模式识别与智能计算 Matlab技术实现 第2版PDF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

1.2 特征空间优化设计问题 4

1.3 分类器设计 6

1.3.1 分类器设计基本方法 8

1.3.2 判别函数 10

1.3.3 分类器的选择 12

1.3.4 训练与学习 13

1.4 聚类设计 13

1.5 模式识别的应用 15

本章小结 15

习题1 16

第2章 特征的选择与优化 17

2.1 特征空间优化设计问题 17

2.2 样本特征库初步分析 18

2.3 样品筛选处理 19

2.4 特征筛选处理 19

2.5 特征评估 21

2.6 基于主成分分析的特征提取 23

2.7 特征空间描述与分析 26

2.7.1 特征空间描述 26

2.7.2 特征空间分布分析 31

2.8 手写数字特征提取与分析 34

2.8.1 手写数字特征提取 34

2.8.2 手写数字特征空间分布分析 36

本章小结 40

习题2 40

第3章 模式相似性测度 41

3.1 模式相似性测度的基本概念 41

3.2 距离测度分类法 44

3.2.1 模板匹配法 44

3.2.2 基于PCA的模板匹配法 46

3.2.3 基于类中心的欧式距离法分类 48

3.2.4 马氏距离分类 50

3.2.5 夹角余弦距离分类 52

3.2.6 二值化的夹角余弦距离法分类 53

3.2.7 二值化的Tanimoto测度分类 54

本章小结 56

习题3 56

第4章 基于概率统计的贝叶斯分类器设计 57

4.1 贝叶斯决策的基本概念 57

4.1.1 贝叶斯决策所讨论的问题 57

4.1.2 贝叶斯公式 58

4.2 基于最小错误率的贝叶斯决策 60

4.3 基于最小风险的贝叶斯决策 63

4.4 贝叶斯决策比较 65

4.5 基于二值数据的贝叶斯分类实现 66

4.6 基于最小错误率的贝叶斯分类实现 69

4.7 基于最小风险的贝叶斯分类实现 72

本章小结 75

习题4 76

第5章 判别函数分类器设计 77

5.1 判别函数的基本概念 77

5.2 线性判别函数 78

5.3 线性判别函数的实现 82

5.4 感知器算法 83

5.5 增量校正算法 90

5.6 LMSE验证可分性 96

5.7 LMSE分类算法 102

5.8 Fisher分类 105

5.9 基于核的Fisher分类 108

5.10 线性分类器实现分类的局限 115

5.11 非线性判别函数 117

5.12 分段线性判别函数 119

5.13 势函数法 122

5.14 支持向量机 126

本章小结 133

习题5 133

第6章 神经网络分类器设计 134

6.1 人工神经网络的基本原理 134

6.1.1 人工神经元 134

6.1.2 人工神经网络模型 137

6.1.3 神经网络的学习过程 140

6.1.4 人工神经网络在模式识别问题上的优势 140

6.2 BP神经网络 141

6.2.1 BP神经网络的基本概念 141

6.2.2 BP神经网络分类器设计 147

6.3 径向基函数神经网络（RBF） 157

6.3.1 径向基函数神经网络的基本概念 157

6.3.2 径向基函数神经网络分类器设计 162

6.4 自组织竞争神经网络 164

6.4.1 自组织竞争神经网络的基本概念 165

6.4.2 自组织竞争神经网络分类器设计 167

6.5 概率神经网络（PNN） 170

6.5.1 概率神经网络的基本概念 170

6.5.2 概率神经网络分类器设计 170

6.6 对向传播神经网络（CPN） 173

6.6.1 对向传播神经网络的基本概念 173

6.6.2 对向传播神经网络分类器设计 175

6.7 反馈型神经网络（Hopfield） 179

6.7.1 Hopfield网络的基本概念 179

6.7.2 Hopfield神经网络分类器设计 182

本章小结 184

习题6 184

第7章 决策树分类器设计 185

7.1 决策树的基本概念 185

7.2 决策树分类器设计 186

本章小结 193

习题7 193

第8章 粗糙集分类器设计 194

8.1 粗糙集理论的基本概念 194

8.2 粗糙集在模式识别中的应用 199

8.3 粗糙集分类器设计 203

本章小结 216

习题8 217

第9章 聚类分析 218

9.1 聚类的设计 218

9.2 基于试探的未知类别聚类算法 222

9.2.1 最临近规则的试探法 222

9.2.2 最大最小距离算法 226

9.3 层次聚类算法 228

9.3.1 最短距离法 229

9.3.2 最长距离法 232

9.3.3 中间距离法 236

9.3.4 重心法 239

9.3.5 类平均距离法 243

9.4 动态聚类算法 247

9.4.1 K均值算法 247

9.4.2 迭代自组织的数据分析算法（ISODATA） 251

9.5 模拟退火聚类算法 256

9.5.1 模拟退火的基本概念 256

9.5.2 基于模拟退火思想的改进K均值聚类算法 259

本章小结 266

习题9 266

第10章 模糊聚类分析 267

10.1 模糊集的基本概念 267

10.2 模糊集运算 269

10.2.1 模糊子集运算 269

10.2.2 模糊集运算性质 271

10.3 模糊关系 271

10.4 模糊集在模式识别中的应用 276

10.5 基于模糊的聚类分析 277

本章小结 291

习题10 291

第11章 禁忌搜索算法聚类分析 292

11.1 禁忌搜索算法的基本原理 292

11.2 禁忌搜索的关键参数和相关操作 294

11.3 基于禁忌搜索算法的聚类分析 297

本章小结 306

习题11 306

第12章 遗传算法聚类分析 307

12.1 遗传算法的基本原理 307

12.2 遗传算法的构成要素 309

12.2.1 染色体的编码 309

12.2.2 适应度函数 310

12.2.3 遗传算子 311

12.3 控制参数的选择 313

12.4 基于遗传算法的聚类分析 314

本章小结 326

习题12 326

第13章 蚁群算法聚类分析 327

13.1 蚁群算法的基本原理 327

13.2 聚类数目已知的蚁群聚类算法 330

13.3 聚类数目未知的蚁群聚类算法 339

本章小结 344

习题13 344

第14章 粒子群算法聚类分析 345

14.1 粒子群算法的基本原理 345

14.2 基于粒子群算法的聚类分析 348

本章小结 353

习题14 354

参考文献 355