模式识别与人工智能 基于MATLABPDF电子书下载

第1章 模式识别概述 1

1.1模式识别的基本概念 1

1.1.1模式的描述方法 1

1.1.2模式识别系统 2

1.2模式识别的基本方法 3

1.3模式识别的应用 4

习题 6

第2章 贝叶斯分类器设计 7

2.1贝叶斯决策及贝叶斯公式 7

2.1.1贝叶斯决策简介 7

2.1.2贝叶斯公式 7

2.2基于最小错误率的贝叶斯决策 8

2.2.1基于最小错误率的贝叶斯决策理论 8

2.2.2最小错误率贝叶斯分类的计算过程 9

2.2.3最小错误率贝叶斯分类的MATLAB实现 13

2.2.4结论 20

2.3最小风险贝叶斯决策 21

2.3.1最小风险贝叶斯决策理论 21

2.3.2最小错误率与最小风险的贝叶斯决策比较 22

2.3.3贝叶斯算法的计算过程 23

2.3.4最小风险贝叶斯分类的MATLAB实现 23

2.3.5结论 32

习题 33

第3章 判别函数分类器设计 34

3.1判别函数简介 34

3.2线性判别函数 35

3.3线性判别函数的实现 36

3.4基于LMSE的分类器设计 36

3.4.1 LMSE分类法简介 36

3.4.2 LMSE算法原理 37

3.4.3 LMSE算法步骤 37

3.4.4 LMSE算法的MATLAB实现 38

3.4.5结论 47

3.5基于Fisher的分类器设计 48

3.5.1 Fisher判别法简介 48

3.5.2 Fisher判别法的原理 48

3.5.3 Fisher分类器设计 48

3.5.4 Fisher算法的MATLAB实现 51

3.5.5识别待测样本类别 53

3.5.6结论 71

3.6基于支持向量机的分类法 71

3.6.1支持向量机简介 71

3.6.2支持向量机基本思想 71

3.6.3支持向量机的几个主要优点 72

3.6.4训练集为非线性情况 72

3.6.5核函数 73

3.6.6多类分类问题 73

3.6.7基于SVM的MATLAB实现 74

3.6.8结论 78

习题 78

第4章 聚类分析 79

4.1聚类分析 79

4.1.1聚类的定义 79

4.1.2聚类准则 80

4.1.3基于试探法的聚类设计 80

4.2数据聚类——K均值聚类 81

4.2.1 K均值聚类简介 81

4.2.2 K均值聚类原理 81

4.2.3 K均值算法的优缺点 83

4.2.4 K均值聚类的MATLAB实现 84

4.2.5待聚类样本的分类结果 87

4.2.6结论 88

4.3数据聚类——基于取样思想的改进K均值聚类 89

4.3.1 K均值改进算法的思想 90

4.3.2基于取样思想的改进K均值算法MATLAB实现 91

4.3.3结论 96

4.4数据聚类——K-近邻法聚类 96

4.4.1 K-近邻法简介 96

4.4.2 K-近邻法的算法研究 96

4.4.3 K-近邻法数据分类器的MATLAB实现 98

4.4.4结论 103

4.5数据聚类——PAM聚类 103

4.5.1 PAM算法简介 103

4.5.2 PAM算法的主要流程 103

4.5.3 PAM算法的MATLAB实现 105

4.5.4 PAM算法的特点 112

4.5.5 K均值算法和PAM算法分析比较 112

4.5.6结论 112

4.6数据聚类——层次聚类 114

4.6.1层次聚类方法简介 114

4.6.2凝聚的和分裂的层次聚类 114

4.6.3簇间距离度量方法 115

4.6.4层次聚类方法存在的不足 116

4.6.5层次聚类的MATLAB实现 116

4.6.6结论 121

4.7数据聚类——ISODATA算法概述 122

4.7.1 ISODATA算法应用背景 122

4.7.2 ISODATA算法的MATLAB实现 124

4.7.3结论 136

习题 136

第5章 模糊聚类分析 137

5.1模糊逻辑的发展 137

5.2模糊集合 138

5.2.1由经典集合到模糊集合 138

5.2.2模糊集合的基本概念 139

5.2.3隶属度函数 142

5.3模糊集合的运算 144

5.3.1模糊集合的基本运算 144

5.3.2模糊集合的基本运算规律 146

5.3.3模糊集合与经典集合的联系 147

5.4模糊关系与模糊关系的合成 149

5.4.1模糊关系的基本概念 149

5.4.2模糊关系的合成 152

5.4.3模糊关系的性质 154

5.4.4模糊变换 155

5.5模糊逻辑及模糊推理 156

5.5.1模糊逻辑技术 157

5.5.2语言控制策略 158

5.5.3模糊语言变量 159

5.5.4模糊命题与模糊条件语句 159

5.5.5判断与推理 161

5.5.6模糊推理 162

5.6数据聚类——模糊聚类 167

5.6.1模糊聚类的应用背景 167

5.6.2基于MATLAB的GUI工具的模糊算法构建——数据模糊化 168

5.6.3基于MATLAB的GUI工具的模糊算法构建——FIS实现 171

5.6.4系统结果分析 174

5.6.5结论 176

5.7数据聚类——模糊C均值聚类 176

5.7.1模糊C均值聚类的应用背景 176

5.7.2模糊C均值算法 177

5.7.3模糊C均值聚类的MATLAB实现 178

5.7.4模糊C均值聚类结果分析 180

5.7.5结论 182

5.8数据聚类——模糊ISODATA聚类 182

5.8.1模糊ISODATA聚类的应用背景 182

5.8.2模糊ISODATA算法的基本原理 182

5.8.3模糊ISODATA算法的基本步骤 183

5.8.4模糊ISODATA算法的MATLAB程序实现 186

5.8.5结论 199

5.9模糊神经网络 199

5.9.1模糊神经网络的应用背景 199

5.9.2模糊神经网络算法的原理 200

5.9.3模糊神经网络分类器的MATLAB实现 203

5.9.4结论 214

习题 215

第6章 神经网络聚类设计 216

6.1什么是神经网络 216

6.1.1神经网络的发展历程 216

6.1.2生物神经系统的结构及冲动的传递过程 218

6.1.3人工神经网络的定义 220

6.2人工神经网络模型 221

6.2.1人工神经元的基本模型 221

6.2.2人工神经网络基本构架 222

6.2.3人工神经网络的工作过程 224

6.2.4人工神经网络的特点 225

6.3前馈神经网络 225

6.3.1感知器网络 227

6.3.2 BP网络 229

6.3.3 BP网络的建立及执行 231

6.3.4 BP网络分类器的MATLAB实现 233

6.3.5 BP网络的其他学习算法的应用 239

6.4反馈神经网络 248

6.4.1离散Hopfield网络的结构 248

6.4.2离散Hopfield网络的工作方式 249

6.4.3离散Hopfield网络的稳定性和吸引子 250

6.4.4离散Hopfield网络的连接权设计 251

6.4.5离散Hopfield网络分类器的MATLAB实现 252

6.4.6结论 259

6.5径向基函数 260

6.5.1径向基函数的网络结构及工作方式 260

6.5.2径向基函数网络的特点及作用 262

6.5.3径向基函数网络参数选择 262

6.5.4 RBF网络分类器的MATLAB实现 262

6.5.5结论 269

6.6广义回归神经网络 270

6.6.1 GRNN的结构 270

6.6.2 GRNN的理论基础 271

6.6.3 GRNN的特点及作用 272

6.6.4 GRNN分类器的MATLAB实现 272

6.6.5结论 277

6.7小波神经网络 277

6.7.1小波神经网络的基本结构 277

6.7.2小波神经网络的训练算法 279

6.7.3小波神经网络结构设计 280

6.7.4小波神经网络分类器的MATLAB实现 281

6.7.5结论 292

6.8其他形式的神经网络 292

6.8.1竞争型人工神经网络——自组织竞争 292

6.8.2竞争型人工神经网络——自组织特征映射神经网络 296

6.8.3竞争型人工神经网络——学习向量量化神经网络 299

6.8.4概率神经网络 305

6.8.5 CPN神经网络分类器的MATLAB实现 311

习题 318

第7章 模拟退火算法聚类设计 319

7.1模拟退火算法简介 319

7.1.1物理退火过程 319

7.1.2 Metropolis准则 320

7.1.3模拟退火算法的基本原理 320

7.1.4模拟退火算法的组成 321

7.1.5模拟退火算法新解的产生和接受 321

7.1.6模拟退火算法的基本过程 322

7.1.7模拟退火算法的参数控制问题 322

7.2基于模拟退火思想的聚类算法 323

7.2.1 K均值算法的局限性 323

7.2.2基于模拟退火思想的改进K均值聚类算法 324

7.2.3几个重要参数的选择 324

7.3算法实现 325

7.3.1实现步骤 325

7.3.2模拟退火实现模式分类的MATLAB程序 326

7.4结论 334

习题 335

第8章 遗传算法聚类设计 336

8.1遗传算法简介 336

8.2遗传算法原理 337

8.2.1遗传算法的基本术语 337

8.2.2遗传算法进行问题求解的过程 338

8.2.3遗传算法的优缺点 338

8.2.4遗传算法的基本要素 338

8.3算法实现 341

8.3.1种群初始化 341

8.3.2适应度函数的设计 343

8.3.3选择操作 345

8.3.4交叉操作 346

8.3.5变异操作 347

8.3.6完整程序及仿真结果 348

8.4结论 355

习题 355

第9章 蚁群算法聚类设计 356

9.1蚁群算法简介 356

9.2蚁群算法原理 357

9.2.1基本蚁群算法原理 357

9.2.2模型建立 359

9.2.3蚁群算法的特点 362

9.3基本蚁群算法的实现 363

9.4算法改进 369

9.4.1 MMAS算法简介 369

9.4.2完整程序及仿真结果 371

9.5结论 376

习题 376

第 10章 粒子群算法聚类设计 377

10.1粒子群算法简介 377

10.2经典的粒子群算法的运算过程 377

10.3两种基本的进化模型 378

10.4改进的粒子群优化算法 379

10.4.1粒子群优化算法原理 379

10.4.2粒子群优化算法的基本流程 380

10.5粒子群算法与其他算法的比较 381

10.6粒子群算法分类器的MATLAB实现 382

10.6.1设定参数 382

10.6.2初始化 382

10.6.3完整程序及仿真结果 382

10.7结论 387

习题 387

参考文献 388