✍ Scribed by 周润景
No coin nor oath required. For personal study only.
本书将模式识别与人工智能理论和实际应用相结合，以酒瓶颜色分类为例，介绍各种算法理论及相应的 MATLAB实现程序。全书共分为 10 章,内容包括模式识别概述、贝叶斯分类器设计、判别函数分类器设计、聚类分析、模糊聚类分析、神经网络聚类设计、模拟退火算法聚类设计、遗传算法聚类设计、蚁群算法聚类设计、粒子群算法聚类设计,覆盖了各种常用的模式识别技术。
本书可作为高等院校自动化、计算机、电子和通信等专业研究生和高年级本科生的教材,也可作为计算机信息处理、自动控制等相关领域工程技术人员的参考用书。
封面
扉页
内容简介
版权页
前言
目录
第1章 模式识别概述
1.1 模式识别的基本概念
1.2 模式识别的基本方法
1.3 模式识别的应用
习题
第2章 贝叶斯分类器设计
2.1 贝叶斯决策及贝叶斯公式
2.2 基于最小错误率的贝叶斯决策
2.3 最小风险贝叶斯决策
习题
第3章 判别函数分类器设计
3.1 判别函数简介
3.2 线性判别函数
3.3 线性判别函数的实现
3.4 基于LMSE的分类器设计
3.5 基于Fisher的分类器设计
3.6 基于支持向量机的分类法
习题
第4章 聚类分析
4.1 聚类分析
4.2 数据聚类———K均值聚类
4.3 数据聚类———基于取样思想的改进K均值聚类
4.4 数据聚类———K-近邻法聚类
4.5 数据聚类———PAM聚类
4.6 数据聚类———层次聚类
4.7 数据聚类———ISODATA算法概述
习题
第5章 模糊聚类分析
5.1 模糊逻辑的发展
5.2 模糊集合
5.3 模糊集合的运算
5.4 模糊关系与模糊关系的合成
5.5 模糊逻辑及模糊推理
5.6 数据聚类———模糊聚类
5.7 数据聚类———模糊C均值聚类
5.8 数据聚类———模糊ISODATA聚类
5.9 模糊神经网络
习题
第6章 神经网络聚类设计
6.1 什么是神经网络
6.2 人工神经网络模型
6.3 前馈神经网络
6.4 反馈神经网络
6.5 径向基函数
6.6 广义回归神经网络
6.7 小波神经网络
6.8 其他形式的神经网络
习题
第7章 模拟退火算法聚类设计
7.1 模拟退火算法简介
7.2 基于模拟退火思想的聚类算法
7.3 算法实现
7.4 结论
习题
第8章 遗传算法聚类设计
8.1 遗传算法简介
8.2 遗传算法原理
8.3 算法实现
8.4 结论
习题
第9章 蚁群算法聚类设计
9.1 蚁群算法简介
9.2 蚁群算法原理
9.3 基本蚁群算法的实现
9.4 算法改进
9.5 结论
习题
第10章 粒子群算法聚类设计
10.1 粒子群算法简介
10.2 经典的粒子群算法的运算过程
10.3 两种基本的进化模型
10.4 改进的粒子群优化算法
10.5 粒子群算法与其他算法的比较
10.6 粒子群算法分类器的MATLAB实现
10.7 结论
习题
正文结束
参考文献
📜 SIMILAR VOLUMES
<p>本书是模式识别领域的入门教材，系统阐述了模式识别中的基础知识、主要模型及热门应用，并给出了近年来本领域一些新的成果和观点；通过理论学习和动手实践相结合的形式使初学者能有效入门，并培养独立解决任务的能力，为模式识别的项目开发及相关科研活动打好基础.</p> <p>全书共15章，大致分为五部分：第一部分（第1~4章）介绍了本书的概论和基础知识，包括绪论、数学背景知识、模式识别系统概述以及评估；第二部分（第5~6章）介绍了与领域知识无关的特征提取，包括主成分分析和Fisher线性判别；第三部分（第7~10章）介绍了分类器与其他工具，包括支持向量机、概率方法、距离度量与数据变换、信息论和决策树
<p>《模式识别》系统阐述了模式识别的原理与方法，并在此基础上介绍了模式识别的应用。全书分为：基础部分和应用部分：基础部分主要包括统计模式识别、模糊模式识别、神经网络模式识别等内容；应用部分有车牌识别和语音识别。《模式识别》将理论与实践相结合，有利于读者加深对理论方法的理解，可使读者比较系统地掌握模式识别的理论和相关技术。书中给出的两个应用实例，为读者应用模式识别方法来解决实际问题提供了具体思路和方法。附录给出的习题解答，有利于学生学习理解原理与方法。</p> <p>《模式识别》可以作为高等院校自动化、计算机、生物医学工程等学科本科生、研究生的教材或教学参考书，亦可供有关工程技术人员参考。<
本书是与电子工业出版社出版的《模式识别及 MATLAB 实现》配套的学习指导书，在章节安排上与主 教材一致，各章节内容包括本章知识结构、知识要点和实验指导，实验指导部分给出了实验步骤、MATLAB 代码和实验结果。 实验的内容和训练对模式识别学习者有很大帮助，也为从事模式识别的工程技术人员提供了一定的 指导。
<p>《模式识别与智能计算:Matlab技术实现(第2版)》内容简介：广泛吸取统计学、神经网络、数据挖掘、机器学习、人工智能、群智能计算等学科的先进思想和理论，将其应用到模式识别领域中;以一种新的体系，系统、全面地介绍模式识别的理论、方法及应用。全书共分为14章，内容包括:模式识别概述，特征的选择与优化，模式相似性测度，基于概率统计的贝叶斯分类器设计，判别函数分类器设计，神经网络分类器设计（BP神经网络、径向基函数神经网络、白组织竞争神经网络、概率神经网络、对向传播神经网络、反馈型神经网络），决策树分类器设计，粗糙集分类器设计，聚类分析，模糊聚类分析，禁忌搜索算法聚类分析，遗传算法聚类分析，蚁
<p>《模式识别与智能计算―MATLAB技术实现（第3版）》广泛吸取统计学、神经网络、数据挖掘、机器学习、人工智能、群智能计算等学科的先进思想和理论，将其应用到模式识别领域中；以一种新的体系，系统、全面地介绍模式识别的理论、方法及应用。全书分为14章，内容包括：模式识别概述，特征的选择与优化，模式相似性测度，基于概率统计的贝叶斯分类器设计，判别函数分类器设计，神经网络分类器设计（BP神经网络、径向基函数神经网络、自组织竞争神经网络、概率神经网络、对向传播神经网络、反馈型神经网络），决策树分类器设计，粗糙集分类器设计，聚类分析，模糊聚类分析，禁忌搜索算法聚类分析，遗传算法聚类分析，蚁群算法聚类分