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

第1章 模式識(shí)別概述
1.1模式識(shí)別的基本概念
1.2特征空間優(yōu)化設(shè)計(jì)問(wèn)題
1.3分類(lèi)器設(shè)計(jì)
1.3.1分類(lèi)器設(shè)計(jì)基本方法
1.3.2判別函數(shù)
1.3.3分類(lèi)器的選擇
1.3.4訓(xùn)練與學(xué)習(xí)
1.4聚類(lèi)設(shè)計(jì)
1.5模式識(shí)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(wèn)題
2.2樣本特征庫(kù)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(píng)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(xiě)數(shù)字特征提取與分析
2.8.1手寫(xiě)數(shù)字特征提取
2.8.2手寫(xiě)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(cè)度
3.1模式相似性測(cè)度的基本概念
3.2距離測(cè)度分類(lèi)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(lèi)中心的歐式距離法分類(lèi)
3.2.4馬氏距離分類(lèi)
3.2.5夾角余弦距離分類(lèi)
3.2.6二值化的夾角余弦距離法分類(lèi)
3.2.7二值化的Tanimoto測(cè)度分類(lèi)
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(lèi)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(wèn)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(lèi)實(shí)現(xiàn)
4.6基于最小錯(cuò)誤率的貝葉斯分類(lèi)實(shí)現(xiàn)
4.7基于最小風(fēng)險(xiǎn)的貝葉斯分類(lèi)實(shí)現(xiàn)
本章 小結(jié)
習(xí)題4
第5章 判別函數(shù)分類(lèi)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(lèi)算法
5.8Fisher分類(lèi)
5.9基于核的Fisher分類(lèi)
5.10線性分類(lèi)器實(shí)現(xiàn)分類(lèi)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(shì)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(lèi)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(guò)程
6.1.4人工神經(jīng)網(wǎng)絡(luò)在模式識(shí)別問(wèn)題上的優(yōu)勢(shì)
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(lèi)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(lèi)器設(shè)計(jì)
6.4自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)
6.4.1自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)的基本概念
6.4.2自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)分類(lèi)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(lèi)器設(shè)計(jì)
6.6對(duì)向傳播神經(jīng)網(wǎng)絡(luò)（CPN）
6.6.1對(duì)向傳播神經(jīng)網(wǎng)絡(luò)的基本概念
6.6.2對(duì)向傳播神經(jīng)網(wǎng)絡(luò)分類(lèi)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(lèi)器設(shè)計(jì)
本章 小結(jié)
習(xí)題6
第7章 決策樹(shù)分類(lèi)器設(shè)計(jì)
7.1決策樹(shù)的基本概念
7.2決策樹(shù)分類(lèi)器設(shè)計(jì)
本章 小結(jié)
習(xí)題7
第8章 粗糙集分類(lèi)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(shí)別中的應(yīng)用
8.3粗糙集分類(lèi)器設(shè)計(jì)
本章 小結(jié)
習(xí)題8
第9章 聚類(lèi)分析
9.1聚類(lèi)的設(shè)計(jì)
9.2基于試探的未知類(lèi)別聚類(lèi)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(lèi)算法
9.3.1最短距離法
9.3.2最長(zhǎng)距離法
9.3.3中間距離法
9.3.4重心法
9.3.5類(lèi)平均距離法
9.4動(dòng)態(tài)聚類(lèi)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(lèi)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(lèi)算法
本章 小結(jié)
習(xí)題9
第10章 模糊聚類(lèi)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(shí)別中的應(yīng)用
10.5基于模糊的聚類(lèi)分析
本章 小結(jié)
習(xí)題10
第11章 禁忌搜索算法聚類(lèi)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(lèi)分析
本章 小結(jié)
習(xí)題11
第12章 遺傳算法聚類(lèi)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(lèi)分析
本章 小結(jié)
習(xí)題12
第13章 蟻群算法聚類(lèi)分析
13.1蟻群算法的基本原理
13.2聚類(lèi)數(shù)目已知的蟻群聚類(lèi)算法
13.3聚類(lèi)數(shù)目未知的蟻群聚類(lèi)算法
本章 小結(jié)
習(xí)題13
第14章 粒子群算法聚類(lèi)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(lèi)分析
本章 小結(jié)
習(xí)題14
參考文獻(xiàn)