简介
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。全书共分为13章
，内容包括：模式识别概述，特征的选择与提取，模式相似性测度，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
向基函数冲经网络、自组织竞争神经网络、慨率神经网络、对向传播神经网
络、反馈型神经网络)，决策树分类器，粗糙集分类器，聚类分析，模糊聚
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。
本书可作为高等院校计算机工程、信息工程、生物医学工程、智能机器
人学、工业自动化、模式识别等学科本科生、研究生的教材或教学参考书，
亦可供相关工程技术人员参考。
目录
第1章 模式识别概述
1.1 模式识别的基本慨念
1.2 特征空间优化设计问题
1.3 分类器设计
1.3.1 分类器设计基本方法
1.3.2 判别函数
1.3.3 分类器的选择
1.3.4 训练与学习
1.4 聚类设计
1.5 模式识别的应用
本章小结
习题1
第2章 特征的选择与提取
2.1 样本特征库初步分析
2.2 样品筛选处理
2.3 特征筛选处理
2.3.1 特征相关分析
2.3.2 特征选择及搜索算法
2.4 特征评估
2.5 基于主成分分析的特征提取
2.6 特征空间描述与分析
2.6.1 特征空间描述
2.6.2 特征空间分布分析
2.7 手写数字特征提取与分析
2.7.1 手写数字特征提取
2.7.2 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瑚
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
5.6 LMSE验证可分性
5.7 LMSE分类算法
5.8 Fishe-r分类
5.9 基于核的Fisher分类
5.10 线性分类器实现分类的局限
5.11 非线性判别函数
5.12 分段线性判别函数
5.13 势函数法
5.14 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
6.2 BP神经网络
6.2.1 BP神经网络的基本概念
6.2.2 BP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)
6.7.1 Hopfield网络的基本概念
6.7.2 Hopfield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
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
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
……
1.1 模式识别的基本慨念
1.2 特征空间优化设计问题
1.3 分类器设计
1.3.1 分类器设计基本方法
1.3.2 判别函数
1.3.3 分类器的选择
1.3.4 训练与学习
1.4 聚类设计
1.5 模式识别的应用
本章小结
习题1
第2章 特征的选择与提取
2.1 样本特征库初步分析
2.2 样品筛选处理
2.3 特征筛选处理
2.3.1 特征相关分析
2.3.2 特征选择及搜索算法
2.4 特征评估
2.5 基于主成分分析的特征提取
2.6 特征空间描述与分析
2.6.1 特征空间描述
2.6.2 特征空间分布分析
2.7 手写数字特征提取与分析
2.7.1 手写数字特征提取
2.7.2 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瑚
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
5.6 LMSE验证可分性
5.7 LMSE分类算法
5.8 Fishe-r分类
5.9 基于核的Fisher分类
5.10 线性分类器实现分类的局限
5.11 非线性判别函数
5.12 分段线性判别函数
5.13 势函数法
5.14 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
6.2 BP神经网络
6.2.1 BP神经网络的基本概念
6.2.2 BP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)
6.7.1 Hopfield网络的基本概念
6.7.2 Hopfield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
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
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
……
Matlab技术实现
- 名称
- 类型
- 大小
联系方式: 020-38250260 客服QQ：4006604884
云图客服：
用户发送的提问，这种方式就需要有位在线客服来回答用户的问题，这种 就属于对话式的,问题是这种提问是否需要用户登录才能提问
Video Player
×
Audio Player
×
pdf Player
×
亲爱的云图用户，
光盘内的文件都可以直接点击浏览哦
无需下载，可直接在线浏览
