《模式识别（第四版）》是2010年电子工业出版社出版的图书，作者是西奥多里蒂斯。
本书由模式识别领域的两位顶级专家合著，全面阐述了模式识别的基础理论、最新方法、以及各种应用。
作　者：(希)SergiosTheodoridis/(希)KonstantinosKoutroumbas，李晶皎等译第1章导论1.1模式识别的重要性1.2特征、特征向量和分类器1.3有监督、无监督和半监督学习1.4MATLAB程序1.5本书的内容安排第2章基于贝叶斯决策理论的分类器2.1引言2.2贝叶斯决策理论2.3判别函数和决策面2.4正态分布的贝叶斯分类2.5未知概率密度函数的估计2.6最近邻规则2.7贝叶斯网络习题MATLAB编程和练习参考文献第3章线性分类器3.1引言3.2线性判别函数和决策超平面3.3感知器算法3.4最小二乘法3.5均方估计的回顾3.6逻辑识别3.7支持向量机习题MATLAB编程和练习参考文献第4章非线性分类器4.1引言4.2异或问题4.3两层感知器4.4三层感知器4.5基于训练集准确分类的算法4.6反向传播算法4.7反向传播算法的改进4.8代价函数选择4.9神经网络大小的选择4.10仿真实例4.11具有权值共享的网络4.12线性分类器的推广4.13线性二分法中1维空间的容量4.14多项式分类器4.15径向基函数网络4.16通用逼近4.17概率神经元网络4.18支持向量机：非线性格况4.19超越SVM的范例4.20决策树4.21合并分类器4.22合并分类器的增强法4.23类的不平衡问题4.24讨论习题MATLAB编程和练习参考文献第5章特征选择5.1引言5.2预处理5.3峰值现象5.4基于统计假设检验的特征选择5.5接收机操作特性（ROC）曲线5.6类可分性测量5.7特征子集的选择5.8最优特征生成5.9神经网络和特征生成/选择5.10推广理论的提示5.11贝叶斯信息准则习题MATLAB编程和练习参考文献第6章特征生成I：线性变换6.1引言6.2基本向量和图像6.3Karhunen-Loève变换6.4奇异值分解6.5独立成分分析6.6非负矩阵因子分解6.7非线性维数降低6.8离散傅里叶变换（DFT）6.9离散正弦和余弦变换6.10Hadamard变换6.11Haar变换6.12回顾Haar展开式6.13离散时间小波变换（DTWT）6.14多分辨解释6.15小波包6.16二维推广简介6.17应用习题MATLAB编程和练习参考文献第7章特征生成II7.1引言7.2区域特征7.3字符形状和大小的特征7.4分形概述7.5语音和声音分类的典型特征习题MATLAB编程和练习参考文献第8章模板匹配8.1引言8.2基于最优路径搜索技术的测度8.3基于相关的测度8.4可变形的模板模型8.5基于内容的信息检索：相关反馈习题MATLAB编程和练习参考文献第9章上下文相关分类9.1引言9.2贝叶斯分类器9.3马尔可夫链模型9.4Viterbi算法9.5信道均衡9.6隐马尔可夫模型9.7状态驻留的HMM9.8用神经网络训练马尔可夫模型9.9马尔可夫随机场的讨论习题MATLAB编程和练习参考文献第10章监督学习：尾声10.1引言10.2误差计算方法10.3探讨有限数据集的大小10.4医学图像实例研究10.5半监督学习习题参考文献第11章聚类：基本概念11.1引言11.2近邻测度习题参考文献第12章聚类算法I：顺序算法12.1引言12.2聚类算法的种类12.3顺序聚类算法12.4BSAS的改进12.5两个阈值的顺序方法12.6改进阶段12.7神经网络的实现习题MATLAB编程和练习参考文献第13章聚类算法II：层次算法13.1引言13.2合并算法13.3cophenetic矩阵13.4分裂算法13.5用于大数据集的层次算法13.6最佳聚类数的选择习题MATLAB编程和练习参考文献第14章聚类算法III：基于函数最优方法14.1引言14.2混合分解方法14.3模糊聚类算法14.4可能性聚类14.5硬聚类算法14.6向量量化附录习题MATLAB编程和练习参考文献第15

首先产生若干种群（特征子集），然后用PSO算法对特征及参数进行优化。
在UCI标准数据集上进行的仿真实验表明，该算法可无效地找出合适的特征子集及LS-SVM参数，且与基于遗传算法的最小二乘支持向量机算法（GALS-SVM）和传统的LS-SVM算法相比具有较好的分类效果。

首先产生若干种群（特征子集），然后用PSO算法对特征及参数进行优化。
在UCI标准数据集上进行的仿真实验表明，该算法可无效地找出合适的特征子集及LS-SVM参数，且与基于遗传算法的最小二乘支持向量机算法（GALS-SVM）和传统的LS-SVM算法相比具有较好的分类效果。

FEAST算法是特征选择算法的一种，全称叫aFEAtureSelectionToolboxforCandMATLAB算法，FEAST提供了基于共同信息的滤波特征选择算法的实现，通过特征选择，可以协助我们筛选出有用的特征，减少模型训练时间。
函数已经打包好，在matlab中直接调用即可，输入想要的特征个数，会自动返回最优的特征，并且会有一个从优到劣的排序。
这是2017年更新的最新版本v2.0.0的全部源代码。

针对海面背景舰船目标单一波段图像识别率低的问题,提出了一种基于卷积神经网络(CNN)的融合识别方法。
该方法提取可见光、中波红外和长波红外3个波段舰船目标特征进行融合识别。
模型次要分为3个步骤：通过设计的6层CNN,同时对三波段图像进行特征提取;利用基于互信息的特征选择方法对串联的三波段特征向量按照重要性进行排序,并按照图像清晰度评价指标选取固定长度的特征向量作为目标识别依据;通过额外的2个全连接层和输出层进行回归训练。
采用自建的三波段舰船图像数据库进行模型的训练和测试,共包含6类目标,5000余张图像。
实验结果表明,本文方法识别率达到84.5%,与单波段识别方法相比有明显提升。

由c言语实现的最大相关最下冗余的特征选择算法源码部分。

特征选择方法中的Relief算法，利用python完成。
可用于二分类标签的特征降维。

针对表征矿物浮选工况的泡沫图像特征冗余性大的问题,提出了一种无监督约简的浮选泡沫图像特征选择方法.该方法首先定义敏感性指数,并基于敏感性指数约简得到与工况相关的敏感图像特征集;然后针对敏感图像特征之间的自相关性,提出基于粗糙集属性重要度的敏感图像特征集约简方法;最初将该方法应用于金锑浮选过程,并利用工业现场数据进行测试,证明了该方法的有效性,为基于机器视觉的浮选过程监控创造了条件.

支持向量机是数据挖掘中的一个新方法。
支持向量机能非常成功地处理回归问题(时间序列分析)和模式识别(分类问题、判别分析)等诸多问题，并可推广于预测和综合评价等领域，因此可应用于理科、工科和管理等多种学科。
目前国际上支持向量机在理论研究和实际应用两方面都正处于飞速发展阶段。
希望《数据挖掘中的新方法——支持向量机》能促进它在我国的普及与提高。
《数据挖掘中的新方法——支持向量机》对象既包括关心理论的研究工作者，也包括关心应用的实际工作者。
对于有关领域的具有高等数学知识的实际工作者，略去书中的某些理论部分，仍能对支持向量机的本质有一个概括的理解，从而用它解决自己的问题。
《数据挖掘中的新方法——支持向量机》适合高等院校高年级学生、研究生、教师和相关科研人员及相关领域的实际工作者使用。
序言符号表第1章最优化问题及其基本理论1·1最优化问题1·2最优性条件1·3对偶理论1·4注记参考文献第2章求解分类问题和回归问题的直观途径2·1分类问题的提出2·2线性分类学习机2·3支持向量分类机2·4线性回归学习机2·5支持向量回归机2·6注记参考文献第3章核3·1描述相似性的工具——内积3·2多项式空间和多项式核3·3Mercer核3·4正定核3·5核的构造3·6注记参考文献第4章推广能力的理论估计4·1损失函数和期望风险4·2求解分类问题的一种途径和一个算法模型4·3VC维4·4学习算法在概率意义下的近似正确性4·5一致性概念和关键定理4·6结构风险最小化4·7基于间隔的推广估计4·8注记参考文献第5章分类问题5·1最大间隔原则5·2线性可分支持向量分类机5·3线性支持向量分类机5·4支持向量分类机5·5ν-支持向量分类机(ν-SVC)5·6ν-支持向量分类机(ν-SVC)和C-支持向量分类机(C-SVC)的关系5·7多类分类问题5·8一个例子5·9注记参考文献第6章回归估计6·1回归问题6·2ε-支持向量回归机6·3ν-支持向量回归机6·4ε-支持向量回归机(ε-SVR)与ν-支持向量回归机(ν-SVR)的关系6·5其他方式的支持向量回归机6·6其他方式的损失函数6·7一些例子6·8注记参考文献第7章算法7·1无约束问题解法7·2内点算法7·3求解大型问题的算法7·4注记参考文献第8章应用8·1模型选择问题8·2分类问题的线性分划中的特征选择8·3模型选择8·4静态图像中球的识别8·5自由曲面的重建问题8·6应用简介8·7核技巧的应用8·8注记参考文献附录A基础知识A·1基本定义A·2梯度和Hesse矩阵A·3方向导数A·4Taylor展开式A·5分离定理附录BHilbert空间B·1向量空间B·2内积空间B·3Hilbert空间B·4算子、特征值和特征向量附录C概率C·1概率空间C·2随机变量及其分布C·3随机变量的数字特征C·4大数定律附录D鸢尾属植物数据集英汉术语对照表

特征降维是模式识别中重要的一步，从图像中提取的原始特征往往维度较高，需求对其降维处理。
基于AdaBoost的特征降维是具有良好的特征选择能力，其对每一维特征训练若分离器，根据分类效果调整权重，并最终选择具有分类信息的特征组合。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。