模式识别与智能计算的MATLAB实现 第2版PDF电子书下载

第1章 绪论 1

1.1 模式识别的基本概念 1

1.1.1 模式与模式识别的概念 1

1.1.2 模式的特征 1

1.1.3 模式识别系统 2

1.2 模式识别的主要方法 2

1.3 模式识别的主要研究内容 3

1.4 模式识别在科学研究中的应用 3

1.4.1 化合物的构效分析 3

1.4.2 谱图解析 4

1.4.3 材料研究 4

1.4.4 催化剂研究 5

1.4.5 机械故障诊断与监测 5

1.4.6 化学物质源产地判断 6

1.4.7 疾病的诊断与预测 6

1.4.8 矿藏勘探 7

1.4.9 考古及食品工业中的应用 7

第2章 统计模式识别技术 8

2.1 基于概率统计的贝叶斯分类方法 8

2.1.1 最小错误率贝叶斯分类 9

2.1.2 最小风险率贝叶斯分类 10

2.2 线性分类器 12

2.2.1 线性判别函数 12

2.2.2 Fisher线性判别函数 13

2.2.3 感知器算法 14

2.3 非线性分类器 15

2.3.1 分段线性判别函数 15

2.3.2 近邻法 17

2.3.3 势函数法 19

2.3.4 SIMCA方法 20

2.4 聚类分析 22

2.4.1 模式相似度 22

2.4.2 聚类准则 24

2.4.3 层次聚类法 25

2.4.4 动态聚类法 25

2.4.5 决策树分类器 28

2.5 统计模式识别在科学研究中的应用 29

第3章 人工神经网络及模式识别 43

3.1 人工神经网络的基本概念 43

3.1.1 人工神经元 43

3.1.2 传递函数 43

3.1.3 人工神经网络分类和特点 44

3.2 BP人工神经网络 44

3.2.1 BP人工神经网络学习算法 44

3.2.2 BP人工神经网络MATLAB实现 46

3.3 径向基函数神经网络RBF 47

3.3.1 RBF的结构与学习算法 47

3.3.2 RBF的MATLAB实现 48

3.4 自组织竞争人工神经网络 48

3.4.1 自组织竞争人工神经网络的基本概念 48

3.4.2 自组织竞争神经网络的学习算法 49

3.4.3 自组织竞争网络的MATLAB实现 49

3.5 对向传播神经网络CPN 50

3.5.1 CPN的基本概念 50

3.5.2 CPN网络的学习算法 50

3.6 反馈型神经网络Hopfield 51

3.6.1 Hopfield网络的基本概念 51

3.6.2 Hopfield网络的学习算法 52

3.6.3 Hopfield网络的MATLAB实现 53

3.7 人工神经网络技术在科学研究中的应用 53

第4章 模糊系统理论及模式识别 72

4.1 模糊系统理论基础 72

4.1.1 模糊集合 72

4.1.2 模糊关系 75

4.1.3 模糊变换与模糊综合评判 77

4.1.4 If…then规则 78

4.1.5 模糊推理 78

4.2 模糊模式识别的基本方法 79

4.2.1 最大隶属度原则 79

4.2.2 择近原则 79

4.2.3 模糊聚类分析 81

4.3 模糊神经网络 85

4.3.1 模糊神经网络 85

4.3.2 模糊BP神经网络 86

4.4 模糊逻辑系统及其在科学研究中的应用 86

第5章 核函数方法及应用 107

5.1 核函数方法 107

5.2 基于核的主成分分析方法 108

5.2.1 主成分分析 108

5.2.2 基于核的主成分分析 110

5.3 基于核的Fisher判别方法 112

5.3.1 Fisher判别方法 112

5.3.2 基于核的Fisher判别方法分析 113

5.4 基于核的投影寻踪方法 114

5.4.1 投影寻踪分析 114

5.4.2 基于核的投影寻踪分析 118

5.5 核函数方法在科学研究中的应用 119

第6章 支持向量机及其模式识别 130

6.1 统计学习理论基本内容 130

6.2 支持向量机 131

6.2.1 最优分类面 131

6.2.2 支持向量机模型 132

6.3 支持向量机在模式识别中的应用 134

第7章 可拓学及其模式识别 142

7.1 可拓学概论 142

7.1.1 可拓工程基本思想 142

7.1.2 可拓工程使用的基本工具 143

7.2 可拓集合 145

7.2.1 可拓集合含义 145

7.2.2 物元可拓集合 146

7.3 可拓聚类预测的物元模型 146

7.4 可拓学在科学研究中的应用 147

第8章 粗糙集理论及其模式识别 154

8.1 粗糙集理论基础 154

8.1.1 分类规则的形成 156

8.1.2 知识的约简 157

8.2 粗糙神经网络 158

8.3 系统评估粗糙集方法 158

8.3.1 模型结构 159

8.3.2 综合评估方法 159

8.4 粗糙集聚类方法 160

8.5 粗糙集理论在科学研究中的应用 161

第9章 遗传算法及其模式识别 170

9.1 遗传算法的基本原理 170

9.2 遗传算法分析 173

9.2.1 染色体的编码 173

9.2.2 适应度函数 174

9.2.3 遗传算子 175

9.3 控制参数的选择 177

9.4 模拟退火算法 178

9.4.1 模拟退火的基本概念 178

9.4.2 模拟退火算法的基本过程 179

9.4.3 模拟退火算法中的控制参数 180

9.5 基于遗传算法的模式识别在科学研究中的应用 180

9.5.1 遗传算法的MATLAB实现 180

9.5.2 遗传算法在科学研究中的应用实例 185

第10章 蚁群算法及其模式识别 201

10.1 蚁群算法原理 201

10.1.1 基本概念 201

10.1.2 蚁群算法的基本模型 202

10.1.3 蚁群算法的特点 203

10.2 蚁群算法的改进 203

10.2.1 自适应蚁群算法 203

10.2.2 遗传算法与蚁群算法的融合 204

10.2.3 蚁群神经网络 204

10.3 聚类问题的蚁群算法 205

10.3.1 聚类数目已知的聚类问题的蚁群算法 205

10.3.2 聚类数目未知的聚类问题的蚁群算法 206

10.4 蚁群算法在科学研究中的应用 207

第11章 粒子群算法及其模式识别 217

11.1 粒子群算法的基本原理 217

11.2 全局模式与局部模式 218

11.3 粒子群算法的特点 218

11.4 基于粒子群算法的聚类分析 219

11.4.1 算法描述 219

11.4.2 实现步骤 220

11.5 粒子群算法在科学研究中的应用 221

第12章 可视化模式识别技术 229

12.1 高维数据的图形表示方法 229

12.1.1 轮廓图 229

12.1.2 雷达图 230

12.1.3 树形图 230

12.1.4 三角多项式图 231

12.1.5 散点图 231

12.1.6 星座图 232

12.1.7 脸谱图 233

12.2 图形特征参数计算 235

12.3 显示方法 237

12.3.1 线性映射 237

12.3.2 非线性映射 237

第13章 灰色系统方法及应用 241

13.1 灰色系统的基本概念 241

13.1.1 灰数 241

13.1.2 灰数白化与灰度 242

13.2 灰色序列生成算子 242

13.2.1 均值生成算子 242

13.2.2 累加生成算子 243

13.2.3 累减生成算子 243

13.3 灰色分析 244

13.3.1 灰色关联度分析 244

13.3.2 无量纲化的关键算子 244

13.3.3 关联分析的主要步骤 245

13.3.4 其他几种灰色关联度 246

13.4 灰色聚类 247

13.5 灰色系统建模 247

13.5.1 GM（1,1）模型 247

13.5.2 GM（1,1）模型检验 248

13.5.3 残差GM（1,1）模型 250

13.5.4 GM（1,N）模型 250

13.6 灰色灾变预测 251

13.7 灰色系统的应用 252

第14章 人工鱼群等群体智能算法 258

14.1 人工鱼群算法 259

14.1.1 鱼群模式的提出 259

14.1.2 人工鱼的四种基本行为算法描述 259

14.1.3 人工鱼群算法概述 261

14.1.4 各种参数对算法收敛性能的影响 263

14.1.5 人工鱼群算法在科学研究中的应用 264

14.2 人工免疫算法 270

14.2.1 人工免疫算法的生物学基础 270

14.2.2 人工免疫优化算法概述 272

14.2.3 人工免疫算法与遗传算法的比较 276

14.2.4 人工免疫算法在科学研究中的应用 277

14.3 进化计算 281

14.3.1 进化规划算法 283

14.3.2 进化策略算法 284

14.3.3 进化计算在科学研究中的应用 286

14.4 混合蛙跳算法 291

14.4.1 基本原理 291

14.4.2 基本术语 291

14.4.3 算法的基本流程及算子 292

14.4.4 算法控制参数的选择 294

14.4.5 混合蛙跳算法在科学研究中的应用 294

14.5 猫群算法 296

14.5.1 基本术语 296

14.5.2 基本流程 297

14.5.3 控制参数选择 299

14.5.4 猫群算法在科学研究中的应用 299

14.6 细菌觅食算法 300

14.6.1 细菌觅食算法基本原理 301

14.6.2 算法主要步骤与流程 303

14.6.3 算法参数选取 304

14.6.4 细菌觅食算法在科学研究中的应用 306

14.7 人工蜂群算法 307

14.7.1 人工蜂群算法的基本原理 308

14.7.2 人工蜂群算法的流程 309

14.7.3 控制参数选择 311

14.7.4 人工蜂群算法在科学研究中的应用 311

14.8 量子遗传算法 312

14.8.1 量子计算的基础知识 312

14.8.2 量子计算 313

14.8.3 量子遗传算法流程 316

14.8.4 控制参数 318

14.8.5 量子遗传算法在科学研究中的应用 320

14.9 Memetic算法 321

14.9.1 Memetic算法的构成要素 321

14.9.2 Memetic算法的基本流程 322

14.9.3 控制参数选择 322

14.9.4 Memetic算法在科学研究中的应用 323

第15章 仿生模式识别 328

15.1 仿生模式识别基本理论 328

15.1.1 仿生模式识别的连续性规律 328

15.1.2 多自由度神经元 329

15.2 仿生模式识别的数学工具 331

15.2.1 高维空间几何分析基本概念 332

15.2.2 高维空间中点、线、超平面的关系 333

15.2.3 高维空间几何覆盖理论 334

15.3 仿生模式识别的实现方式 335

15.3.1 高维空间复杂几何形体覆盖 335

15.3.2 多权值神经元的构造 338

15.4 仿生模式识别与传统模式识别的区别 338

15.4.1 认知理论的差别 338

15.4.2 数学模式的差异 339

15.5 仿生模式识别在科学研究中的应用 340

第16章 模式识别的特征及确定 348

16.1 基本概念 348

16.1.1 特征的特点 348

16.1.2 特征的类别 348

16.1.3 特征的形成 352

16.1.4 特征选择与提取 353

16.2 样本特征的初步分析 353

16.3 特征筛选处理 357

16.4 特征提取 357

16.4.1 特征提取的依据 357

16.4.2 特征提取的方法 359

16.5 基于K-L变换的特征提取 362

16.5.1 离散K-L变换 362

16.5.2 离散K-L变换的特征提取 363

16.5.3 吸收类均值向量信息的特征提取 363

16.5.4 利用总体熵吸收方差信息的特征提取 364

16.6 因子分析 365

16.6.1 因子分析的一般数学模型 365

16.6.2 Q型和R型因子分析 366

参考文献 372