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 模式识别的基本方法4

1.3 统计模式识别6

1.3.1 统计模式识别研究的主要问题6

1.3.2 统计模式识别方法简介7

1.4 分类分析10

1.4.1 分类器设计10

1.4.2 判别函数12

1.4.3 分类器的选择15

1.4.4 训练与学习15

1.5 聚类分析16

1.5.1 聚类的设计17

1.5.2 基于试探法的聚类设计18

1.5.3 基于群体智能优化算法的聚类设计19

1.6 模式识别的应用25

本章小结26

习题126

第2章 特征的选择与优化27

2.1 特征空间优化设计问题27

2.2 样本特征库初步分析28

2.3 样品筛选处理29

2.4 特征筛选处理29

2.5 特征评估31

2.6 基于主成分分析的特征提取33

2.7 特征空间描述与分析36

2.7.1 特征空间描述36

2.7.2 特征空间分布分析41

2.8 手写数字特征提取与分析44

2.8.1 手写数字特征提取44

2.8.2 手写数字特征空间分布分析46

本章小结50

习题250

第3章 模式相似性测度51

3.1 模式相似性测度的基本概念51

3.2 距离测度分类法54

3.2.1 模板匹配法54

3.2.2 基于PCA的模板匹配法56

3.2.3 基于类中心的欧式距离法分类58

3.2.4 马氏距离分类60

3.2.5 夹角余弦距离分类62

3.2.6 二值化的夹角余弦距离法分类63

3.2.7 二值化的Tanimoto测度分类64

本章小结66

习题366

第4章 基于概率统计的贝叶斯分类器设计67

4.1 贝叶斯决策的基本概念67

4.1.1 贝叶斯决策所讨论的问题67

4.1.2 贝叶斯公式68

4.2 基于最小错误率的贝叶斯决策70

4.3 基于最小风险的贝叶斯决策73

4.4 贝叶斯决策比较75

4.5 基于二值数据的贝叶斯分类实现76

4.6 基于最小错误率的贝叶斯分类实现79

4.7 基于最小风险的贝叶斯分类实现82

本章小结85

习题486

第5章 判别函数分类器设计87

5.1 判别函数的基本概念87

5.2 线性判别函数88

5.3 线性判别函数的实现92

5.4 感知器算法93

5.5 增量校正算法100

5.6 LMSE验证可分性106

5.7 LMSE分类算法112

5.8 Fisher分类115

5.9 基于核的Fisher分类118

5.10 势 函数法125

5.11 支持向量机130

本章小结136

习题5137

第6章 神经网络分类器设计138

6.1 人工神经网络的基本原理138

6.1.1 人工神经元138

6.1.2 人工神经网络模型141

6.1.3 神经网络的学习过程144

6.1.4 人工神经网络在模式识别问题上的优势144

6.2 BP神经网络145

6.2.1 BP神经网络的基本概念145

6.2.2 BP神经网络分类器设计151

6.3 径向基函数神经网络（RBF）161

6.3.1 径向基函数神经网络的基本概念161

6.3.2 径向基函数神经网络分类器设计166

6.4 自组织竞争神经网络168

6.4.1 自组织竞争神经网络的基本概念169

6.4.2 自组织竞争神经网络分类器设计171

6.5 概率神经网络（PNN）174

6.5.1 概率神经网络的基本概念174

6.5.2 概率神经网络分类器设计177

6.6 对向传播神经网络（CPN）180

6.6.1 对向传播神经网络的基本概念180

6.6.2 对向传播神经网络分类器设计182

6.7 反馈型神经网络（Hopfield）186

6.7.1 Hopfield网络的基本概念186

6.7.2 Hopfield神经网络分类器设计189

本章小结191

习题6191

第7章 决策树分类器设计192

7.1 决策树的基本概念192

7.2 决策树分类器设计193

本章小结200

习题7200

第8章 粗糙集分类器设计201

8.1 粗糙集理论的基本概念201

8.2 粗糙集在模式识别中的应用206

8.3 粗糙集分类器设计210

本章小结223

习题8224

第9章 聚类分析225

9.1 聚类的设计225

9.2 基于试探的未知类别聚类算法229

9.2.1 最临近规则的试探法229

9.2.2 最大最小距离算法233

9.3 层次聚类算法235

9.3.1 最短距离法236

9.3.2 最长距离法239

9.3.3 中间距离法243

9.3.4 重心法246

9.3.5 类平均距离法250

9.4 动态聚类算法254

9.4.1 K均值算法254

9.4.2 迭代自组织的数据分析算法（ISODATA）258

9.5 模拟退火聚类算法263

9.5.1 模拟退火的基本概念263

9.5.2 基于模拟退火思想的改进K均值聚类算法266

本章小结273

习题9273

第10章 模糊聚类分析274

10.1 模糊集的基本概念274

10.2 模糊集运算276

10.2.1 模糊子集运算276

10.2.2 模糊集运算性质278

10.3 模糊关系278

10.4 模糊集在模式识别中的应用283

10.5 基于模糊的聚类分析284

本章小结298

习题10298

第11章 禁忌搜索算法聚类分析299

11.1 禁忌搜索算法的基本原理299

11.2 禁忌搜索的关键参数和相关操作301

11.3 基于禁忌搜索算法的聚类分析304

本章小结313

习题11313

第12章 遗传算法聚类分析314

12.1 遗传算法的基本原理314

12.2 遗传算法的构成要素316

12.2.1 染色体的编码316

12.2.2 适应度函数317

12.2.3 遗传算子318

12.3 控制参数的选择320

12.4 基于遗传算法的聚类分析321

本章小结333

习题12333

第13章 蚁群算法聚类分析334

13.1 蚁群算法的基本原理334

13.2 聚类数目已知的蚁群聚类算法337

13.3 聚类数目未知的蚁群聚类算法346

本章小结351

习题13351

第14章 粒子群算法聚类分析352

14.1 粒子群算法的基本原理352

14.2 基于粒子群算法的聚类分析355

本章小结360

习题14361

参考文献362