《模式識別與人工智慧（基於MATLAB）》是2018年清華大學出版社出版的圖書，作者是周潤景。
基本介紹
- 書名：模式識別與人工智慧（基於MATLAB）
- 作者：周潤景
- ISBN：9787302486350
- 定價：89元
- 出版社：清華大學出版社
- 出版時間：2018.07.01
圖書簡介,圖書目錄,
圖書簡介
《模式識別與人工智慧（基於MATLAB）》將模式識別與人工智慧理論與實際套用相結合, 以酒瓶顏色分類為例, 介紹了各種算法理論及相應的 MATLAB實現程式。全書共分為10章, 包括模式識別概述、貝葉斯分類器的設計、判別函式分類器的設計、聚類分析、 模糊聚類、神經網路分類器設計、模擬退火算法的分類器設計、遺傳算法聚類設計、蟻群算法聚類設計、粒子群算法聚類設計，覆蓋了各種常用的模式識別技術。
圖書目錄
第1章模式識別概述
1.1模式識別的基本概念
1.1.1模式的描述方法
1.1.2模式識別系統
1.2模式識別的基本方法
1.3模式識別的套用
習題
第2章貝葉斯分類器設計
2.1貝葉斯決策及貝葉斯公式
2.1.1貝葉斯決策簡介
2.1.2貝葉斯公式
2.2基於最小錯誤率的貝葉斯決策
2.2.1基於最小錯誤率的貝葉斯決策理論
2.2.2最小錯誤率貝葉斯分類的計算過程
2.2.3最小錯誤率貝葉斯分類的MATLAB實現
2.2.4結論
2.3最小風險貝葉斯決策
2.3.1最小風險貝葉斯決策理論
2.3.2最小錯誤率與最小風險的貝葉斯決策比較
2.3.3貝葉斯算法的計算過程
2.3.4最小風險貝葉斯分類的MATLAB實現
2.3.5結論
習題
第3章判別函式分類器設計
3.1判別函式簡介
3.2線性判別函式
3.3線性判別函式的實現
3.4基於LMSE的分類器設計
3.4.1LMSE分類法簡介
3.4.2LMSE算法原理
3.4.3LMSE算法步驟
3.4.4LMSE算法的MATLAB實現
3.4.5結論
3.5基於Fisher的分類器設計
3.5.1Fisher判別法簡介
3.5.2Fisher判別法的原理
3.5.3Fisher分類器設計
3.5.4Fisher算法的MATLAB實現
3.5.5識別待測樣本類別
3.5.6結論
3.6基於支持向量機的分類法
3.6.1支持向量機簡介
3.6.2支持向量機基本思想
3.6.3支持向量機的幾個主要優點
3.6.4訓練集為非線性情況
3.6.5核函式
3.6.6多類分類問題
3.6.7基於SVM的MATLAB實現
3.6.8結論
習題
第4章聚類分析
4.1聚類分析
4.1.1聚類的定義
4.1.2聚類準則
4.1.3基於試探法的聚類設計
4.2數據聚類——K均值聚類
4.2.1K均值聚類簡介
4.2.2K均值聚類原理
4.2.3K均值算法的優缺點
4.2.4K均值聚類的MATLAB實現
4.2.5待聚類樣本的分類結果
4.2.6結論
4.3數據聚類——基於取樣思想的改進K均值聚類
4.3.1K均值改進算法的思想
4.3.2基於取樣思想的改進K均值算法MATLAB實現
4.3.3結論
4.4數據聚類——K近鄰法聚類
4.4.1K近鄰法簡介
4.4.2K近鄰法的算法研究
4.4.3K近鄰法數據分類器的MATLAB實現
4.4.4結論
4.5數據聚類——PAM聚類
4.5.1PAM算法簡介
4.5.2PAM算法的主要流程
4.5.3PAM算法的MATLAB實現
4.5.4PAM算法的特點
4.5.5K均值算法和PAM算法分析比較
4.5.6結論
4.6數據聚類——層次聚類
4.6.1層次聚類方法簡介
4.6.2凝聚的和分裂的層次聚類
4.6.3簇間距離度量方法
4.6.4層次聚類方法存在的不足
4.6.5層次聚類的MATLAB實現
4.6.6結論
4.7數據聚類——ISODATA算法概述
4.7.1ISODATA算法套用背景
4.7.2ISODATA算法的MATLAB實現
4.7.3結論
習題
第5章模糊聚類分析
5.1模糊邏輯的發展
5.2模糊集合
5.2.1由經典集合到模糊集合
5.2.2模糊集合的基本概念
5.2.3隸屬度函式
5.3模糊集合的運算
5.3.1模糊集合的基本運算
5.3.2模糊集合的基本運算規律
5.3.3模糊集合與經典集合的聯繫
5.4模糊關係與模糊關係的合成
5.4.1模糊關係的基本概念
5.4.2模糊關係的合成
5.4.3模糊關係的性質
5.4.4模糊變換
5.5模糊邏輯及模糊推理
5.5.1模糊邏輯技術
5.5.2語言控制策略
5.5.3模糊語言變數
5.5.4模糊命題與模糊條件語句
5.5.5判斷與推理
5.5.6模糊推理
5.6數據聚類——模糊聚類
5.6.1模糊聚類的套用背景
5.6.2基於MATLAB的GUI工具的模糊算法構建——數據模糊化
5.6.3基於MATLAB的GUI工具的模糊算法構建——FIS實現
5.6.4系統結果分析
5.6.5結論
5.7數據聚類——模糊C均值聚類
5.7.1模糊C均值聚類的套用背景
5.7.2模糊C均值算法
5.7.3模糊C均值聚類的MATLAB實現
5.7.4模糊C均值聚類結果分析
5.7.5結論
5.8數據聚類——模糊ISODATA聚類
5.8.1模糊ISODATA聚類的套用背景
5.8.2模糊ISODATA算法的基本原理
5.8.3模糊ISODATA算法的基本步驟
5.8.4模糊ISODATA算法的MATLAB程式實現
5.8.5結論
5.9模糊神經網路
5.9.1模糊神經網路的套用背景
5.9.2模糊神經網路算法的原理
5.9.3模糊神經網路分類器的MATLAB實現
5.9.4結論
習題
第6章神經網路聚類設計
6.1什麼是神經網路
6.1.1神經網路的發展歷程
6.1.2生物神經系統的結構及衝動的傳遞過程
6.1.3人工神經網路的定義
6.2人工神經網路模型
6.2.1人工神經元的基本模型
6.2.2人工神經網路基本構架
6.2.3人工神經網路的工作過程
6.2.4人工神經網路的特點
6.3前饋神經網路
6.3.1感知器網路
6.3.2BP網路
6.3.3BP網路的建立及執行
6.3.4BP網路分類器的MATLAB實現
6.3.5BP網路的其他學習算法的套用
6.4反饋神經網路
6.4.1離散Hopfield網路的結構
6.4.2離散Hopfield網路的工作方式
6.4.3離散Hopfield網路的穩定性和吸引子
6.4.4離散Hopfield網路的連線權設計
6.4.5離散Hopfield網路分類器的MATLAB實現
6.4.6結論
6.5徑向基函式
6.5.1徑向基函式的網路結構及工作方式
6.5.2徑向基函式網路的特點及作用
6.5.3徑向基函式網路參數選擇
6.5.4RBF網路分類器的MATLAB實現
6.5.5結論
6.6廣義回歸神經網路
6.6.1GRNN的結構
6.6.2GRNN的理論基礎
6.6.3GRNN的特點及作用
6.6.4GRNN分類器的MATLAB實現
6.6.5結論
6.7小波神經網路
6.7.1小波神經網路的基本結構
6.7.2小波神經網路的訓練算法
6.7.3小波神經網路結構設計
6.7.4小波神經網路分類器的MATLAB實現
6.7.5結論
6.8其他形式的神經網路
6.8.1競爭型人工神經網路——自組織競爭
6.8.2競爭型人工神經網路——自組織特徵映射神經網路
6.8.3競爭型人工神經網路——學習向量量化神經網路
6.8.4機率神經網路
6.8.5CPN神經網路分類器的MATLAB實現
習題
第7章模擬退火算法聚類設計
7.1模擬退火算法簡介
7.1.1物理退火過程
7.1.2Metropolis準則
7.1.3模擬退火算法的基本原理
7.1.4模擬退火算法的組成
7.1.5模擬退火算法新解的產生和接受
7.1.6模擬退火算法的基本過程
7.1.7模擬退火算法的參數控制問題
7.2基於模擬退火思想的聚類算法
7.2.1K均值算法的局限性
7.2.2基於模擬退火思想的改進K均值聚類算法
7.2.3幾個重要參數的選擇
7.3算法實現
7.3.1實現步驟
7.3.2模擬退火實現模式分類的MATLAB程式
7.4結論
習題
第8章遺傳算法聚類設計
8.1遺傳算法簡介
8.2遺傳算法原理
8.2.1遺傳算法的基本術語
8.2.2遺傳算法進行問題求解的過程
8.2.3遺傳算法的優缺點
8.2.4遺傳算法的基本要素
8.3算法實現
8.3.1種群初始化
8.3.2適應度函式的設計
8.3.3選擇操作
8.3.4交叉操作
8.3.5變異操作
8.3.6完整程式及仿真結果
8.4結論
習題
第9章蟻群算法聚類設計
9.1蟻群算法簡介
9.2蟻群算法原理
9.2.1基本蟻群算法原理
9.2.2模型建立
9.2.3蟻群算法的特點
9.3基本蟻群算法的實現
9.4算法改進
9.4.1MMAS算法簡介
9.4.2完整程式及仿真結果
9.5結論
習題
第10章粒子群算法聚類設計
10.1粒子群算法簡介
10.2經典的粒子群算法的運算過程
10.3兩種基本的進化模型
10.4改進的粒子群最佳化算法
10.4.1粒子群最佳化算法原理
10.4.2粒子群最佳化算法的基本流程
10.5粒子群算法與其他算法的比較
10.6粒子群算法分類器的MATLAB實現
10.6.1設定參數
10.6.2初始化
10.6.3完整程式及仿真結果
10.7結論
習題
參考文獻
