当前位置:主页 > 计算机电子书 > 人工智能 > MATLAB下载
模式识别与智能计算:MATLAB技术实现(第3版)

模式识别与智能计算:MATLAB技术实现(第3版) PDF 超清版

  • 更新:2021-10-29
  • 大小:54.28MB
  • 类别:MATLAB
  • 作者:杨淑莹
  • 出版:电子工业出版社
  • 格式:PDF

  • 资源介绍
  • 相关推荐

本书广泛吸取统计学、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。本书内容新颖,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。

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

资源下载

资源下载地址1:https://pan.baidu.com/s/1hrDWHU72XTcYdFAWzVJh_Q

相关资源

网友留言