模式识别与智能计算 Matlab技术实现 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 Matlab技术实现 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 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 特征的选择与优化17

2.1 特征空间优化设计问题17

2.2 样本特征库初步分析18

2.3 样品筛选处理19

2.4 特征筛选处理19

2.5 特征评估21

2.6 基于主成分分析的特征提取23

2.7 特征空间描述与分析26

2.7.1 特征空间描述26

2.7.2 特征空间分布分析31

2.8 手写数字特征提取与分析34

2.8.1 手写数字特征提取34

2.8.2 手写数字特征空间分布分析36

本章小结40

习题240

第3章 模式相似性测度41

3.1 模式相似性测度的基本概念41

3.2 距离测度分类法44

3.2.1 模板匹配法44

3.2.2 基于PCA的模板匹配法46

3.2.3 基于类中心的欧式距离法分类48

3.2.4 马氏距离分类50

3.2.5 夹角余弦距离分类52

3.2.6 二值化的夹角余弦距离法分类53

3.2.7 二值化的Tanimoto测度分类54

本章小结56

习题356

第4章 基于概率统计的贝叶斯分类器设计57

4.1 贝叶斯决策的基本概念57

4.1.1 贝叶斯决策所讨论的问题57

4.1.2 贝叶斯公式58

4.2 基于最小错误率的贝叶斯决策60

4.3 基于最小风险的贝叶斯决策63

4.4 贝叶斯决策比较65

4.5 基于二值数据的贝叶斯分类实现66

4.6 基于最小错误率的贝叶斯分类实现69

4.7 基于最小风险的贝叶斯分类实现72

本章小结75

习题476

第5章 判别函数分类器设计77

5.1 判别函数的基本概念77

5.2 线性判别函数78

5.3 线性判别函数的实现82

5.4 感知器算法83

5.5 增量校正算法90

5.6 LMSE验证可分性96

5.7 LMSE分类算法102

5.8 Fisher分类105

5.9 基于核的Fisher分类108

5.10 线性分类器实现分类的局限115

5.11 非线性判别函数117

5.12 分段线性判别函数119

5.13 势函数法122

5.14 支持向量机126

本章小结133

习题5133

第6章 神经网络分类器设计134

6.1 人工神经网络的基本原理134

6.1.1 人工神经元134

6.1.2 人工神经网络模型137

6.1.3 神经网络的学习过程140

6.1.4 人工神经网络在模式识别问题上的优势140

6.2 BP神经网络141

6.2.1 BP神经网络的基本概念141

6.2.2 BP神经网络分类器设计147

6.3 径向基函数神经网络（RBF）157

6.3.1 径向基函数神经网络的基本概念157

6.3.2 径向基函数神经网络分类器设计162

6.4 自组织竞争神经网络164

6.4.1 自组织竞争神经网络的基本概念165

6.4.2 自组织竞争神经网络分类器设计167

6.5 概率神经网络（PNN）170

6.5.1 概率神经网络的基本概念170

6.5.2 概率神经网络分类器设计170

6.6 对向传播神经网络（CPN）173

6.6.1 对向传播神经网络的基本概念173

6.6.2 对向传播神经网络分类器设计175

6.7 反馈型神经网络（Hopfield）179

6.7.1 Hopfield网络的基本概念179

6.7.2 Hopfield神经网络分类器设计182

本章小结184

习题6184

第7章 决策树分类器设计185

7.1 决策树的基本概念185

7.2 决策树分类器设计186

本章小结193

习题7193

第8章 粗糙集分类器设计194

8.1 粗糙集理论的基本概念194

8.2 粗糙集在模式识别中的应用199

8.3 粗糙集分类器设计203

本章小结216

习题8217

第9章 聚类分析218

9.1 聚类的设计218

9.2 基于试探的未知类别聚类算法222

9.2.1 最临近规则的试探法222

9.2.2 最大最小距离算法226

9.3 层次聚类算法228

9.3.1 最短距离法229

9.3.2 最长距离法232

9.3.3 中间距离法236

9.3.4 重心法239

9.3.5 类平均距离法243

9.4 动态聚类算法247

9.4.1 K均值算法247

9.4.2 迭代自组织的数据分析算法（ISODATA）251

9.5 模拟退火聚类算法256

9.5.1 模拟退火的基本概念256

9.5.2 基于模拟退火思想的改进K均值聚类算法259

本章小结266

习题9266

第10章 模糊聚类分析267

10.1 模糊集的基本概念267

10.2 模糊集运算269

10.2.1 模糊子集运算269

10.2.2 模糊集运算性质271

10.3 模糊关系271

10.4 模糊集在模式识别中的应用276

10.5 基于模糊的聚类分析277

本章小结291

习题10291

第11章 禁忌搜索算法聚类分析292

11.1 禁忌搜索算法的基本原理292

11.2 禁忌搜索的关键参数和相关操作294

11.3 基于禁忌搜索算法的聚类分析297

本章小结306

习题11306

第12章 遗传算法聚类分析307

12.1 遗传算法的基本原理307

12.2 遗传算法的构成要素309

12.2.1 染色体的编码309

12.2.2 适应度函数310

12.2.3 遗传算子311

12.3 控制参数的选择313

12.4 基于遗传算法的聚类分析314

本章小结326

习题12326

第13章 蚁群算法聚类分析327

13.1 蚁群算法的基本原理327

13.2 聚类数目已知的蚁群聚类算法330

13.3 聚类数目未知的蚁群聚类算法339

本章小结344

习题13344

第14章 粒子群算法聚类分析345

14.1 粒子群算法的基本原理345

14.2 基于粒子群算法的聚类分析348

本章小结353

习题14354

参考文献355