基本信息

• 商品名稱：模式識彆與智能計算--MATLAB技術實現(第3版十二五普通高等教育本科***規劃教材)
• 作者：楊淑瑩//張樺
• 定價：58
• 齣版社：電子工業
• ISBN號：9787121257902

其他參考信息（以實物為準）

• 齣版時間：2015-04-01
• 印刷時間：2015-04-01
• 版次：3
• 印次：1
• 開本：16開
• 包裝：平裝
• 頁數：365
• 字數：602韆字

內容提要

楊淑瑩、張樺編著的《模式識彆與智能計算-- MATLAB技術實現(第3版十二五普通高等教育本科** 級規劃教材)》廣泛吸取統計學、神經網絡、數據挖 掘、機器學習、人工智能、群智能計算等學科的先進 思想和理論，將其應用到模式識彆領域中；以一種新 的體係，係統、全麵地介紹模式識彆的理論、方法及 應用。全書分為14章，內容包括：模式識彆概述，特 徵的選擇與優化，模式相似性測度，基於概率統計的 貝葉斯分類器設計，判彆函數分類器設計，神經網絡 分類器設計（BP神經網絡、徑嚮基函數神經網絡、自 組織競爭神經網絡、概率神經網絡、對嚮傳播神經網 絡、反饋型神經網絡），決策樹分類器設計，粗糙集 分類器設計，聚類分析，模糊聚類分析，禁忌搜索算 法聚類分析，遺傳算法聚類分析,蟻群算法聚類分析, 粒子群算法聚類分析。
     本書內容新穎，實用性強，理論與實際應用密切 結閤，以手寫數字識彆為應用實例，介紹理論運用於 實踐的實現步驟及相應的Matlab代碼，為廣大研究工 作者和工程技術人員對相關理論的應用提供藉鑒。
     本書可作為高等院校計算機工程、信息工程、生 物醫學工程、智能機器人學、工業自動化、模式識彆 等學科本科生、研究生的教材或教學參考書，也可供 相關工程技術人員參考。
    

目錄

**章 模式識彆概述
1.1 模式識彆的基本概念
1.2 模式識彆的基本方法
1.3 統計模式識彆
1.3.1 統計模式識彆研究的主要問題
1.3.2 統計模式識彆方法簡介
1.4 分類分析
1.4.1 分類器設計
1.4.2 判彆函數
1.4.3 分類器的選擇
1.4.4 訓練與學習
1.5 聚類分析
1.5.1 聚類的設計
1.5.2 基於試探法的聚類設計
1.5.3 基於群體智能優化算法的聚類設計
1.6 模式識彆的應用
本章小結
習題1
第2章 特徵的選擇與優化
2.1 特徵空間優化設計問題
2.2 樣本特徵庫初步分析
2.3 樣品篩選處理
2.4 特徵篩選處理
2.5 特徵評估
2.6 基於主成分分析的特徵提取
2.7 特徵空間描述與分析
2.7.1 特徵空間描述
2.7.2 特徵空間分布分析
2.8 手寫數字特徵提取與分析
2.8.1 手寫數字特徵提取
2.8.2 手寫數字特徵空間分布分析
本章小結
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 模闆匹配法
3.2.2 基於PCA的模闆匹配法
3.2.3 基於類中心的歐式距離法分類
3.2.4 馬氏距離分類
3.2.5 夾角餘弦距離分類
3.2.6 二值化的夾角餘弦距離法分類
3.2.7 二值化的Tanimoto測度分類
本章小結
習題3
第4章 基於概率統計的貝葉斯分類器設計
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 基於*小錯誤率的貝葉斯決策
4.3 基於*小風險的貝葉斯決策
4.4 貝葉斯決策比較
4.5 基於二值數據的貝葉斯分類實現
4.6 基於*小錯誤率的貝葉斯分類實現
4.7 基於*小風險的貝葉斯分類實現
本章小結
習題4
第5章 判彆函數分類器設計
5.1 判彆函數的基本概念
5.2 綫性判彆函數
5.3 綫性判彆函數的實現
5.4 感知器算法
5.5 增量校正算法
5.6 LMSE驗證可分性
5.7 LMSE分類算法
5.8 Fisher分類
5.9 基於核的Fisher分類
5.10 勢函數法
5.11 支持嚮量機
本章小結
習題5
第6章 神經網絡分類器設計
6.1 人工神經網絡的基本原理
6.1.1 人工神經元
6.1.2 人工神經網絡模型
6.1.3 神經網絡的學習過程
6.1.4 人工神經網絡在模式識彆問題上的優勢
6.2 BP神經網絡
6.2.1 BP神經網絡的基本概念
6.2.2 BP神經網絡分類器設計
6.3 徑嚮基函數神經網絡(RBF)
6.3.1 徑嚮基函數神經網絡的基本概念
6.3.2 徑嚮基函數神經網絡分類器設計
6.4 自組織競爭神經網絡
6.4.1 自組織競爭神經網絡的基本概念
6.4.2 自組織競爭神經網絡分類器設計
6.5 概率神經網絡(PNN)
6.5.1 概率神經網絡的基本概念
6.5.2 概率神經網絡分類器設計
6.6 對嚮傳播神經網絡(CPN)
6.6.1 對嚮傳播神經網絡的基本概念
6.6.2 對嚮傳播神經網絡分類器設計
6.7 反饋型神經網絡(Hopfield)
6.7.1 Hopfield網絡的基本概念
6.7.2 Hopfield神經網絡分類器設計
本章小結
習題6
第7章 決策樹分類器設計
7.1 決策樹的基本概念
7.2 決策樹分類器設計
本章小結
習題7
第8章 粗糙集分類器設計
8.1 粗糙集理論的基本概念
8.2 粗糙集在模式識彆中的應用
8.3 粗糙集分類器設計
本章小結
習題8
第9章 聚類分析
9.1 聚類的設計
9.2 基於試探的未知類彆聚類算法
9.2.1 *臨近規則的試探法
9.2.2 *大*小距離算法
9.3 層次聚類算法
9.3.1 *短距離法
9.3.2 *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 動態聚類算法
9.4.1 K均值算法
9.4.2 迭代自組織的數據分析算法（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 基於模擬退火思想的改進K均值聚類算法
本章小結
習題9
**0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
10.３模糊關係
10.4 模糊集在模式識彆中的應用
10.5 基於模糊的聚類分析
本章小結
習題10
**1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 禁忌搜索的關鍵參數和相關操作
11.3 基於禁忌搜索算法的聚類分析
本章小結
習題11
**2章 遺傳算法聚類分析
12.1 遺傳算法的基本原理
12.2 遺傳算法的構成要素
12.2.1 染色體的編碼
12.2.2 適應度函數
12.2.3 遺傳算子
12.3 控製參數的選擇
12.４基於遺傳算法的聚類分析
本章小結
習題12
**3章 蟻群算法聚類分析
13.1 蟻群算法的基本原理
13.2 聚類數目已知的蟻群聚類算法
13.3 聚類數目未知的蟻群聚類算法
本章小結
習題13
**4章 粒子群算法聚類分析
14.1 粒子群算法的基本原理
14.2 基於粒子群算法的聚類分析
本章小結
習題14
參考文獻