第二章：统计判别 目录
贝叶斯判别 目录
贝叶斯最小风险判别 目录
正态分布模式的贝叶斯分类器 目录
样本训练与参数估计 目录
线性代数基础知识 目录
迭代运算进行估计 目录
贝叶斯学习方法进行估计 目录
第三章：判别函数 目录
线性判别函数 目录
分类问题的三种情况 目录
广义线性判别函数 目录
分段线性判别函数 目录
模式空间与权空间 目录
Fisher线性判别 目录
线性判别函数学习算法 目录
感知器算法 目录
LMSE算法 目录
模式类别可分性的判别条件 目录
可分性判别实例 目录
感知器算法 vs. LMSE算法 目录
-
固定增量算法：实现相对简单，可直接引伸到多类模式的分类情况，但未提供模式线性可分的测试特征；
-
LMSE算法：相对复杂，需要对XTX求逆（维数高时求逆比较困难），但对两类情况，提供了线性可分的测试特征。
第四章：特征选择与提取 目录
特征选择 目录
对于独立特征的选择准则 目录
一般特征的散布矩阵准则 目录
特征提取 目录
K-L变换 目录
K-L变换思想：
如何将X进行正交展开？
求解模式向量a：
