Przedstawiono metody automatycznego rozpoznawania wzorców znajdujące zastosowanie zwłaszcza w zadaniach rozpoznawania obrazów, rozpoznawania mowy i rozpoznawania mówcy.

Szczegółowo omówiono zastosowanie sztucznych sieci neuronowych jako klasyfikatorów. Przedstawiono m.in budowę preceptoru, regułę uczenia Widrowa-Hoffa i metodę wstecznej propagacji błędów.

Uzyskiwane w sztucznych sieciach neuronowych rozwiązania porównano z rozwiązaniami bazującymi na metodach bayesowskich, metodzie największej wiarygodności oraz idei klasyfikacji i grupowania minimalnoodległościowego.

Oddzielną część książki poświęcono problemom rozpoznawania na podstawie modeli układów generujących obserwowane sygnały. Do tej grupy zagadnień należy tworzenie przestrzeni cech złożonej ze współczynników LPC, a także budowa ukrytych modeli Markowa.

Rozdziały:

I. Sztuczne sieci neuronowe
1. Poznanie a rozpoznanie
2. Proste zadanie klasyfikacji
3. Perceptron Rosenblatta
4. Zadanie aproksymacji liniowej
5. Rekurencyjne rozwiązywanie zadania aproksymacji
6. Metoda gradientowa
7. Reguła uczenia Widrowa-Hoffa
8. Sieć Madaline komputeks.pl
9. Zadanie aproksymacji liniowo
10. Klasy sygnałów niesparowane liniowo
11. Metoda wstecznej propagacji błędów
12. Sieci SVM

II. Metody Bayesowskie
13. Rozkład a priori, rozkład o posteriori
14. Decyzje bayesowskie, decyzje minimaksowe
15. Bayesowskie funkcje decyzyjne
16. Minimaksowe funkcje decyzyjne
17. Wiarygodność

III. Korelacja cech
18. Współczynnik korelacji
19. Przekształcenie Karhunena-Loeve'a
20. Klasyfikacja minimalnoodległościowa
21. Grupowanie minimalnoodległościowe
22. Współczynniki LPC

IV. Ukryte modele Markowa
23. Łańcuchy Markowa
24. Ukryte łańcuchy Markowa
25. Problem ewaluacji HMM
26. Segmentacja na podstawie HMM
27. Uczenie HMM