模式識別與智慧型計算—MATLAB技術實現（第3版）

《模式識別與智慧型計算—MATLAB技術實現（第3版）》是2015年4月電子工業出版社出版的圖書，作者是楊淑瑩、張樺。

基本介紹

• 書名：模式識別與智慧型計算—MATLAB技術實現（第3版）
• 作者：楊淑瑩,張樺
• 出版社：電子工業出版社
• 出版時間：2015年4月
• 頁數：376 頁
• 定價：58 元 
• 開本：16 開
• ISBN：9787121257902
• 字數：601千字
• 版次：01-01

內容簡介

本書廣泛吸取統計學、神經網路、數據挖掘、機器學習、人工智慧、群智慧型計算等學科的先進思想和理論，將其套用到模式識別領域中；以一種新的體系，系統、全面地介紹模式識別的理論、方法及套用。全書分為14章，內容包括：模式識別概述，特徵的選擇與最佳化，模式相似性測度，基於機率統計的貝葉斯分類器設計，判別函式分類器設計，神經網路分類器設計（BP神經網路、徑向基函式神經網路、自組織競爭神經網路、機率神經網路、對向傳播神經網路、反饋型神經網路），決策樹分類器設計，粗糙集分類器設計，聚類分析，模糊聚類分析，禁忌搜尋算法聚類分析，遺傳算法聚類分析,蟻群算法聚類分析,粒子群算法聚類分析。 本書內容新穎，實用性強，理論與實際套用密切結合，以手寫數字識別為套用實例，介紹理論運用於實踐的實現步驟及相應的Matlab代碼，為廣大研究工作者和工程技術人員對相關理論的套用提供借鑑。

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2模式識別的基本方法

13統計模式識別

131統計模式識別研究的主要問題

132統計模式識別方法簡介

14分類分析

141分類器設計

142判別函式

143分類器的選擇

144訓練與學習

15聚類分析

151聚類的設計

152基於試探法的聚類設計

153基於群體智慧型最佳化算法的聚類設計

16模式識別的套用

本章小結

習題1

第2章特徵的選擇與最佳化

21特徵空間最佳化設計問題

22樣本特徵庫初步分析

23樣品篩選處理

24特徵篩選處理

25特徵評估

26基於主成分分析的特徵提取

27特徵空間描述與分析

271特徵空間描述

272特徵空間分布分析

28手寫數字特徵提取與分析

281手寫數字特徵提取

282手寫數字特徵空間分布分析

本章小結

習題2

第3章模式相似性測度

31模式相似性測度的基本概念

32距離測度分類法

321模板匹配法

322基於PCA的模板匹配法

323基於類中心的歐式距離法分類

324馬氏距離分類

325夾角餘弦距離分類

326二值化的夾角餘弦距離法分類

327二值化的Tanimoto測度分類

本章小結

習題3

第4章基於機率統計的貝葉斯分類器設計

41貝葉斯決策的基本概念

411貝葉斯決策所討論的問題

412貝葉斯公式

42基於最小錯誤率的貝葉斯決策

43基於最小風險的貝葉斯決策

44貝葉斯決策比較

45基於二值數據的貝葉斯分類實現

46基於最小錯誤率的貝葉斯分類實現

47基於最小風險的貝葉斯分類實現

本章小結

習題4

第5章判別函式分類器設計

51判別函式的基本概念

52線性判別函式

53線性判別函式的實現

54感知器算法

55增量校正算法

56LMSE驗證可分性

57LMSE分類算法

58Fisher分類

59基於核的Fisher分類

510勢函式法

511支持向量機

本章小結

習題5

第6章神經網路分類器設計

61人工神經網路的基本原理

611人工神經元

612人工神經網路模型

613神經網路的學習過程

614人工神經網路在模式識別問題上的優勢

62BP神經網路

621BP神經網路的基本概念

622BP神經網路分類器設計

63徑向基函式神經網路(RBF)

631徑向基函式神經網路的基本概念

632徑向基函式神經網路分類器設計

64自組織競爭神經網路

641自組織競爭神經網路的基本概念

642自組織競爭神經網路分類器設計

65機率神經網路(PNN)

651機率神經網路的基本概念

652機率神經網路分類器設計

66對向傳播神經網路(CPN)

661對向傳播神經網路的基本概念

662對向傳播神經網路分類器設計

67反饋型神經網路(Hopfield)

671Hopfield網路的基本概念

672Hopfield神經網路分類器設計

本章小結

習題6

第7章決策樹分類器設計

71決策樹的基本概念

72決策樹分類器設計

本章小結

習題7

第8章粗糙集分類器設計

81粗糙集理論的基本概念

82粗糙集在模式識別中的套用

83粗糙集分類器設計

本章小結

習題8

第9章聚類分析

91聚類的設計

92基於試探的未知類別聚類算法

921最臨近規則的試探法

922最大最小距離算法

93層次聚類算法

931最短距離法

932最長距離法

933中間距離法

934重心法

935類平均距離法

94動態聚類算法

941K均值算法

942疊代自組織的數據分析算法（ISODATA）

95模擬退火聚類算法

951模擬退火的基本概念

952基於模擬退火思想的改進K均值聚類算法

本章小結

習題9

第10章模糊聚類分析

101模糊集的基本概念

102模糊集運算

1021模糊子集運算

1022模糊集運算性質

103模糊關係

104模糊集在模式識別中的套用

105基於模糊的聚類分析

本章小結

習題10

第11章禁忌搜尋算法聚類分析

111禁忌搜尋算法的基本原理

112禁忌搜尋的關鍵參數和相關操作

113基於禁忌搜尋算法的聚類分析

本章小結

習題11

第12章遺傳算法聚類分析

121遺傳算法的基本原理

122遺傳算法的構成要素

1221染色體的編碼

1222適應度函式

1223遺傳運算元

123控制參數的選擇

124基於遺傳算法的聚類分析

本章小結

習題12

第13章蟻群算法聚類分析

131蟻群算法的基本原理

132聚類數目已知的蟻群聚類算法

133聚類數目未知的蟻群聚類算法

本章小結

習題13

第14章粒子群算法聚類分析

141粒子群算法的基本原理

142基於粒子群算法的聚類分析

本章小結

習題14

參考文獻