模式識別與人工智能（基于MATLAB）

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(tǒng)

 

1.2模式識別的基本方法

 

1.3模式識別的應用

 

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基于最小錯誤率的貝葉斯決策

 

2.2.1基于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(xiàn)

 

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(xiàn)

 

2.3.5結論

 

習題

 

第3章判別函數(shù)分類器設計

 

3.1判別函數(shù)簡介

 

3.2線性判別函數(shù)

 

3.3線性判別函數(shù)的實現(xiàn)

 

 

3.4基于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(xiàn)

 

3.4.5結論

 

3.5基于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(xiàn)

 

3.5.5識別待測樣本類別

 

3.5.6結論

 

3.6基于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(yōu)點

 

3.6.4訓練集為非線性情況

 

3.6.5核函數(shù)

 

3.6.6多類分類問題

 

3.6.7基于SVM的MATLAB實現(xiàn)

 

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基于試探法的聚類設計

 

4.2數(shù)據(jù)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(yōu)缺點

 

4.2.4K均值聚類的MATLAB實現(xiàn)

 

4.2.5待聚類樣本的分類結果

 

4.2.6結論

 

4.3數(shù)據(jù)聚類——基于取樣思想的改進K均值聚類

 

4.3.1K均值改進算法的思想

 

4.3.2基于取樣思想的改進K均值算法MATLAB實現(xiàn)

 

4.3.3結論

 

4.4數(shù)據(jù)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(shù)據(jù)分類器的MATLAB實現(xiàn)

 

4.4.4結論

 

4.5數(shù)據(jù)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(xiàn)

 

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(shù)據(jù)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(xiàn)

 

4.6.6結論

 

4.7數(shù)據(jù)聚類——ISODATA算法概述

 

4.7.1ISODATA算法應用背景

 

4.7.2ISODATA算法的MATLAB實現(xiàn)

 

4.7.3結論

 

習題

 

第5章模糊聚類分析

 

5.1模糊邏輯的發(fā)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隸屬度函數(shù)

 

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(guī)律

 

5.3.3模糊集合與經典集合的聯(lián)系

 

5.4模糊關系與模糊關系的合成

 

5.4.1模糊關系的基本概念

 

5.4.2模糊關系的合成

 

5.4.3模糊關系的性質

 

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模糊語言變量

 

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(shù)據(jù)聚類——模糊聚類

 

5.6.1模糊聚類的應用背景

 

5.6.2基于MATLAB的GUI工具的模糊算法構建——數(shù)據(jù)模糊化

 

5.6.3基于MATLAB的GUI工具的模糊算法構建——FIS實現(xiàn)

 

5.6.4系統(tǒng)結果分析

 

5.6.5結論

 

5.7數(shù)據(jù)聚類——模糊C均值聚類

 

5.7.1模糊C均值聚類的應用背景

 

5.7.2模糊C均值算法

 

5.7.3模糊C均值聚類的MATLAB實現(xiàn)

 

5.7.4模糊C均值聚類結果分析

 

5.7.5結論

 

5.8數(shù)據(jù)聚類——模糊ISODATA聚類

 

5.8.1模糊ISODATA聚類的應用背景

 

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程序實現(xiàn)

 

5.8.5結論

 

5.9模糊神經網絡

 

5.9.1模糊神經網絡的應用背景

 

5.9.2模糊神經網絡算法的原理

 

5.9.3模糊神經網絡分類器的MATLAB實現(xiàn)

 

5.9.4結論

 

習題

 

第6章神經網絡聚類設計

 

6.1什么是神經網絡

 

6.1.1神經網絡的發(fā)展歷程

 

6.1.2生物神經系統(tǒng)的結構及沖動的傳遞過程

 

6.1.3人工神經網絡的定義

 

6.2人工神經網絡模型

 

6.2.1人工神經元的基本模型

 

6.2.2人工神經網絡基本構架

 

6.2.3人工神經網絡的工作過程

 

6.2.4人工神經網絡的特點

 

6.3前饋神經網絡

 

6.3.1感知器網絡

 

6.3.2BP網絡

 

6.3.3BP網絡的建立及執(zhí)行

 

6.3.4BP網絡分類器的MATLAB實現(xiàn)

 

6.3.5BP網絡的其他學習算法的應用

 

6.4反饋神經網絡

 

6.4.1離散Hopfield網絡的結構

 

6.4.2離散Hopfield網絡的工作方式

 

6.4.3離散Hopfield網絡的穩(wěn)定性和吸引子

 

6.4.4離散Hopfield網絡的連接權設計

 

6.4.5離散Hopfield網絡分類器的MATLAB實現(xiàn)

 

6.4.6結論

 

6.5徑向基函數(shù)

 

6.5.1徑向基函數(shù)的網絡結構及工作方式

 

6.5.2徑向基函數(shù)網絡的特點及作用

 

6.5.3徑向基函數(shù)網絡參數(shù)選擇

 

6.5.4RBF網絡分類器的MATLAB實現(xiàn)

 

6.5.5結論

 

6.6廣義回歸神經網絡

 

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(xiàn)

 

6.6.5結論

 

6.7小波神經網絡

 

6.7.1小波神經網絡的基本結構

 

6.7.2小波神經網絡的訓練算法

 

6.7.3小波神經網絡結構設計

 

6.7.4小波神經網絡分類器的MATLAB實現(xiàn)

 

6.7.5結論

 

6.8其他形式的神經網絡

 

6.8.1競爭型人工神經網絡——自組織競爭

 

6.8.2競爭型人工神經網絡——自組織特征映射神經網絡

 

6.8.3競爭型人工神經網絡——學習向量量化神經網絡

 

6.8.4概率神經網絡

 

6.8.5CPN神經網絡分類器的MATLAB實現(xiàn)

 

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(shù)控制問題

 

7.2基于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基于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(shù)的選擇

 

7.3算法實現(xiàn)

 

7.3.1實現(xiàn)步驟

 

7.3.2模擬退火實現(xiàn)模式分類的MATLAB程序

 

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(yōu)缺點

 

8.2.4遺傳算法的基本要素

 

8.3算法實現(xiàn)

 

8.3.1種群初始化

 

8.3.2適應度函數(shù)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完整程序及仿真結果

 

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(xiàn)

 

9.4算法改進

 

9.4.1MMAS算法簡介

 

9.4.2完整程序及仿真結果

 

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改進的粒子群優(yōu)化算法

 

10.4.1粒子群優(yōu)化算法原理

 

10.4.2粒子群優(yōu)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(xiàn)

 

10.6.1設定參數(shù)

 

10.6.2初始化

 

10.6.3完整程序及仿真結果

 

10.7結論

 

習題

 

參考文獻