✍ Scribed by 杨淑莹
No coin nor oath required. For personal study only.
《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，蚁群算法聚类分析，粒子群算法聚类分析。
《模式识别与智能计算―MATLAB技术实现（第3版）》内容新颖，实用性强，理论与实际应用密切结合，以手写数字识别为应用实例，介绍理论运用于实践的实现步骤及相应的Matlab代码，为广大研究工作者和工程技术人员对相关理论的应用提供借鉴。
扉页
版权
第3版前言
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 统计模式识别
1.3.1 统计模式识别研究的主要问题
1.3.2 统计模式识别方法简介
1.4 分类分析
1.4.1 分类器设计
1.4.2 判别函数
1.4.3 分类器的选择
1.4.4 训练与学习
1.5 聚类分析
1.5.1 聚类的设计
1.5.2 基于试探法的聚类设计
1.5.3 基于群体智能优化算法的聚类设计
1.6 模式识别的应用
本章小结
习题1
第2章 特征的选择与优化
2.1 特征空间优化设计问题
2.2 样本特征库初步分析
2.3 样品筛选处理
2.4 特征筛选处理
2.5 特征评估
2.6 基于主成分分析的特征提取
2.7 特征空间描述与分析
2.7.1 特征空间描述
2.7.2 特征空间分布分析
2.8 手写数字特征提取与分析
2.8.1 手写数字特征提取
2.8.2 手写数字特征空间分布分析
本章小结
习题2
第3章 模式相似性测度
3.1 模式相似性测度的基本概念
3.2 距离测度分类法
3.2.1 模板匹配法
3.2.2 基于PCA的模板匹配法
3.2.3 基于类中心的欧式距离法分类
3.2.4 马氏距离分类
3.2.5 夹角余弦距离分类
3.2.6 二值化的夹角余弦距离法分类
3.2.7 二值化的Tanimoto测度分类
本章小结
习题3
第4章 基于概率统计的贝叶斯分类器设计
4.1 贝叶斯决策的基本概念
4.1.1 贝叶斯决策所讨论的问题
4.1.2 贝叶斯公式
4.2 基于最小错误率的贝叶斯决策
4.3 基于最小风险的贝叶斯决策
4.4 贝叶斯决策比较
4.5 基于二值数据的贝叶斯分类实现
4.6 基于最小错误率的贝叶斯分类实现
4.7 基于最小风险的贝叶斯分类实现
本章小结
习题4
第5章 判别函数分类器设计
5.1 判别函数的基本概念
5.2 线性判别函数
5.3 线性判别函数的实现
5.4 感知器算法
5.5 增量校正算法
5.6 LMSE验证可分性
5.7 LMSE分类算法
5.8 Fisher分类
5.9 基于核的Fisher分类
5.10 势函数法
5.11 支持向量机
本章小结
习题5
第6章 神经网络分类器设计
6.1 人工神经网络的基本原理
6.1.1 人工神经元
6.1.2 人工神经网络模型
6.1.3 神经网络的学习过程
6.1.4 人工神经网络在模式识别问题上的优势
6.2 BP神经网络
6.2.1 BP神经网络的基本概念
6.2.2 BP神经网络分类器设计
6.3 径向基函数神经网络(RBF)
6.3.1 径向基函数神经网络的基本概念
6.3.2 径向基函数神经网络分类器设计
6.4 自组织竞争神经网络
6.4.1 自组织竞争神经网络的基本概念
6.4.2 自组织竞争神经网络分类器设计
6.5 概率神经网络(PNN)
6.5.1 概率神经网络的基本概念
6.5.2 概率神经网络分类器设计
6.6 对向传播神经网络(CPN)
6.6.1 对向传播神经网络的基本概念
6.6.2 对向传播神经网络分类器设计
6.7 反馈型神经网络(Hopfield)
6.7.1 Hopfield网络的基本概念
6.7.2 Hopfield神经网络分类器设计
本章小结
习题6
第7章 决策树分类器设计
7.1 决策树的基本概念
7.2 决策树分类器设计
本章小结
习题7
第8章 粗糙集分类器设计
8.1 粗糙集理论的基本概念
8.2 粗糙集在模式识别中的应用
8.3 粗糙集分类器设计
本章小结
习题8
第9章 聚类分析
9.1 聚类的设计
9.2 基于试探的未知类别聚类算法
9.2.1 最临近规则的试探法
9.2.2 最大最小距离算法
9.3 层次聚类算法
9.3.1 最短距离法
9.3.2 最长距离法
9.3.3 中间距离法
9.3.4 重心法
9.3.5 类平均距离法
9.4 动态聚类算法
9.4.1 K均值算法
9.4.2 迭代自组织的数据分析算法（ISODATA）
9.5 模拟退火聚类算法
9.5.1 模拟退火的基本概念
9.5.2 基于模拟退火思想的改进K均值聚类算法
本章小结
习题9
第10章 模糊聚类分析
10.1 模糊集的基本概念
10.2 模糊集运算
10.2.1 模糊子集运算
10.2.2 模糊集运算性质
10.3 模糊关系
10.4 模糊集在模式识别中的应用
10.5 基于模糊的聚类分析
本章小结
习题10
第11章 禁忌搜索算法聚类分析
11.1 禁忌搜索算法的基本原理
11.2 禁忌搜索的关键参数和相关操作
11.3 基于禁忌搜索算法的聚类分析
本章小结
习题11
第12章 遗传算法聚类分析
12.1 遗传算法的基本原理
12.2 遗传算法的构成要素
12.2.1 染色体的编码
12.2.2 适应度函数
12.2.3 遗传算子
12.3 控制参数的选择
12.4 基于遗传算法的聚类分析
本章小结
习题12
第13章 蚁群算法聚类分析
13.1 蚁群算法的基本原理
13.2 聚类数目已知的蚁群聚类算法
13.3 聚类数目未知的蚁群聚类算法
本章小结
习题13
第14章 粒子群算法聚类分析
14.1 粒子群算法的基本原理
14.2 基于粒子群算法的聚类分析
本章小结
习题14
参考文献
反侵权盗版声明
📜 SIMILAR VOLUMES
<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
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>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。</p> <p>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。</p>
<p>《现代模式识别》系统深入地论述了模式识别的理论与方法、较全面地介绍了本学科的新近科技成果。全书共12章，讨论的主流模式识别技术是：统计模式识别、模糊模式识别、神经网络技术、人工智能方法、句法模式识别。第一章为引论，第二章至第七章介绍的统计模式识别包括聚类分析、判别代数界面方程法、统计判决、训练学习与错误率估计、特征提取与选择以及最近邻法，第十一章信息融合集中论述识别与决策中的有关融合技术，第十二章人工智能方法侧重论述不确定推理，其他类型识别方法在其余各章分别介绍。</p>
<p>本教程系统地讲解了数字信号处理的基本理论和方法，注重物理概念的阐述，尽量把MATLAB的多媒体功能用于图形、动画和声音等形象的演示，是一本自始至终使用MATLAB来阐述问题和进行计算的数字信号处理教材。本教程中的全部例题程序和演示程序都可以免费从网上下载。本教程把《数字信号处理》课程定位为讲述“用数字方法处理（任何）信号”的技术，因此，对模拟信号的计算机处理给予了充分的篇幅，而这正是目前许多数字信号处理教材的弱点。</p> <p>本书适合作为电子信息专业的大学本科学生教材，书中采用了大小两种字号混排，目的是适应不同专业和不同要求的本科学生。对于学过数字信号处理课程，但没有用MATLAB