算法时，书中用非常形象的动态图展示了聚类中心和簇的不断迭代更新过程，这比单纯的文字描述要直观得多。而且，书中还列举了许多实际的应用案例，比如图像识别、语音识别、生物信息学等，让我能够将书本上的理论知识与现实世界中的问题联系起来，这对我来说，是非常宝贵的。这些案例的引入，不仅增加了学习的趣味性，更让我看到了模式识别技术的巨大潜力和价值。

评分☆☆☆☆☆

这本书的封面设计给我留下了深刻的第一印象。简洁而又不失专业感，那种经典的蓝白配色，配合着“中国科学技术大学精品教材”的烫金字体，立刻就传递出一种严谨、权威的学术气息。我是在一个偶然的机会，在学校图书馆的书架上发现它的，当时就被它“精品教材”的定位吸引住了。拿到手里，纸张的质感也相当不错，厚实而有韧性，翻页的时候感觉很顺滑，书页的印刷清晰，字迹工整，没有丝毫的模糊不清，这对于需要长时间阅读和学习的教材来说，实在是太重要了。封底的简介虽然不多，但字里行间透露出的系统性和深度，让我对接下来的阅读充满了期待。我一直对模式识别这个领域很感兴趣，总觉得它在人工智能的基石地位上扮演着至关重要的角色，而一本出自名校、被誉为“精品”的教材，无疑是我学习这个领域的最佳选择。我之前也接触过一些关于模式识别的资料，但总感觉零散，缺乏一个系统的框架，这本书的出现，恰好弥补了我的这一需求。我非常期待它能够带我进入一个更加广阔和深入的模式识别世界。

评分☆☆☆☆☆

我是在一个学期开始前，为了应对即将到来的专业课程而特意寻找的。我的导师在推荐教材的时候，多次提到了“中国科学技术大学精品教材”系列，并特别强调了其中一些在人工智能和计算机科学领域具有里程碑意义的著作。当我看到《模式识别》这本书的标题时，我的直觉告诉我，这就是我需要的。这本书的排版设计非常考究，每一章节的划分都显得格外清晰，逻辑性极强。在内容组织上，它并没有一开始就陷入过于晦涩的数学推导，而是先从模式识别的基本概念、发展历程以及应用领域入手，循序渐进地引导读者进入主题。这种“由浅入深”的学习方式，对于我这种初学者来说，简直是福音。我特别欣赏书中对各个章节内容的概括和总结，这使得我在阅读过程中，能够随时回顾和巩固已学知识，而不至于迷失在细节之中。而且，每一章节后面都配有一定数量的习题，这些习题的难度梯度设置得也很好，既有巩固基础的简单题，也有启发思考的综合题，能够有效地检验我的学习效果，并帮助我发现自己理解上的盲点。

评分☆☆☆☆☆

在阅读《中国科学技术大学精品教材：模式识别》之前，我对模式识别的印象还停留在一些比较基础的图像处理概念上。这本书彻底改变了我的认知。它就像一位经验丰富的导师，循序渐进地引领我探索模式识别的广阔天地。我尤其对书中关于“分类器设计”那一章印象深刻。书中详细讲解了各种经典分类器的原理，比如逻辑回归、感知机、以及后来提到的更复杂的支持向量机。作者在讲解这些算法时，不仅给出了严谨的数学推导，还辅以直观的几何解释，让我能够从不同的角度去理解。我记得书中用图示的方式展示了超平面如何分隔不同类别的样本，这种可视化讲解非常有助于建立直观的理解。而且，书中还讨论了过拟合和欠拟合的问题，以及如何通过正则化等技术来解决，这对于构建鲁棒的模型至关重要。

评分☆☆☆☆☆

我喜欢阅读知识性强的书籍，尤其是在计算机科学领域。当我听说《中国科学技术大学精品教材：模式识别》是一本“精品教材”时，我的兴趣就被点燃了。拿到这本书，我首先被它严谨的学术风格所吸引。书中对每一个概念的定义都非常精确，每一个定理的推导都滴水不漏。我特别赞赏书中对“特征选择”和“特征提取”的论述，这部分内容对于理解如何将原始数据转化为有意义的信息至关重要。书中列举了多种经典的特征提取方法，比如傅里叶变换、小波变换等，并对它们的原理和适用范围进行了详细的介绍。此外，书中还对一些非监督学习的模式识别方法，如聚类分析，进行了深入的探讨。这些内容对于我理解数据的内在结构和规律非常有帮助。整本书的知识体系非常完整，从理论基础到实际应用，都涵盖得淋漓尽致。

评分☆☆☆☆☆

我是一名研究生，主攻方向与模式识别有交叉。在导师的推荐下，我开始研读这本《中国科学技术大学精品教材：模式识别》。这本书的结构安排非常合理，从最基础的统计决策理论，到后来更复杂的机器学习方法，都进行了系统性的梳理。我尤其喜欢书中关于“降维”技术部分的讲解，PCA、LDA等算法的推导过程清晰明了，并且对它们在实际应用中的效果进行了详细的论述。更让我惊喜的是，书中还提及了一些前沿的模式识别技术，虽然只是点到为止，但已经足以激发我的进一步研究兴趣。比如，在神经网络那一章，除了传统的BP神经网络，还简要介绍了深度学习的基本思想，并将其与模式识别的范畴联系起来。这让我意识到，这本书不仅仅是一本经典的教材，更是一扇通往最新研究领域的大门。书中参考文献的引用也非常广泛，为我后续进行更深入的文献调研提供了便利。

评分☆☆☆☆☆

经典必读！经典必读！经典必读！经典必读！

评分☆☆☆☆☆

经典必读！经典必读！经典必读！经典必读！

评分☆☆☆☆☆

我从图书馆里借了很多本关于模式识别的书，相互比较后还是觉得这本比较靠谱，讲得很有系统啊，外国人写的伤不起啊，各种方法罗列玩书就结束了，这一本思路很清晰，最后还有张模式识别学科结构图啊~~~~~·

评分☆☆☆☆☆

不错？不错？不错？不错？不错？不错？

评分☆☆☆☆☆

还好

评分☆☆☆☆☆

模式识别专业课必备啊，很好的计算机模式识别书籍，学习棒棒哒。。。

评分☆☆☆☆☆

还没阅读完

评分☆☆☆☆☆

研究生和科研工作者

评分☆☆☆☆☆

整体看了一遍，感觉概念比较清楚，逻辑性比较强，使人对模式识别建立起总体概念。个人认为学模式识别可以从此书入手，再看其他教材学习具体算法。