目录 第1章 绪论 1.1 模式和模式识别的概念 1.2 模式空间、特征空间和类型空间 1.3 模式识别系统的构成 1.3.1 信息获取 1.3.2 预处理 1.3.3 特征提取和选择 1.3.4 分类决策 1.4 物体的结构表示 1.5 图片识别问题 第2章 模式识别中的基本决策方法 2.1 基于最小错误率的贝叶斯决策 2.2 分类器设计 2.2.1 多类情况 2.2.2 两类情况 2.3 关于分类器的错误率 2.4 关于贝叶斯决策 2.5 线性判别函数的基本概念 2.6 设计线性分类器的主

第1章 绪论 1.1 模式和模式识别的概念 1.2 模式空间、特征空间和类型空间 1.3 模式识别系统的构成 1.3.1 信息获取 1.3.2 预处理 1.3.3 特征提取和选择 1.3.4 分类决策 1.4 物体的结构表示 1.5 图片识别问题 第2章 模式识别中的基本决策方法 2.1 基于最小错误率的贝叶斯决策 2.2 分类器设计 2.2.1 多类情况 2.2.2 两类情况 2.3 关于分类器的错误率 2.4 关于贝叶斯决策 2.5 线性判别函数的基本概念 2.6 设计线性分类器的主要步骤

如何合并基础分类器的输出是集成学习中的关键问题。 本文提出了一种动态分类器集成方法，称为DCE-CC。 它根据分类置信度为测试样本动态选择分类器的子集。 基本分类器的权重是通过优化训练集上的边距分布来学习的，并利用有序聚合技术来估计适当子集的大小。 我们在一些基准分类任务上研究了所提出的融合方法，其中分别使用稳定的最近邻规则和不稳定的C4.5决策树算法来生成基本分类器。 与其他一些多分类器融合算法相比，实验结果表明了该方法的有效性。 然后我们从边距分布的角度解释了实验结果。