模式識別與智能計算：MATLAB技術(shù)實現(xiàn)（第4版）

目錄
第1章模式識別概述
11模式識別的基本概念
12統(tǒng)計模式識別
121統(tǒng)計模式識別研究的主要問題
122統(tǒng)計模式識別方法簡介
13分類分析
131分類器設(shè)計
132分類器的選擇
133訓練與學習
14聚類分析
141聚類的設(shè)計
142基于試探法的聚類設(shè)計
143基于群體智能優(yōu)化算法的聚類設(shè)計
15模式識別的應(yīng)用
本章小結(jié)
習題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馬氏距離分類
本章小結(jié)
習題3
第4章基于概率統(tǒng)計的貝葉斯分類器設(shè)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基于最小錯誤率的貝葉斯決策
43基于最小風險的貝葉斯決策
44貝葉斯決策比較
45基于最小錯誤率的貝葉斯分類實現(xiàn)
46基于最小風險的貝葉斯分類實現(xiàn)
本章小結(jié)
習題4
第5章判別函數(shù)分類器設(shè)計
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)的實現(xiàn)
54感知器算法
55Fisher分類
56基于核的Fisher分類
57支持向量機
本章小結(jié)
習題5
第6章神經(jīng)網(wǎng)絡(luò)分類器設(shè)計
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)的學習過程
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
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
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
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
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
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
本章小結(jié)
習題6
第7章決策樹分類器設(shè)計
71決策樹的基本概念
72決策樹分類器設(shè)計
本章小結(jié)
習題7
第8章粗糙集分類器設(shè)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應(yīng)用
83粗糙集分類器設(shè)計
本章小結(jié)
習題8
第9章聚類分析
91聚類的設(shè)計
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重心法
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K均值聚類算法
本章小結(jié)
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(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)
習題10
第11章遺傳算法聚類分析
111遺傳算法的基本原理
11２遺傳算法的構(gòu)成要素
1121染色體的編碼
1122適應(yīng)度函數(shù)
1123遺傳算子
113控制參數(shù)的選擇
11４基于遺傳算法的聚類分析
本章小結(jié)
習題11
第12章粒子群算法聚類分析
121粒子群算法的基本原理
122基于粒子群算法的聚類分析
本章小結(jié)
習題12
第13章Memetic算法仿生計算
131Memetic算法
132Memetic算法仿生計算在聚類分析中的應(yīng)用
本章小結(jié)
習題13
參考文獻