模式识别与智能计算 Matlab技术实现PDF|Epub|txt|kindle电子书版本网盘下载

模式识别与智能计算 Matlab技术实现PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 模式识别概述1

1.1 模式识别的基本概念1

1.2 特征空间优化设计问题4

1.3 分类器设计6

1.3.1 分类器设计基本方法8

1.3.2 判别函数10

1.3.3 分类器的选择12

1.3.4 训练与学习13

1.4 聚类设计13

1.5 模式识别的应用15

本章小结15

习题116

第2章 特征的选择与提取17

2.1 样本特征库初步分析18

2.2 样品筛选处理19

2.3 特征筛选处理19

2.3.1 特征相关分析19

2.3.2 特征选择及搜索算法20

2.4 特征评估26

2.5 基于主成分分析的特征提取29

2.6 特征空间描述与分析32

2.6.1 特征空间描述32

2.6.2 特征空间分布分析37

2.7 手写数字特征提取与分析40

2.7.1 手写数字特征提取40

2.7.2 手写数字特征空间分布分析41

本章小结45

习题246

第3章 模式相似性测度47

3.1 模式相似性测度的基本概念47

3.2 距离测度分类法50

3.2.1 模板匹配法50

3.2.2 基于PCA的模板匹配法52

3.2.3 基于类中心的欧式距离法分类54

3.2.4 马氏距离分类56

3.2.5 夹角余弦距离分类58

3.2.6 二值化的夹角余弦距离法分类59

3.2.7 二值化的Tanimoto测度分类60

本章小结62

习题362

第4章 基于概率统计的贝叶斯分类器设计63

4.1 贝叶斯决策的基本概念63

4.1.1 贝叶斯决策所讨论的问题63

4.1.2 贝叶斯公式64

4.2 基于最小错误率的贝叶斯决策66

4.3 基于最小风险的贝叶斯决策69

4.4 贝叶斯决策比较71

4.5 基于二值数据的贝叶斯分类实现72

4.6 基于最小错误率的贝叶斯分类实现75

4.7 基于最小风险的贝叶斯分类实现78

本章小结81

习题482

第5章 判别函数分类器设计83

5.1 判别函数的基本概念83

5.2 线性判别函数84

5.3 线性判别函数的实现88

5.4 感知器算法89

5.5 增量校正算法96

5.6 LMSE验证可分性102

5.7 LMSE分类算法108

5.8 Fisher分类111

5.9 基于核的Fisher分类114

5.10 线性分类器实现分类的局限121

5.11 非线性判别函数123

5.12 分段线性判别函数125

5.13 势函数法128

5.14 支持向量机133

本章小结139

习题5139

第6章 神经网络分类器设计140

6.1 人工神经网络的基本原理140

6.1.1 人工神经元140

6.1.2 人工神经网络模型143

6.1.3 神经网络的学习过程146

6.1.4 人工神经网络在模式识别问题上的优势146

6.2 BP神经网络147

6.2.1 BP神经网络的基本概念147

6.2.2 BP神经网络分类器设计153

6.3 径向基函数神经网络（RBF）163

6.3.1 径向基函数神经网络的基本概念163

6.3.2 径向基函数神经网络分类器设计168

6.4 自组织竞争神经网络170

6.4.1 自组织竞争神经网络的基本概念171

6.4.2 自组织竞争神经网络分类器设计173

6.5 概率神经网络（PNN）176

6.5.1 概率神经网络的基本概念176

6.5.2 概率神经网络分类器设计176

6.6 对向传播神经网络（CPN）179

6.6.1 对向传播神经网络的基本概念179

6.6.2 对向传播神经网络分类器设计181

6.7 反馈型神经网络（Hopfield）185

6.7.1 Hopfield网络的基本概念185

6.7.2 Hopfield神经网络分类器设计188

本章小结190

习题6190

第7章 决策树分类器191

7.1 决策树的基本概念191

7.2 决策树分类器设计192

本章小结199

习题7199

第8章 粗糙集分类器200

8.1 粗糙集理论的基本概念200

8.2 粗糙集在模式识别中的应用205

8.3 粗糙集分类器设计209

本章小结222

习题8223

第9章 聚类分析224

9.1 聚类的设计224

9.2 基于试探的未知类别聚类算法227

9.2.1 最临近规则的试探法228

9.2.2 最大最小距离算法231

9.3 层次聚类算法234

9.3.1 最短距离法235

9.3.2 最长距离法238

9.3.3 中间距离法242

9.3.4 重心法245

9.3.5 类平均距离法249

9.4 动态聚类算法253

9.4.1 K均值算法253

9.4.2 迭代自组织的数据分析算法（ISODATA）257

9.5 模拟退火聚类算法262

9.5.1 模拟退火的基本概念262

9.5.2 基于模拟退火思想的改进K均值聚类算法265

本章小结272

习题9272

第10章 模糊聚类分析273

10.1 模糊集的基本概念273

10.2 模糊集运算275

10.2.1 模糊子集运算275

10.2.2 模糊集运算性质277

10.3 模糊关系277

10.4 模糊集在模式识别中的应用282

10.5 基于模糊的聚类分析283

本章小结297

习题10297

第11章 遗传算法聚类分析298

11.1 遗传算法的基本概念298

11.2 遗传算法的构成要素300

11.2.1 染色体的编码300

11.2.2 适应度函数301

11.2.3 遗传算子302

11.3 控制参数的选择304

11.4 基于遗传算法的聚类分析305

本章小结318

习题11318

第12章 蚁群算法聚类分析319

12.1 蚁群算法的基本概念319

12.2 聚类数目已知的蚁群聚类算法322

12.3 聚类数目未知的蚁群聚类算法331

本章小结335

习题12336

第13章 粒子群算法聚类分析337

13.1 粒子群算法的基本概念337

13.2 基于粒子群算法的聚类分析340

本章小结345

习题13346

参考文献347