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 11
2.2.1线性判别函数 11
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 18
2.3.4 SIMCA方法 19
2.4聚类分析 21
2.4.1模式相似度 21
2.4.2聚类准则 22
2.4.3层次聚类法 24
2.4.4动态聚类法 24
2.4.5决策树分类器 26
2.5统计模式识别在科学研究中的应用 27
第3章 人工神经网络及模式识别 41
3.1人工神经网络的基本概念 41
3.1.1人工神经元 41
3.1.2传递函数 41
3.1.3人工神经网络分类和特点 42
3.2 BP人工神经网络 42
3.2.1 BP人工神经网络学习算法 42
3.2.2 BP人工神经网络MATLAB实现 44
3.3径向基函数神经网络RBF 45
3.3.1 RBF的结构与学习算法 45
3.3.2 RBF的MATLAB实现 46
3.4自组织竞争人工神经网络 46
3.4.1自组织竞争人工神经网络的基本概念 46
3.4.2自组织竞争神经网络的学习算法 47
3.4.3自组织竞争网络的MATLAB实现 47
3.5对向传播神经网络CPN 48
3.5.1 CPN的基本概念 48
3.5.2 CPN网络的学习算法 48
3.6反馈型神经网络Hopfield 49
3.6.1 Hopfield网络的基本概念 49
3.6.2 Hopfield网络的学习算法 50
3.6.3 Hopfield网络的MATLAB实现 50
3.7人工神经网络技术在科学研究中的应用 51
第4章 模糊系统理论及模式识别 69
4.1模糊系统理论基础 69
4.1.1模糊集合 69
4.1.2模糊关系 71
4.1.3模糊变换与模糊综合评判 73
4.1.4 If…then规则 74
4.1.5模糊推理 74
4.2模糊模式识别的基本方法 75
4.2.1最大隶属度原则 75
4.2.2择近原则 76
4.2.3模糊聚类分析 77
4.3模糊神经网络 80
4.3.1模糊神经网络 80
4.3.2模糊BP神经网络 82
4.4模糊逻辑系统及其在科学研究中的应用 82
第5章 核函数方法及应用 102
5.1核函数方法 102
5.2基于核的主成分分析方法 103
5.2.1主成分分析 103
5.2.2基于核的主成分分析 105
5.3基于核的Fisher判别方法 107
5.3.1 Fisher判别方法 107
5.3.2基于核的Fisher判别方法分析 107
5.4基于核的投影寻踪方法 109
5.4.1投影寻踪分析 109
5.4.2基于核的投影寻踪分析 113
5.5核函数方法在科学研究中的应用 114
第6章 支持向量机及其模式识别 125
6.1统计学习理论基本内容 125
6.2支持向量机 126
6.2.1最优分类面 126
6.2.2支持向量机模型 127
6.3支持向量机在模式识别中的应用 129
第7章 可拓学及其模式识别 137
7.1可拓学概论 137
7.1.1可拓工程基本思想 137
7.1.2可拓工程使用的基本工具 138
7.2可拓集合 140
7.2.1可拓集合含义 140
7.2.2物元可拓集合 141
7.3可拓聚类预测的物元模型 141
7.4可拓学在科学研究中的应用 142
第8章 粗糙集理论及其模式识别 149
8.1粗糙集理论基础 149
8.1.1分类规则的形成 151
8.1.2知识的约简 152
8.2粗糙神经网络 153
8.3系统评估粗糙集方法 153
8.3.1模型结构 154
8.3.2综合评估方法 154
8.4粗糙集聚类方法 155
8.5粗糙集理论在科学研究中的应用 156
第9章 遗传算法及模式识别 165
9.1遗传算法的基本原理 165
9.2遗传算法分析 168
9.2.1染色体的编码 168
9.2.2适应度函数 169
9.2.3遗传算子 170
9.3控制参数的选择 172
9.4模拟退火算法 172
9.4.1模拟退火的基本概念 173
9.4.2模拟退火算法的基本过程 174
9.4.3模拟退火算法中的控制参数 174
9.5基于遗传算法的模式识别在科学研究中的应用 175
9.5.1遗传算法的MATLAB实现 175
9.5.2遗传算法在科学研究中的应用实例 180
第10章 蚁群算法及其模式识别 195
10.1蚁群算法原理 195
10.1.1基本概念 195
10.1.2蚁群算法的基本模型 196
10.1.3蚁群算法的特点 197
10.2蚁群算法的改进 197
10.2.1自适应蚁群算法 197
10.2.2遗传算法与蚁群算法的融合 198
10.2.3蚁群神经网络 198
10.3聚类问题的蚁群算法 199
10.3.1聚类数目已知的聚类问题的蚁群算法 199
10.3.2聚类数目未知的聚类问题的蚁群算法 200
10.4蚁群算法在科学研究中的应用 201
第11章 粒子群算法及其模式识别 211
11.1粒子群算法的基本原理 211
11.2全局模式与局部模式 212
11.3粒子群算法的特点 212
11.4基于粒子群算法的聚类分析 213
11.4.1算法描述 213
11.4.2实现步骤 214
11.5粒子群算法在科学研究中的应用 215
第12章 可视化模式识别技术 223
12.1高维数据的图形表示方法 223
12.1.1轮廓图 223
12.1.2雷达图 224
12.1.3树形图 224
12.1.4三角多项式图 225
12.1.5散点图 225
12.1.6星座图 226
12.1.7脸谱图 227
12.2图形特征参数计算 229
12.3显示方法 231
12.3.1线性映射 231
12.3.2非线性映射 231
第13章 灰色系统方法及应用 235
13.1灰色系统的基本概念 235
13.1.1灰数 235
13.1.2灰数白化与灰度 236
13.2灰色序列生成算子 236
13.2.1均值生成算子 236
13.2.2累加生成算子 237
13.2.3累减生成算子 237
13.3灰色分析 238
13.3.1灰色关联度分析 238
13.3.2无量纲化的关键算子 238
13.3.3关联分析的主要步骤 239
13.3.4其他几种灰色关联度 240
13.4灰色聚类 241
13.5灰色系统建模 241
13.5.1 GM（1，1）模型 241
13.5.2 GM（1，1）模型检验 242
13.5.3残差GM（1，1）模型 243
13.5.4 GM（1，N）模型 244
13.6灰色灾变预测 245
13.7灰色系统的应用 245
第14章 模式识别的特征及确定 252
14.1基本概念 252
14.1.1特征的特点 252
14.1.2特征的类别 252
14.1.3特征的形成 256
14.1.4特征选择与提取 257
14.2样本特征的初步分析 257
14.3特征筛选处理 261
14.4特征提取 261
14.4.1特征提取的依据 261
14.4.2特征提取的方法 263
14.5基于K-L变换的特征提取 264
14.5.1离散K-L变换 264
14.5.2离散K-L变换的特征提取 265
14.5.3吸收类均值向量信息的特征提取 265
14.5.4利用总体熵吸收方差信息的特征提取 266
14.6因子分析 267
14.6.1因子分析的一般数学模型 267
14.6.2 Q型和R型因子分析 269
参考文献 274