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

从输入串的起始位置到最后位置，循环执行如下步骤。 如果待处理表（Agenda）为空，则找到下一个位置上的词，将该词对应的所有词类X附以(P_i 〖,P〗_j )后放到待处理表中(X(P_i 〖,P〗_j ))。其中，P_i 〖,P〗_j分别是该词的起始位置和终止位置，j>i，P_j-P_i为该词的长度。 从Agenda中取出一个元素，其标志成分为X，位置跨度为(P_i 〖,P〗_j )。 对于每条规则A→Xγ，将A→X·γ加入活动边集ActiveArc的(P_i 〖,P〗_j )位置中，