模式識別與智能計(jì)算：Matlab技術(shù)實(shí)現(xiàn)（第2版）

第1章 模式識別概述
1.1模式識別的基本概念
1.2特征空間優(yōu)化設(shè)計(jì)問題
1.3分類器設(shè)計(jì)
1.3.1分類器設(shè)計(jì)基本方法
1.3.2判別函數(shù)
1.3.3分類器的選擇
1.3.4訓(xùn)練與學(xué)習(xí)
1.4聚類設(shè)計(jì)
1.5模式識別的應(yīng)用
本章 小結(jié)
習(xí)題1
第2章 特征的選擇與優(yōu)化
2.1特征空間優(yōu)化設(shè)計(jì)問題
2.2樣本特征庫初步分析
2.3樣品篩選處理
2.4特征篩選處理
2.5特征評估
2.6基于主成分分析的特征提取
2.7特征空間描述與分析
2.7.1特征空間描述
2.7.2特征空間分布分析
2.8手寫數(shù)字特征提取與分析
2.8.1手寫數(shù)字特征提取
2.8.2手寫數(shù)字特征空間分布分析
本章 小結(jié)
習(xí)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基于PCA的模板匹配法
3.2.3基于類中心的歐式距離法分類
3.2.4馬氏距離分類
3.2.5夾角余弦距離分類
3.2.6二值化的夾角余弦距離法分類
3.2.7二值化的Tanimoto測度分類
本章 小結(jié)
習(xí)題3
第4章 基于概率統(tǒng)計(jì)的貝葉斯分類器設(shè)計(jì)
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基于最小錯(cuò)誤率的貝葉斯決策
4.3基于最小風(fēng)險(xiǎn)的貝葉斯決策
4.4貝葉斯決策比較
4.5基于二值數(shù)據(jù)的貝葉斯分類實(shí)現(xiàn)
4.6基于最小錯(cuò)誤率的貝葉斯分類實(shí)現(xiàn)
4.7基于最小風(fēng)險(xiǎn)的貝葉斯分類實(shí)現(xiàn)
本章 小結(jié)
習(xí)題4
第5章 判別函數(shù)分類器設(shè)計(jì)
5.1判別函數(shù)的基本概念
5.2線性判別函數(shù)
5.3線性判別函數(shù)的實(shí)現(xiàn)
5.4感知器算法
5.5增量校正算法
5.6LMSE驗(yàn)證可分性
5.7LMSE分類算法
5.8Fisher分類
5.9基于核的Fisher分類
5.10線性分類器實(shí)現(xiàn)分類的局限
5.11非線性判別函數(shù)
5.12分段線性判別函數(shù)
5.13勢函數(shù)法
5.14支持向量機(jī)
本章 小結(jié)
習(xí)題5
第6章 神經(jīng)網(wǎng)絡(luò)分類器設(shè)計(jì)
6.1人工神經(jīng)網(wǎng)絡(luò)的基本原理
6.1.1人工神經(jīng)元
6.1.2人工神經(jīng)網(wǎng)絡(luò)模型
6.1.3神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程
6.1.4人工神經(jīng)網(wǎng)絡(luò)在模式識別問題上的優(yōu)勢
6.2BP神經(jīng)網(wǎng)絡(luò)
6.2.1BP神經(jīng)網(wǎng)絡(luò)的基本概念
6.2.2BP神經(jīng)網(wǎng)絡(luò)分類器設(shè)計(jì)
6.3徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBF）
6.3.1徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的基本概念
6.3.2徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)分類器設(shè)計(jì)
6.4自組織競爭神經(jīng)網(wǎng)絡(luò)
6.4.1自組織競爭神經(jīng)網(wǎng)絡(luò)的基本概念
6.4.2自組織競爭神經(jīng)網(wǎng)絡(luò)分類器設(shè)計(jì)
6.5概率神經(jīng)網(wǎng)絡(luò)（PNN）
6.5.1概率神經(jīng)網(wǎng)絡(luò)的基本概念
6.5.2概率神經(jīng)網(wǎng)絡(luò)分類器設(shè)計(jì)
6.6對向傳播神經(jīng)網(wǎng)絡(luò)（CPN）
6.6.1對向傳播神經(jīng)網(wǎng)絡(luò)的基本概念
6.6.2對向傳播神經(jīng)網(wǎng)絡(luò)分類器設(shè)計(jì)
6.7反饋型神經(jīng)網(wǎng)絡(luò)（Hopfield）
6.7.1Hopfield網(wǎng)絡(luò)的基本概念
6.7.2Hopfield神經(jīng)網(wǎng)絡(luò)分類器設(shè)計(jì)
本章 小結(jié)
習(xí)題6
第7章 決策樹分類器設(shè)計(jì)
7.1決策樹的基本概念
7.2決策樹分類器設(shè)計(jì)
本章 小結(jié)
習(xí)題7
第8章 粗糙集分類器設(shè)計(jì)
8.1粗糙集理論的基本概念
8.2粗糙集在模式識別中的應(yīng)用
8.3粗糙集分類器設(shè)計(jì)
本章 小結(jié)
習(xí)題8
第9章 聚類分析
9.1聚類的設(shè)計(jì)
9.2基于試探的未知類別聚類算法
9.2.1最臨近規(guī)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(tài)聚類算法
9.4.1K均值算法
9.4.2迭代自組織的數(shù)據(jù)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基于模擬退火思想的改進(jìn)K均值聚類算法
本章 小結(jié)
習(xí)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(yùn)算
10.２.1模糊子集運(yùn)算
10.２.2模糊集運(yùn)算性質(zhì)
10.３模糊關(guān)系
10.4模糊集在模式識別中的應(yīng)用
10.5基于模糊的聚類分析
本章 小結(jié)
習(xí)題10
第11章 禁忌搜索算法聚類分析
11.1禁忌搜索算法的基本原理
11.2禁忌搜索的關(guān)鍵參數(shù)和相關(guān)操作
11.3基于禁忌搜索算法的聚類分析
本章 小結(jié)
習(xí)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(gòu)成要素
12.2.1染色體的編碼
12.2.2適應(yīng)度函數(shù)
12.2.3遺傳算子
12.3控制參數(shù)的選擇
12.４基于遺傳算法的聚類分析
本章 小結(jié)
習(xí)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(shù)目已知的蟻群聚類算法
13.3聚類數(shù)目未知的蟻群聚類算法
本章 小結(jié)
習(xí)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基于粒子群算法的聚類分析
本章 小結(jié)
習(xí)題14
參考文獻(xiàn)