基于MATLAB的人工智能模式識別

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 模式識別的應用
第2章 基于貝葉斯決策理論的分類器設計
2．1 貝葉斯決策簡介
2．1．1 貝葉斯決策所討論的問題
2．1．2 貝葉斯公式
2．2 最小錯誤率貝葉斯決策
2．2．1 最小錯誤率貝葉斯決策理論
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)
2．3 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貝葉斯決策的比較
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)
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 費希爾分類器的設計與實現(xiàn)
3．5 LDA判別器的設計與實現(xiàn)
3．6 基于支持向量機算法的新蒙文字母識別系統(tǒng)的研究
3．6．1 支持向量機模型和工作原理
3．6．2 線性可分支持向量機
3．6．3 非線性可分支持向量機
3．6．4 L1軟間隔支持向量機
3．6．5 支持向量機的構建、初始化、仿真
3．6．6 支持向量機各層及各層間傳輸函數(shù)的設計選擇
3．7 決策樹算法與隨機森林
3．7．1 決策樹算法
3．7．2 ID3算法
3．7．3 隨機森林算法
第4章 聚類分析
4．1 聚類分析概述
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-均值算法
4．2．1 K-均值算法概述
4．2．2 K-均值算法的主要流程
4．2．3 K-均值算法的特點
4．2．4 K-均值算法的MATLAB實現(xiàn)
4．3 PAM算法的研究
4．3．1 PAM算法概述
4．3．2 PAM算法的主要流程
4．3．3 PAM算法的MATLAB實現(xiàn)
4．4 I SODATA算法
4．4．1 ISODATA算法概述
4．4．2 聚類數(shù)據(jù)背景
4．4．3 ISODATA算法的MATLAB實現(xiàn)
4．4．4 聚類效果評價
4．4．5 實驗結果與分析
4．5 AP算法
4．5．1 AP算法概述
4．5．2 AP算法原理
4．5．3 AP算法步驟
4．5．4 近鄰傳播聚類相關參數(shù)研究
4．5．5 AP算法的MATLAB實現(xiàn)
4．6 基于PCA算法的新蒙文字母識別研究
4．6．1 相關原理
4．6．2 PCA算法步驟
4．6．3 PCA算法實現(xiàn)
4．7 粗糙集聚類
4．7．1 粗糙集的基本理論與方法
4．7．2 粗糙集聚類方法
4．7．3 粗糙集聚類的MATLAB實現(xiàn)
4．8 層次聚類算法
4．8．1 層次聚類理論分析
4．8．2 各函數(shù)表示的意義
4．8．3 實例說明
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(jīng)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(jīng)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 模糊ISODATA算法
5．6．1 模糊ISODATA算法的基本原理
5．6．2 模糊ISODATA算法的基本步驟
5．6．3 模糊ISODATA算法的MATLAB實現(xiàn)
5．7 模糊聚類C均值算法的車牌字符分割
5．7．1 車牌圖像識別的預處理
5．7．2 車牌定位
5．7．3 基于FCM算法的車牌字符分割
5．8 利用模糊聚類進行數(shù)據(jù)分類
5．8．1 利用等價模糊關系進行聚類分析的MATLAB實現(xiàn)
5．8．2 模糊C均值算法（模糊聚類的一種改進方法）
5．8．3 模糊C均值算法的MATLAB實現(xiàn)程序及結果
第6章 神經(jīng)網(wǎng)絡聚類設計
6．1 什么是神經(jīng)網(wǎng)絡
6．1．1 神經(jīng)網(wǎng)絡技術的發(fā)展歷程
6．1．2 生物神經(jīng)系統(tǒng)的結構及沖動的傳遞過程
6．1．3 人工神經(jīng)網(wǎng)絡的定義
6．2 人工神經(jīng)網(wǎng)絡模型
6．3 概率神經(jīng)網(wǎng)絡（PNN）
6．4 BP神經(jīng)網(wǎng)絡
6．4．1 BP網(wǎng)絡
6．4．2 BP網(wǎng)絡的建立及執(zhí)行
6．4．3 BP網(wǎng)絡在字符識別中的應用
6．4．4 BP算法在分類識別中的應用
6．5 RBF神經(jīng)網(wǎng)絡
6．5．1 徑向基函數(shù)的網(wǎng)絡結構及工作方式
6．5．2 徑向基函數(shù)網(wǎng)絡的特點及作用
6．5．3 徑向基函數(shù)網(wǎng)絡參數(shù)選擇
6．5．4 徑向基網(wǎng)絡在分類識別中的應用
6．5．5 RBF網(wǎng)絡用于模式分類
6．6 反饋神經(jīng)網(wǎng)絡
6．6．1 離散Hopfield網(wǎng)絡（DHNN）的結構
6．6．2 離散Hopfield網(wǎng)絡的工作方式
6．6．3 Hopfield網(wǎng)絡的穩(wěn)定性和吸引子
6．6．4 Hopfield網(wǎng)絡的連接權設計
6．6．5 Hopfield網(wǎng)絡應用于模式分類
6．6．6 離散Hopfield網(wǎng)絡應用于分類識別
6．7 卷積神經(jīng)網(wǎng)絡
6．7．1 卷積神經(jīng)網(wǎng)絡的出現(xiàn)背景
6．7．2 卷積神經(jīng)網(wǎng)絡原理
6．7．3 卷積神經(jīng)網(wǎng)絡應用于模式分類
6．8 小波神經(jīng)網(wǎng)絡
6．8．1 小波神經(jīng)網(wǎng)絡的基本結構
6．8．2 小波神經(jīng)網(wǎng)絡的訓練算法
6．8．3 小波神經(jīng)網(wǎng)絡結構設計
6．8．4 小波神經(jīng)網(wǎng)絡用于模式分類
6．9 其他形式的神經(jīng)網(wǎng)絡
6．9．1 競爭型人工神經(jīng)網(wǎng)絡――自組織競爭
6．9．2 競爭型人工神經(jīng)網(wǎng)絡――自組織特征映射神經(jīng)網(wǎng)絡（SOM）
6．9．3 競爭型人工神經(jīng)網(wǎng)絡――學習向量量化神經(jīng)網(wǎng)絡（LVQ）
6．9．4 CPN神經(jīng)網(wǎng)絡的設計
第7章 模擬退火算法聚類設計
7．1 模擬退火算法簡介
7．2 基于模擬退火思想的聚類算法
7．3 模擬退火算法實現(xiàn)
7．3．1 模擬退火算法實現(xiàn)步驟
7．3．2 模擬退火算法實現(xiàn)模式分類的MATLAB程序
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
8．3 遺傳算法實現(xiàn)
8．3．1 種群初始化
8．3．2 適應度函數(shù)的確定
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
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 基本蟻群算法的原理
9．2．2 蟻群算法的模型建立
9．2．3 蟻群算法的特點
9．3 基本蟻群算法實現(xiàn)
9．3．1 蟻群算法的實現(xiàn)特點
9．3．2 蟻群算法的實現(xiàn)方法
9．3．3 蟻群算法的MATLAB仿真及對比分析
9．3．4 與C均值聚類對比分析
9．3．5 MATLAB程序代碼
第10章 粒子群算法聚類設計
10．1 粒子群算法簡介
10．2 經(jīng)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 粒子群優(yōu)化算法應用到模式分類
10．7 基于K-均值算法的粒子群優(yōu)化算法
10．7．1 基于K-均值算法的粒子群算法思想與描述
10．7．2 基于K-均值算法的粒子群算法流程
10．7．3 基于K-均值算法的粒子群優(yōu)化算法在聚類分析中的應用
第11章 模板匹配法
11．1 基于特征的模板匹配法
11．2 相關匹配法
11．3 模板匹配法的應用
11．3．1 實現(xiàn)字符識別的步驟
11．3．2 圖像預處理
11．3．3 模板匹配法識別過程
11．3．4 模板匹配法識別結果
第12章 余弦相似度算法
12．1 余弦相似度算法的原理
12．2 余弦相似度算法的應用
12．2．1 余弦相似度算法的設計流程
12．2．2 余弦相似度算法的識別結果