模式识别与智能计算的MATLAB实现 第2版PDF|Epub|txt|kindle电子书版本网盘下载

模式识别与智能计算的MATLAB实现 第2版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 绪论1

1.1 模式识别的基本概念1

1.1.1 模式与模式识别的概念1

1.1.2 模式的特征1

1.1.3 模式识别系统2

1.2 模式识别的主要方法2

1.3 模式识别的主要研究内容3

1.4 模式识别在科学研究中的应用3

1.4.1 化合物的构效分析3

1.4.2 谱图解析4

1.4.3 材料研究4

1.4.4 催化剂研究5

1.4.5 机械故障诊断与监测5

1.4.6 化学物质源产地判断6

1.4.7 疾病的诊断与预测6

1.4.8 矿藏勘探7

1.4.9 考古及食品工业中的应用7

第2章 统计模式识别技术8

2.1 基于概率统计的贝叶斯分类方法8

2.1.1 最小错误率贝叶斯分类9

2.1.2 最小风险率贝叶斯分类10

2.2 线性分类器12

2.2.1 线性判别函数12

2.2.2 Fisher线性判别函数13

2.2.3 感知器算法14

2.3 非线性分类器15

2.3.1 分段线性判别函数15

2.3.2 近邻法17

2.3.3 势函数法19

2.3.4 SIMCA方法20

2.4 聚类分析22

2.4.1 模式相似度22

2.4.2 聚类准则24

2.4.3 层次聚类法25

2.4.4 动态聚类法25

2.4.5 决策树分类器28

2.5 统计模式识别在科学研究中的应用29

第3章 人工神经网络及模式识别43

3.1 人工神经网络的基本概念43

3.1.1 人工神经元43

3.1.2 传递函数43

3.1.3 人工神经网络分类和特点44

3.2 BP人工神经网络44

3.2.1 BP人工神经网络学习算法44

3.2.2 BP人工神经网络MATLAB实现46

3.3 径向基函数神经网络RBF47

3.3.1 RBF的结构与学习算法47

3.3.2 RBF的MATLAB实现48

3.4 自组织竞争人工神经网络48

3.4.1 自组织竞争人工神经网络的基本概念48

3.4.2 自组织竞争神经网络的学习算法49

3.4.3 自组织竞争网络的MATLAB实现49

3.5 对向传播神经网络CPN50

3.5.1 CPN的基本概念50

3.5.2 CPN网络的学习算法50

3.6 反馈型神经网络Hopfield51

3.6.1 Hopfield网络的基本概念51

3.6.2 Hopfield网络的学习算法52

3.6.3 Hopfield网络的MATLAB实现53

3.7 人工神经网络技术在科学研究中的应用53

第4章 模糊系统理论及模式识别72

4.1 模糊系统理论基础72

4.1.1 模糊集合72

4.1.2 模糊关系75

4.1.3 模糊变换与模糊综合评判77

4.1.4 If…then规则78

4.1.5 模糊推理78

4.2 模糊模式识别的基本方法79

4.2.1 最大隶属度原则79

4.2.2 择近原则79

4.2.3 模糊聚类分析81

4.3 模糊神经网络85

4.3.1 模糊神经网络85

4.3.2 模糊BP神经网络86

4.4 模糊逻辑系统及其在科学研究中的应用86

第5章 核函数方法及应用107

5.1 核函数方法107

5.2 基于核的主成分分析方法108

5.2.1 主成分分析108

5.2.2 基于核的主成分分析110

5.3 基于核的Fisher判别方法112

5.3.1 Fisher判别方法112

5.3.2 基于核的Fisher判别方法分析113

5.4 基于核的投影寻踪方法114

5.4.1 投影寻踪分析114

5.4.2 基于核的投影寻踪分析118

5.5 核函数方法在科学研究中的应用119

第6章 支持向量机及其模式识别130

6.1 统计学习理论基本内容130

6.2 支持向量机131

6.2.1 最优分类面131

6.2.2 支持向量机模型132

6.3 支持向量机在模式识别中的应用134

第7章 可拓学及其模式识别142

7.1 可拓学概论142

7.1.1 可拓工程基本思想142

7.1.2 可拓工程使用的基本工具143

7.2 可拓集合145

7.2.1 可拓集合含义145

7.2.2 物元可拓集合146

7.3 可拓聚类预测的物元模型146

7.4 可拓学在科学研究中的应用147

第8章 粗糙集理论及其模式识别154

8.1 粗糙集理论基础154

8.1.1 分类规则的形成156

8.1.2 知识的约简157

8.2 粗糙神经网络158

8.3 系统评估粗糙集方法158

8.3.1 模型结构159

8.3.2 综合评估方法159

8.4 粗糙集聚类方法160

8.5 粗糙集理论在科学研究中的应用161

第9章 遗传算法及其模式识别170

9.1 遗传算法的基本原理170

9.2 遗传算法分析173

9.2.1 染色体的编码173

9.2.2 适应度函数174

9.2.3 遗传算子175

9.3 控制参数的选择177

9.4 模拟退火算法178

9.4.1 模拟退火的基本概念178

9.4.2 模拟退火算法的基本过程179

9.4.3 模拟退火算法中的控制参数180

9.5 基于遗传算法的模式识别在科学研究中的应用180

9.5.1 遗传算法的MATLAB实现180

9.5.2 遗传算法在科学研究中的应用实例185

第10章 蚁群算法及其模式识别201

10.1 蚁群算法原理201

10.1.1 基本概念201

10.1.2 蚁群算法的基本模型202

10.1.3 蚁群算法的特点203

10.2 蚁群算法的改进203

10.2.1 自适应蚁群算法203

10.2.2 遗传算法与蚁群算法的融合204

10.2.3 蚁群神经网络204

10.3 聚类问题的蚁群算法205

10.3.1 聚类数目已知的聚类问题的蚁群算法205

10.3.2 聚类数目未知的聚类问题的蚁群算法206

10.4 蚁群算法在科学研究中的应用207

第11章 粒子群算法及其模式识别217

11.1 粒子群算法的基本原理217

11.2 全局模式与局部模式218

11.3 粒子群算法的特点218

11.4 基于粒子群算法的聚类分析219

11.4.1 算法描述219

11.4.2 实现步骤220

11.5 粒子群算法在科学研究中的应用221

第12章 可视化模式识别技术229

12.1 高维数据的图形表示方法229

12.1.1 轮廓图229

12.1.2 雷达图230

12.1.3 树形图230

12.1.4 三角多项式图231

12.1.5 散点图231

12.1.6 星座图232

12.1.7 脸谱图233

12.2 图形特征参数计算235

12.3 显示方法237

12.3.1 线性映射237

12.3.2 非线性映射237

第13章 灰色系统方法及应用241

13.1 灰色系统的基本概念241

13.1.1 灰数241

13.1.2 灰数白化与灰度242

13.2 灰色序列生成算子242

13.2.1 均值生成算子242

13.2.2 累加生成算子243

13.2.3 累减生成算子243

13.3 灰色分析244

13.3.1 灰色关联度分析244

13.3.2 无量纲化的关键算子244

13.3.3 关联分析的主要步骤245

13.3.4 其他几种灰色关联度246

13.4 灰色聚类247

13.5 灰色系统建模247

13.5.1 GM（1,1）模型247

13.5.2 GM（1,1）模型检验248

13.5.3 残差GM（1,1）模型250

13.5.4 GM（1,N）模型250

13.6 灰色灾变预测251

13.7 灰色系统的应用252

第14章 人工鱼群等群体智能算法258

14.1 人工鱼群算法259

14.1.1 鱼群模式的提出259

14.1.2 人工鱼的四种基本行为算法描述259

14.1.3 人工鱼群算法概述261

14.1.4 各种参数对算法收敛性能的影响263

14.1.5 人工鱼群算法在科学研究中的应用264

14.2 人工免疫算法270

14.2.1 人工免疫算法的生物学基础270

14.2.2 人工免疫优化算法概述272

14.2.3 人工免疫算法与遗传算法的比较276

14.2.4 人工免疫算法在科学研究中的应用277

14.3 进化计算281

14.3.1 进化规划算法283

14.3.2 进化策略算法284

14.3.3 进化计算在科学研究中的应用286

14.4 混合蛙跳算法291

14.4.1 基本原理291

14.4.2 基本术语291

14.4.3 算法的基本流程及算子292

14.4.4 算法控制参数的选择294

14.4.5 混合蛙跳算法在科学研究中的应用294

14.5 猫群算法296

14.5.1 基本术语296

14.5.2 基本流程297

14.5.3 控制参数选择299

14.5.4 猫群算法在科学研究中的应用299

14.6 细菌觅食算法300

14.6.1 细菌觅食算法基本原理301

14.6.2 算法主要步骤与流程303

14.6.3 算法参数选取304

14.6.4 细菌觅食算法在科学研究中的应用306

14.7 人工蜂群算法307

14.7.1 人工蜂群算法的基本原理308

14.7.2 人工蜂群算法的流程309

14.7.3 控制参数选择311

14.7.4 人工蜂群算法在科学研究中的应用311

14.8 量子遗传算法312

14.8.1 量子计算的基础知识312

14.8.2 量子计算313

14.8.3 量子遗传算法流程316

14.8.4 控制参数318

14.8.5 量子遗传算法在科学研究中的应用320

14.9 Memetic算法321

14.9.1 Memetic算法的构成要素321

14.9.2 Memetic算法的基本流程322

14.9.3 控制参数选择322

14.9.4 Memetic算法在科学研究中的应用323

第15章 仿生模式识别328

15.1 仿生模式识别基本理论328

15.1.1 仿生模式识别的连续性规律328

15.1.2 多自由度神经元329

15.2 仿生模式识别的数学工具331

15.2.1 高维空间几何分析基本概念332

15.2.2 高维空间中点、线、超平面的关系333

15.2.3 高维空间几何覆盖理论334

15.3 仿生模式识别的实现方式335

15.3.1 高维空间复杂几何形体覆盖335

15.3.2 多权值神经元的构造338

15.4 仿生模式识别与传统模式识别的区别338

15.4.1 认知理论的差别338

15.4.2 数学模式的差异339

15.5 仿生模式识别在科学研究中的应用340

第16章 模式识别的特征及确定348

16.1 基本概念348

16.1.1 特征的特点348

16.1.2 特征的类别348

16.1.3 特征的形成352

16.1.4 特征选择与提取353

16.2 样本特征的初步分析353

16.3 特征筛选处理357

16.4 特征提取357

16.4.1 特征提取的依据357

16.4.2 特征提取的方法359

16.5 基于K-L变换的特征提取362

16.5.1 离散K-L变换362

16.5.2 离散K-L变换的特征提取363

16.5.3 吸收类均值向量信息的特征提取363

16.5.4 利用总体熵吸收方差信息的特征提取364

16.6 因子分析365

16.6.1 因子分析的一般数学模型365

16.6.2 Q型和R型因子分析366

参考文献372