这书普遍汲取生物学、神经元网络、大数据挖掘、深度学习、人工智能技术、群智能化测算等课程的优秀观念和基础理论，将其运用到模式识别行业中；以这种新的管理体系，系统软件、全方位地详细介绍模式识别的基础理论、方式及运用。本书分成14章，內容包含：模式识别简述，特点的挑选与提升，方式相似度测度，根据概率统计的贝叶斯分类器布置，判别函数分类器布置，神经元网络分类器布置（BP神经元网络、轴向基涵数神经元网络、自组织市场竞争神经元网络、几率神经元网络、对向散播神经元网络、意见反馈型神经元网络），决策树分类器布置，粗糙集分类器布置，聚类分析，模糊聚类分析，忌讳搜索算法聚类分析，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。
这书內容新奇，应用性强，基础理论与具体运用紧密融合，以笔写大数字鉴别为运用案例，详细介绍基础理论应用于实践活动的保持流程及相对的Matlab编码，为众多科学研究工作人员和工程项目专业技术人员对有关基础理论的运用出示效仿。
杨淑莹，天津理工大学计算机专业专家教授，天津大学电子信息学院博士研究生，发布有关的毕业论文近20篇，在其中四篇被EI查找。出版发行的多本经典著作被清华等多家高校当选硕士研究生或本科毕业教材内容。出版发行方位：计算机视觉，模式识别，图象处理及运用，运动控制系统和机器人视觉操纵。
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
- 5.6LMSE验证可分性
- 5.7LMSE分类算法
- 5.8Fisher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
- 6.2BP神经网络
- 6.2.1BP神经网络的基本概念
- 6.2.2BP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)
- 6.7.1Hopfield网络的基本概念
- 6.7.2Hopfield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
- 9.4.1K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
