《模式識別與智能計算:Matlab技術(shù)實現(xiàn)》廣泛吸取統(tǒng)計學、神經(jīng)網(wǎng)絡、數(shù)據(jù)挖掘、機器學習、人工智能、群智能計算等學科的先進思想和理論，將其應用到模式識別領(lǐng)域中；以一種新的體系，系統(tǒng)、全面地介紹模式識別的理論、方法及應用。全書共分為13章，內(nèi)容包括：模式識別概述，特征的選擇與提取，模式相似性測度，貝葉斯分類器設計，判別函數(shù)分類器設計，神經(jīng)網(wǎng)絡分類器設計（BP神經(jīng)網(wǎng)絡、徑向基函數(shù)沖經(jīng)網(wǎng)絡、自組織競爭神經(jīng)網(wǎng)絡、慨率神經(jīng)網(wǎng)絡、對向傳播神經(jīng)網(wǎng)絡、反饋型神經(jīng)網(wǎng)絡），決策樹分類器，粗糙集分類器，聚類分析，模糊聚類分析，遺傳算法聚類分析，蟻群算法聚類分析，粒子群算法聚類分析。
目錄
第1章 模式識別概述 1.1 模式識別的基本慨念 1.2 特征空間優(yōu)化設計問題 1.3 分類器設計 1.3.1 分類器設計基本方法 1.3.2 判別函數(shù) 1.3.3 分類器的選擇 1.3.4 訓練與學習 1.4 聚類設計 1.5 模式識別的應用 本章小結(jié) 習題1第2章 特征的選擇與提取 2.1 樣本特征庫初步分析 2.2 樣品篩選處理 2.3 特征篩選處理 2.3.1 特征相關(guān)分析 2.3.2 特征選擇及搜索算法 2.4 特征評估 2.5 基于主成分分析的特征提取 2.6 特征空間描述與分析 2.6.1 特征空間描述 2.6.2 特征空間分布分析 2.7 手寫數(shù)字特征提取與分析 2.7.1 手寫數(shù)字特征提取 2.7.2 手寫數(shù)字特征空間分布分析 本章小結(jié) 習題2第3章 模式相似性測度 3.1 模式相似性測度的基本概念 3.2 距離測度分類法 3.2.1 模板匹配法 3.2.2 基于PCA的模板匹配法 3.2.3 基于類中心的歐式距離法分類 3.2.4 馬氏距離分類 3.2.5 夾角余弦距離分類 3.2.6 二值化的夾角余弦距離法分類 3.2.7 二值化的Tanimoto測度分類 本章小結(jié) 習題3第4章 基于概率統(tǒng)計的貝葉斯分類器設計 4.1 貝葉斯決策的基本概念 4.1.1 貝葉斯決策所討論的問題 4.1.2 貝葉斯公式 4.2 基于最小錯誤率的貝葉斯決策 4.3 基于最小風險的貝葉斯決策 4.4 貝葉斯決策比較 4.5 基于二值數(shù)據(jù)的貝葉斯分類實現(xiàn) 4.6 基于最小錯誤率的貝葉斯分類實現(xiàn) 4.7 基于最小風險的貝葉斯分類實瑚 本章小結(jié) 習題4第5章 判別函數(shù)分類器設計 5.1 判別函數(shù)的基本概念 5.2 線性判別函數(shù) 5.3 線性判別函數(shù)的實現(xiàn) 5.4 感知器算法 5.5 增量校正算法 5.6 LMSE驗證可分性 5.7 LMSE分類算法 5.8 Fishe-r分類 5.9 基于核的Fisher分類 5.10 線性分類器實現(xiàn)分類的局限 5.11 非線性判別函數(shù) 5.12 分段線性判別函數(shù) 5.13 勢函數(shù)法 5.14 支持向量機 本章小結(jié) 習題5第6章 神經(jīng)網(wǎng)絡分類器設計 6.1 人工神經(jīng)網(wǎng)絡的基本原理 6.1.1 人工神經(jīng)元 6.1.2 人工神經(jīng)網(wǎng)絡模型 6.1.3 神經(jīng)網(wǎng)絡的學習過程 6.1.4 人工神經(jīng)網(wǎng)絡在模式識別問題上的優(yōu)勢 6.2 BP神經(jīng)網(wǎng)絡 6.2.1 BP神經(jīng)網(wǎng)絡的基本概念 6.2.2 BP神經(jīng)網(wǎng)絡分類器設計 6.3 徑向基函數(shù)神經(jīng)網(wǎng)絡(RBF) 6.3.1 徑向基函數(shù)神經(jīng)網(wǎng)絡的基本概念 6.3.2 徑向基函數(shù)神經(jīng)網(wǎng)絡分類器設計 6.4 自組織競爭神經(jīng)網(wǎng)絡 6.4.1 自組織競爭神經(jīng)網(wǎng)絡的基本概念 6.4.2 自組織競爭神經(jīng)網(wǎng)絡分類器設計 6.5 概率神經(jīng)網(wǎng)絡(PNN) 6.5.1 概率神經(jīng)網(wǎng)絡的基本概念 6.5.2 概率神經(jīng)網(wǎng)絡分類器設計 6.6 對向傳播神經(jīng)網(wǎng)絡(CPN) 6.6.1 對向傳播神經(jīng)網(wǎng)絡的基本概念 6.6.2 對向傳播神經(jīng)網(wǎng)絡分類器設計 6.7 反饋型神經(jīng)網(wǎng)絡(Hopfield) 6.7.1 Hopfield網(wǎng)絡的基本概念 6.7.2 Hopfield神經(jīng)網(wǎng)絡分類器設計 本章小結(jié) 習題6第7章 決策樹分類器 7.1 決策樹的基本概念 7.2 決策樹分類器設計 本章小結(jié) 習題7第8章 粗糙集分類器 8.1 粗糙集理論的基本概念 8.2 粗糙集在模式識別中的應用 8.3 粗糙集分類器設計 本章小結(jié) 習題8第9章 聚類分析 9.1 聚類的設計 9.2 基于試探的未知類別聚類算法 9.2.1 最臨近規(guī)則的試探法 9.2.2 最大最小距離算法 9.3 層次聚類算法 9.3.1 最短距離法 9.3.2 最長距離法 9.3.3 中間距離法 9.3.4 重心法 9.3.5 類平均距離法 9.4 動態(tài)聚類算法 9.4.1 K均值算法 9.4.2 迭代自組織的數(shù)據(jù)分析算法(ISODATA) 9.5 模擬退火聚類算法 9.5.1 模擬退火的基本概念 9.5.2 基于模擬退火思想的改進K均值聚類算法 本章小結(jié) 習題9第10章 模糊聚類分析 10.1 模糊集的基本概念 10.2 模糊集運算 10.2.1 模糊子集運算 10.2.2 模糊集運算性質(zhì) 10.3 模糊關(guān)系 10.4 模糊集在模式識別中的應用 10.5 基于模糊的聚類分析 本章小結(jié) 習題10第11章 遺傳算法聚類分析 11.1 遺傳算法的基本概念 11.2 遺傳算法的構(gòu)成要素 11.2.1 染色體的編碼 11.2.2 適應度函數(shù) 11.2.3 遺傳算子 11.3 控制參數(shù)的選擇 11.4 基于遺傳算法的聚類分析 本章小結(jié) 習題11第12章 蟻群算法聚類分析 12.1 蟻群算法的基本概念 12.2 聚類數(shù)目已知的蟻群聚類算法 12.3 聚類數(shù)目未知的蟻群聚類算法 本章小結(jié) 習題12第13章 粒子群算法聚類分析 13.1 粒子群算法的基本概念 13.2 基于粒子群算法的聚類分析 本章小結(jié) 習題13參考文獻
第1章 模式識別概述 1.1 模式識別的基本慨念 1.2 特征空間優(yōu)化設計問題 1.3 分類器設計 1.3.1 分類器設計基本方法 1.3.2 判別函數(shù) 1.3.3 分類器的選擇 1.3.4 訓練與學習 1.4 聚類設計 1.5 模式識別的應用 本章小結(jié) 習題1第2章 特征的選擇與提取 2.1 樣本特征庫初步分析 2.2 樣品篩選處理 2.3 特征篩選處理 2.3.1 特征相關(guān)分析 2.3.2 特征選擇及搜索算法 2.4 特征評估 2.5 基于主成分分析的特征提取 2.6 特征空間描述與分析 2.6.1 特征空間描述 2.6.2 特征空間分布分析 2.7 手寫數(shù)字特征提取與分析 2.7.1 手寫數(shù)字特征提取 2.7.2 手寫數(shù)字特征空間分布分析 本章小結(jié) 習題2第3章 模式相似性測度 3.1 模式相似性測度的基本概念 3.2 距離測度分類法 3.2.1 模板匹配法 3.2.2 基于PCA的模板匹配法 3.2.3 基于類中心的歐式距離法分類 3.2.4 馬氏距離分類 3.2.5 夾角余弦距離分類 3.2.6 二值化的夾角余弦距離法分類 3.2.7 二值化的Tanimoto測度分類 本章小結(jié) 習題3第4章 基于概率統(tǒng)計的貝葉斯分類器設計 4.1 貝葉斯決策的基本概念 4.1.1 貝葉斯決策所討論的問題 4.1.2 貝葉斯公式 4.2 基于最小錯誤率的貝葉斯決策 4.3 基于最小風險的貝葉斯決策 4.4 貝葉斯決策比較 4.5 基于二值數(shù)據(jù)的貝葉斯分類實現(xiàn) 4.6 基于最小錯誤率的貝葉斯分類實現(xiàn) 4.7 基于最小風險的貝葉斯分類實瑚 本章小結(jié) 習題4第5章 判別函數(shù)分類器設計 5.1 判別函數(shù)的基本概念 5.2 線性判別函數(shù) 5.3 線性判別函數(shù)的實現(xiàn) 5.4 感知器算法 5.5 增量校正算法 5.6 LMSE驗證可分性 5.7 LMSE分類算法 5.8 Fishe-r分類 5.9 基于核的Fisher分類 5.10 線性分類器實現(xiàn)分類的局限 5.11 非線性判別函數(shù) 5.12 分段線性判別函數(shù) 5.13 勢函數(shù)法 5.14 支持向量機 本章小結(jié) 習題5第6章 神經(jīng)網(wǎng)絡分類器設計 6.1 人工神經(jīng)網(wǎng)絡的基本原理 6.1.1 人工神經(jīng)元 6.1.2 人工神經(jīng)網(wǎng)絡模型 6.1.3 神經(jīng)網(wǎng)絡的學習過程 6.1.4 人工神經(jīng)網(wǎng)絡在模式識別問題上的優(yōu)勢 6.2 BP神經(jīng)網(wǎng)絡 6.2.1 BP神經(jīng)網(wǎng)絡的基本概念 6.2.2 BP神經(jīng)網(wǎng)絡分類器設計 6.3 徑向基函數(shù)神經(jīng)網(wǎng)絡(RBF) 6.3.1 徑向基函數(shù)神經(jīng)網(wǎng)絡的基本概念 6.3.2 徑向基函數(shù)神經(jīng)網(wǎng)絡分類器設計 6.4 自組織競爭神經(jīng)網(wǎng)絡 6.4.1 自組織競爭神經(jīng)網(wǎng)絡的基本概念 6.4.2 自組織競爭神經(jīng)網(wǎng)絡分類器設計 6.5 概率神經(jīng)網(wǎng)絡(PNN) 6.5.1 概率神經(jīng)網(wǎng)絡的基本概念 6.5.2 概率神經(jīng)網(wǎng)絡分類器設計 6.6 對向傳播神經(jīng)網(wǎng)絡(CPN) 6.6.1 對向傳播神經(jīng)網(wǎng)絡的基本概念 6.6.2 對向傳播神經(jīng)網(wǎng)絡分類器設計 6.7 反饋型神經(jīng)網(wǎng)絡(Hopfield) 6.7.1 Hopfield網(wǎng)絡的基本概念 6.7.2 Hopfield神經(jīng)網(wǎng)絡分類器設計 本章小結(jié) 習題6第7章 決策樹分類器 7.1 決策樹的基本概念 7.2 決策樹分類器設計 本章小結(jié) 習題7第8章 粗糙集分類器 8.1 粗糙集理論的基本概念 8.2 粗糙集在模式識別中的應用 8.3 粗糙集分類器設計 本章小結(jié) 習題8第9章 聚類分析 9.1 聚類的設計 9.2 基于試探的未知類別聚類算法 9.2.1 最臨近規(guī)則的試探法 9.2.2 最大最小距離算法 9.3 層次聚類算法 9.3.1 最短距離法 9.3.2 最長距離法 9.3.3 中間距離法 9.3.4 重心法 9.3.5 類平均距離法 9.4 動態(tài)聚類算法 9.4.1 K均值算法 9.4.2 迭代自組織的數(shù)據(jù)分析算法(ISODATA) 9.5 模擬退火聚類算法 9.5.1 模擬退火的基本概念 9.5.2 基于模擬退火思想的改進K均值聚類算法 本章小結(jié) 習題9第10章 模糊聚類分析 10.1 模糊集的基本概念 10.2 模糊集運算 10.2.1 模糊子集運算 10.2.2 模糊集運算性質(zhì) 10.3 模糊關(guān)系 10.4 模糊集在模式識別中的應用 10.5 基于模糊的聚類分析 本章小結(jié) 習題10第11章 遺傳算法聚類分析 11.1 遺傳算法的基本概念 11.2 遺傳算法的構(gòu)成要素 11.2.1 染色體的編碼 11.2.2 適應度函數(shù) 11.2.3 遺傳算子 11.3 控制參數(shù)的選擇 11.4 基于遺傳算法的聚類分析 本章小結(jié) 習題11第12章 蟻群算法聚類分析 12.1 蟻群算法的基本概念 12.2 聚類數(shù)目已知的蟻群聚類算法 12.3 聚類數(shù)目未知的蟻群聚類算法 本章小結(jié) 習題12第13章 粒子群算法聚類分析 13.1 粒子群算法的基本概念 13.2 基于粒子群算法的聚類分析 本章小結(jié) 習題13參考文獻
|
