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