模式識別與智能計算：MATLAB技術實現(xiàn)（第3版）

定　價：￥58.00

作　者：	楊淑瑩
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	計算機/網(wǎng)絡人工智能

購買這本書可以去

ISBN：	9787121257902	出版時間：	2015-04-01	包裝：
開本：		頁數(shù)：		字數(shù)：

內容簡介

　　本書廣泛吸取統(tǒng)計學、神經(jīng)網(wǎng)絡、數(shù)據(jù)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，將其應用到模式識別領域中；以一種新的體系，系統(tǒng)、全面地介紹模式識別的理論、方法及應用。全書分為14章，內容包括：模式識別概述，特征的選擇與優(yōu)化，模式相似性測度，基于概率統(tǒng)計的貝葉斯分類器設計，判別函數(shù)分類器設計，神經(jīng)網(wǎng)絡分類器設計（BP神經(jīng)網(wǎng)絡、徑向基函數(shù)神經(jīng)網(wǎng)絡、自組織競爭神經(jīng)網(wǎng)絡、概率神經(jīng)網(wǎng)絡、對向傳播神經(jīng)網(wǎng)絡、反饋型神經(jīng)網(wǎng)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合，以手寫數(shù)字識別為應用實例，介紹理論運用于實踐的實現(xiàn)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借鑒。

作者簡介

　　楊淑瑩，天津理工大學計算機系教授，天津大學電子信息學院博士，發(fā)表相關的論文近20篇，其中四篇被EI檢索。出版的多本著作被清華大學等多所大學選為研究生或本科生教材。出版方向：計算機視覺，模式識別，圖像處理及應用，計算機控制和機器人視覺控制。

圖書目錄

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統(tǒng)計模式識別
1.3.1統(tǒng)計模式識別研究的主要問題
1.3.2統(tǒng)計模式識別方法簡介
1.4分類分析
1.4.1分類器設計
1.4.2判別函數(shù)
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基于試探法的聚類設計
1.5.3基于群體智能優(yōu)化算法的聚類設計
1.6模式識別的應用
本章小結
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
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基于類中心的歐式距離法分類
3.2.4馬氏距離分類
3.2.5夾角余弦距離分類
3.2.6二值化的夾角余弦距離法分類
3.2.7二值化的Tanimoto測度分類
本章小結
習題3
第4章基于概率統(tǒng)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基于二值數(shù)據(jù)的貝葉斯分類實現(xiàn)
4.6基于最小錯誤率的貝葉斯分類實現(xiàn)
4.7基于最小風險的貝葉斯分類實現(xiàn)
本章小結
習題4
第5章判別函數(shù)分類器設計
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
5.5增量校正算法
5.6LMSE驗證可分性
5.7LMSE分類算法
5.8Fisher分類
5.9基于核的Fisher分類
5.10勢函數(shù)法
5.11支持向量機
本章小結
習題5
第6章神經(jīng)網(wǎng)絡分類器設計
6.1人工神經(jīng)網(wǎng)絡的基本原理
6.1.1人工神經(jīng)元
6.1.2人工神經(jīng)網(wǎng)絡模型
6.1.3神經(jīng)網(wǎng)絡的學習過程
6.1.4人工神經(jīng)網(wǎng)絡在模式識別問題上的優(yōu)勢
6.2BP神經(jīng)網(wǎng)絡
6.2.1BP神經(jīng)網(wǎng)絡的基本概念
6.2.2BP神經(jīng)網(wǎng)絡分類器設計
6.3徑向基函數(shù)神經(jīng)網(wǎng)絡(RBF)
6.3.1徑向基函數(shù)神經(jīng)網(wǎng)絡的基本概念
6.3.2徑向基函數(shù)神經(jīng)網(wǎng)絡分類器設計
6.4自組織競爭神經(jīng)網(wǎng)絡
6.4.1自組織競爭神經(jīng)網(wǎng)絡的基本概念
6.4.2自組織競爭神經(jīng)網(wǎng)絡分類器設計
6.5概率神經(jīng)網(wǎng)絡(PNN)
6.5.1概率神經(jīng)網(wǎng)絡的基本概念
6.5.2概率神經(jīng)網(wǎng)絡分類器設計
6.6對向傳播神經(jīng)網(wǎng)絡(CPN)
6.6.1對向傳播神經(jīng)網(wǎng)絡的基本概念
6.6.2對向傳播神經(jīng)網(wǎng)絡分類器設計
6.7反饋型神經(jīng)網(wǎng)絡(Hopfield)
6.7.1Hopfield網(wǎng)絡的基本概念
6.7.2Hopfield神經(jīng)網(wǎng)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粗糙集在模式識別中的應用
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最長距離法
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(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
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
10.３模糊關系
10.4模糊集在模式識別中的應用
10.5基于模糊的聚類分析
本章小結
習題10
第11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(shù)和相關操作
11.3基于禁忌搜索算法的聚類分析
本章小結
習題11
第12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(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分析
本章小結
習題12
第13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(shù)目已知的蟻群聚類算法
13.3聚類數(shù)目未知的蟻群聚類算法
本章小結
習題13
第14章粒子群算法聚類分析
14.1粒子群算法的基本原理
14.2基于粒子群算法的聚類分析
本章小結
習題14
參考文獻