智能模式識(shí)別方法

第一章 緒論
第一節(jié) 模式識(shí)別的含義
一、模式與模式識(shí)別的概念
二、模式識(shí)別系統(tǒng)
三、模式識(shí)別的主要研究?jī)?nèi)容
第二節(jié) 模式識(shí)別的主要方法
第三節(jié) 模式識(shí)別的應(yīng)用領(lǐng)域
一、文字識(shí)別
二、語(yǔ)音識(shí)別
三、醫(yī)學(xué)上的應(yīng)用
四、狀態(tài)監(jiān)測(cè)與故障診斷
五、人臉識(shí)別
六、身份識(shí)別
第二章 統(tǒng)計(jì)模式識(shí)別基本理論
第一節(jié) 貝葉斯決策
一、最小錯(cuò)誤率貝葉斯分類(lèi)
二、最小風(fēng)險(xiǎn)率貝葉斯分類(lèi)
第二節(jié) 概率密度函數(shù)估計(jì)
一、參數(shù)估計(jì)
二、非參數(shù)技術(shù)
第三節(jié) 線性分類(lèi)器
一、線性判別函數(shù)的基本概念
二、最小距離分類(lèi)器
三、感知器準(zhǔn)則函數(shù)
四、Fisher線性判別函數(shù)
第四節(jié) 近鄰法
一、最近鄰法
二、K一近鄰法
第五節(jié) 聚類(lèi)分析
一、模式相似性測(cè)度和聚類(lèi)準(zhǔn)則
二、層次聚類(lèi)法
三、c一均值算法
四、ISODATA算法
第六節(jié) 特征選擇與提取的基本方法
一、特征評(píng)判標(biāo)準(zhǔn)——類(lèi)別可分性判據(jù)
二、特征選擇及搜索算法
三、基于K—L變換的特征提取
第三章 特征選擇與提取中的智能方法
第一節(jié) 基于神經(jīng)網(wǎng)絡(luò)的特征選擇與提取
一、神經(jīng)網(wǎng)絡(luò)理論
二、前向多層神經(jīng)網(wǎng)絡(luò)、BP算法
三、基于神經(jīng)網(wǎng)絡(luò)的特征選擇與提取方法
第二節(jié) 基于粗糙集的特征選擇與提取
一、粗糙集基本理論
二、基于粗糙集的屬性約簡(jiǎn)
三、連續(xù)屬性的離散化方法
四、粗糙集理論屬性約簡(jiǎn)中的三個(gè)問(wèn)題
五、基于啟發(fā)式知識(shí)的屬性約簡(jiǎn)方法
第三節(jié) 基于遺傳算法的特征選擇與提取
一、基本遺傳算法
二、遺傳算法的基本實(shí)現(xiàn)技術(shù)
三、遺傳算法與特征選擇、提取
第四章 神經(jīng)網(wǎng)絡(luò)模式識(shí)別
第一節(jié) 基于多層前饋神經(jīng)網(wǎng)絡(luò)的模式識(shí)別
一、多層前饋神經(jīng)網(wǎng)絡(luò)在模式識(shí)別中的應(yīng)用方法
二、基于遺傳神經(jīng)網(wǎng)絡(luò)的科研立項(xiàng)評(píng)審方法
第二節(jié) 雙向聯(lián)想記憶(趾M)
一、M矩陣的確定
二、雙向聯(lián)想功能的實(shí)現(xiàn)
三、EAM在故障診斷中的應(yīng)用例子
第三節(jié) 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)
一、插值問(wèn)題
二、正規(guī)化問(wèn)題
三、邢F網(wǎng)絡(luò)學(xué)習(xí)方法
第四節(jié) 自組織特征映射神經(jīng)網(wǎng)絡(luò)
一、網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)
二、網(wǎng)絡(luò)自組織算法
三、有教師學(xué)習(xí)
四、自組織網(wǎng)絡(luò)用于模式識(shí)別的一個(gè)例子
第五章 模糊模式識(shí)別
第一節(jié) 模糊數(shù)學(xué)的基本理論
一、模糊集合
二、模糊關(guān)系
三、模糊變換與模糊綜合評(píng)判
第二節(jié) 模糊模式識(shí)別的基本方法
一、最大隸屬原則
二、擇近原則
第三節(jié) 模糊神經(jīng)網(wǎng)絡(luò)
一、模糊神經(jīng)元
二、模糊神經(jīng)網(wǎng)絡(luò)
三、模糊BP網(wǎng)絡(luò)
四、模糊聯(lián)想記憶
第四節(jié) 模糊聚類(lèi)分析
第五節(jié) 模糊‘一均值算法
第六節(jié) 模糊模式識(shí)別技術(shù)在故障診斷中的應(yīng)用
一、柴油機(jī)系統(tǒng)故障的模糊邏輯診斷
二、模糊神經(jīng)網(wǎng)絡(luò)在汽輪發(fā)電機(jī)組故障診斷中的應(yīng)用
第六章 基于核方法的特征提取技術(shù)
第一節(jié) 核方法
第二節(jié) 基于核的主成分分析方法
一、KPCA的基本原理
二、算例分析
第三節(jié) 基于核的Fisher判別方法
一、Fisher判別方法
二、基于核的Fisher判別方法
三、算例分析
第四節(jié) 基于核的投影尋蹤方法
一、PP方法總體思路與PP指標(biāo)
二、PP主成分分析
三、基于核的PP方法
四、算例分析
第五節(jié) 主動(dòng)學(xué)習(xí)在基于核的特征提取中的應(yīng)用
一、主動(dòng)學(xué)習(xí)方法簡(jiǎn)介
二、KPCA中樣本篩選的可行性研究
三、KPCA中樣本篩選的具體方法
四、算例分析
第七章 支持向量機(jī)模式識(shí)別
第一節(jié) 統(tǒng)計(jì)學(xué)習(xí)理論基本內(nèi)容
一、一般機(jī)器學(xué)習(xí)方法所遇到的問(wèn)題
二、統(tǒng)計(jì)學(xué)習(xí)理論
第二節(jié) 支持向量機(jī)
一、最優(yōu)分類(lèi)面
二、支持向量機(jī)模型
三、多類(lèi)情況下的SVM模型
四、算例分析
五、SVM的初步討論
第三節(jié) 線性規(guī)劃支持向量機(jī)
一、不同范數(shù)下超平面之間的距離計(jì)算
二、LI范數(shù)下的線性規(guī)劃支持向量機(jī)模型
三、L。范數(shù)下的線性規(guī)劃支持向量機(jī)模機(jī)
四、線性規(guī)劃支持向量機(jī)模型的幾何性質(zhì)
第四節(jié) 等損失SVM模型
一、基于等風(fēng)險(xiǎn)的SVM模型
二、診斷算例
三、小結(jié)
第五節(jié) 樣本數(shù)目相差懸殊時(shí)的SVM模型
一、樣本數(shù)目相差懸殊時(shí)的SVM模型概述
二、算例分析
三、小結(jié)
第六節(jié) SVM中先驗(yàn)知識(shí)的應(yīng)用
第七節(jié) 主動(dòng)學(xué)習(xí)與支持向量機(jī)
第八章 基于核方法的奇異狀態(tài)檢測(cè)方法
第一節(jié) 野點(diǎn)的定義與類(lèi)型
第二節(jié) 野點(diǎn)檢測(cè)的常規(guī)方法
一、基于統(tǒng)計(jì)的野點(diǎn)檢測(cè)方法
二、基于距離的野點(diǎn)檢測(cè)方法
三、基于偏離的野點(diǎn)檢測(cè)方法
四、基于神經(jīng)網(wǎng)絡(luò)的野點(diǎn)檢測(cè)方法
第三節(jié) 核方法下基于邊界的野點(diǎn)檢測(cè)
第四節(jié) 野點(diǎn)檢測(cè)在機(jī)械設(shè)備運(yùn)行狀態(tài)實(shí)時(shí)監(jiān)測(cè)中的應(yīng)用
一、實(shí)時(shí)監(jiān)測(cè)原理
二、仿真算例分析
第五節(jié) 基于距離的樣本點(diǎn)選擇方法
一、原理
二、仿真算例
第九章 模式識(shí)別應(yīng)用實(shí)例
第一節(jié) 支持向量機(jī)在滾動(dòng)軸承質(zhì)量分類(lèi)中的應(yīng)用
一、軸承檢測(cè)裝置的硬件設(shè)計(jì)
二、檢測(cè)參數(shù)的確定
三、基于支持向量機(jī)的滾動(dòng)軸承質(zhì)量檢測(cè)方法
第二節(jié) 基于SVDD的多類(lèi)分類(lèi)算法及其在人臉識(shí)別中的應(yīng)用
一、基于SVDD的多類(lèi)分類(lèi)算法
二、在人臉識(shí)別中的應(yīng)用
第三節(jié) 基于州N的肺癌細(xì)胞識(shí)別與分類(lèi)
一、涂片圖像的預(yù)處理
二、參數(shù)的提取
三、基于神經(jīng)網(wǎng)絡(luò)的識(shí)別與分類(lèi)
四、實(shí)驗(yàn)結(jié)果
參考文獻(xiàn)