0人評分過此書
《模式識別與人工智能（基於MATLAB）》將模式識別與人工智能理論與實際應用相結合, 以酒瓶顏色分類為例, 介紹了各種算法理論及相應的 MATLAB實現程序。全書共分為10章, 包括模式識別概述、貝葉斯分類器的設計、判別函數分類器的設計、聚類分析、 模糊聚類、神經網絡分類器設計、模擬退火算法的分類器設計、遺傳算法聚類設計、蟻群算法聚類設計、粒子群算法聚類設計，覆蓋了各種常用的模式識別技術。
- 封面页
- 书名页
- 版权页
- 内容简介
- 前言 FOREWORD
- 目录
-
第1章 模式识别概述
-
1.1 模式识别的基本概念
-
1.1.1 模式的描述方法
-
1.1.2 模式识别系统
-
-
1.2 模式识别的基本方法
-
1.3 模式识别的应用
-
习题
-
-
第2章 贝叶斯分类器设计
-
2.1 贝叶斯决策及贝叶斯公式
-
2.1.1 贝叶斯决策简介
-
2.1.2 贝叶斯公式
-
-
2.2 基于最小错误率的贝叶斯决策
-
2.2.1 基于最小错误率的贝叶斯决策理论
-
2.2.2 最小错误率贝叶斯分类的计算过程
-
2.2.3 最小错误率贝叶斯分类的MATLAB实现
-
2.2.4 结论
-
-
2.3 最小风险贝叶斯决策
-
2.3.1 最小风险贝叶斯决策理论
-
2.3.2 最小错误率与最小风险的贝叶斯决策比较
-
2.3.3 贝叶斯算法的计算过程
-
2.3.4 最小风险贝叶斯分类的MATLAB实现
-
2.3.5 结论
-
-
习题
-
-
第3章 判别函数分类器设计
-
3.1 判别函数简介
-
3.2 线性判别函数
-
3.3 线性判别函数的实现
-
3.4 基于LMSE的分类器设计
-
3.4.1 LMSE分类法简介
-
3.4.2 LMSE算法原理
-
3.4.3 LMSE算法步骤
-
3.4.4 LMSE算法的MATLAB实现
-
3.4.5 结论
-
-
3.5 基于Fisher的分类器设计
-
3.5.1 Fisher判别法简介
-
3.5.2 Fisher判别法的原理
-
3.5.3 Fisher分类器设计
-
3.5.4 Fisher算法的MATLAB实现
-
3.5.5 识别待测样本类别
-
3.5.6 结论
-
-
3.6 基于支持向量机的分类法
-
3.6.1 支持向量机简介
-
3.6.2 支持向量机基本思想
-
3.6.3 支持向量机的几个主要优点
-
3.6.4 训练集为非线性情况
-
3.6.5 核函数
-
3.6.6 多类分类问题
-
3.6.7 基于SVM的MATLAB实现
-
3.6.8 结论
-
-
习题
-
-
第4章 聚类分析
-
4.1 聚类分析
-
4.1.1 聚类的定义
-
4.1.2 聚类准则
-
4.1.3 基于试探法的聚类设计
-
-
4.2 数据聚类——K均值聚类
-
4.2.1 K均值聚类简介
-
4.2.2 K均值聚类原理
-
4.2.3 K均值算法的优缺点
-
4.2.4 K均值聚类的MATLAB实现
-
4.2.5 待聚类样本的分类结果
-
4.2.6 结论
-
-
4.3 数据聚类——基于取样思想的改进K均值聚类
-
4.3.1 K均值改进算法的思想
-
4.3.2 基于取样思想的改进K均值算法MATLAB实现
-
4.3.3 结论
-
-
4.4 数据聚类——K-近邻法聚类
-
4.4.1 K－近邻法简介
-
4.4.2 K－近邻法的算法研究
-
4.4.3 K－近邻法数据分类器的MATLAB实现
-
4.4.4 结论
-
-
4.5 数据聚类——PAM聚类
-
4.5.1 PAM算法简介
-
4.5.2 PAM算法的主要流程
-
4.5.3 PAM算法的MATLAB实现
-
4.5.4 PAM算法的特点
-
4.5.5 K均值算法和PAM算法分析比较
-
4.5.6 结论
-
-
4.6 数据聚类——层次聚类
-
4.6.1 层次聚类方法简介
-
4.6.2 凝聚的和分裂的层次聚类
-
4.6.3 簇间距离度量方法
-
4.6.4 层次聚类方法存在的不足
-
4.6.5 层次聚类的MATLAB实现
-
4.6.6 结论
-
-
4.7 数据聚类——ISODATA算法概述
-
4.7.1 ISODATA算法应用背景
-
4.7.2 ISODATA算法的MATLAB实现
-
4.7.3 结论
-
-
习题
-
-
第5章 模糊聚类分析
-
5.1 模糊逻辑的发展
-
5.2 模糊集合
-
5.2.1 由经典集合到模糊集合
-
5.2.2 模糊集合的基本概念
-
5.2.3 隶属度函数
-
-
5.3 模糊集合的运算
-
5.3.1 模糊集合的基本运算
-
5.3.2 模糊集合的基本运算规律
-
5.3.3 模糊集合与经典集合的联系
-
-
5.4 模糊关系与模糊关系的合成
-
5.4.1 模糊关系的基本概念
-
5.4.2 模糊关系的合成
-
5.4.3 模糊关系的性质
-
5.4.4 模糊变换
-
-
5.5 模糊逻辑及模糊推理
-
5.5.1 模糊逻辑技术
-
5.5.2 语言控制策略
-
5.5.3 模糊语言变量
-
5.5.4 模糊命题与模糊条件语句
-
5.5.5 判断与推理
-
5.5.6 模糊推理
-
-
5.6 数据聚类——模糊聚类
-
5.6.1 模糊聚类的应用背景
-
5.6.2 基于MATLAB的GUI工具的模糊算法构建——数据模糊化
-
5.6.3 基于MATLAB的GUI工具的模糊算法构建——FIS实现
-
5.6.4 系统结果分析
-
5.6.5 结论
-
-
5.7 数据聚类——模糊C均值聚类
-
5.7.1 模糊C均值聚类的应用背景
-
5.7.2 模糊C均值算法
-
5.7.3 模糊C均值聚类的MATLAB实现
-
5.7.4 模糊C均值聚类结果分析
-
5.7.5 结论
-
-
5.8 数据聚类——模糊ISODATA聚类
-
5.8.1 模糊ISODATA聚类的应用背景
-
5.8.2 模糊ISODATA算法的基本原理
-
5.8.3 模糊ISODATA算法的基本步骤
-
5.8.4 模糊ISODATA算法的MATLAB程序实现
-
5.8.5 结论
-
-
5.9 模糊神经网络
-
5.9.1 模糊神经网络的应用背景
-
5.9.2 模糊神经网络算法的原理
-
5.9.3 模糊神经网络分类器的MATLAB实现
-
5.9.4 结论
-
-
习题
-
-
第6章 神经网络聚类设计
-
6.1 什么是神经网络
-
6.1.1 神经网络的发展历程
-
6.1.2 生物神经系统的结构及冲动的传递过程
-
6.1.3 人工神经网络的定义
-
-
6.2 人工神经网络模型
-
6.2.1 人工神经元的基本模型
-
6.2.2 人工神经网络基本构架
-
6.2.3 人工神经网络的工作过程
-
6.2.4 人工神经网络的特点
-
-
6.3 前馈神经网络
-
6.3.1 感知器网络
-
6.3.2 BP网络
-
6.3.3 BP网络的建立及执行
-
6.3.4 BP网络分类器的MATLAB实现
-
6.3.5 BP网络的其他学习算法的应用
-
-
6.4 反馈神经网络
-
6.4.1 离散Hopfield网络的结构
-
6.4.2 离散Hopfield网络的工作方式
-
6.4.3 离散Hopfield网络的稳定性和吸引子
-
6.4.4 离散Hopfield网络的连接权设计
-
6.4.5 离散Hopfield网络分类器的MATLAB实现
-
6.4.6 结论
-
-
6.5 径向基函数
-
6.5.1 径向基函数的网络结构及工作方式
-
6.5.2 径向基函数网络的特点及作用
-
6.5.3 径向基函数网络参数选择
-
6.5.4 RBF网络分类器的MATLAB实现
-
6.5.5 结论
-
-
6.6 广义回归神经网络
-
6.6.1 GRNN的结构
-
6.6.2 GRNN的理论基础
-
6.6.3 GRNN的特点及作用
-
6.6.4 GRNN分类器的MATLAB实现
-
6.6.5 结论
-
-
6.7 小波神经网络
-
6.7.1 小波神经网络的基本结构
-
6.7.2 小波神经网络的训练算法
-
6.7.3 小波神经网络结构设计
-
6.7.4 小波神经网络分类器的MATLAB实现
-
6.7.5 结论
-
-
6.8 其他形式的神经网络
-
6.8.1 竞争型人工神经网络——自组织竞争
-
6.8.2 竞争型人工神经网络——自组织特征映射神经网络
-
6.8.3 竞争型人工神经网络——学习向量量化神经网络
-
6.8.4 概率神经网络
-
6.8.5 CPN神经网络分类器的MATLAB实现
-
-
习题
-
-
第7章 模拟退火算法聚类设计
-
7.1 模拟退火算法简介
-
7.1.1 物理退火过程
-
7.1.2 Metropolis准则
-
7.1.3 模拟退火算法的基本原理
-
7.1.4 模拟退火算法的组成
-
7.1.5 模拟退火算法新解的产生和接受
-
7.1.6 模拟退火算法的基本过程
-
7.1.7 模拟退火算法的参数控制问题
-
-
7.2 基于模拟退火思想的聚类算法
-
7.2.1 K均值算法的局限性
-
7.2.2 基于模拟退火思想的改进K均值聚类算法
-
7.2.3 几个重要参数的选择
-
-
7.3 算法实现
-
7.3.1 实现步骤
-
7.3.2 模拟退火实现模式分类的MATLAB程序
-
-
7.4 结论
-
习题
-
-
第8章 遗传算法聚类设计
-
8.1 遗传算法简介
-
8.2 遗传算法原理
-
8.2.1 遗传算法的基本术语
-
8.2.2 遗传算法进行问题求解的过程
-
8.2.3 遗传算法的优缺点
-
8.2.4 遗传算法的基本要素
-
-
8.3 算法实现
-
8.3.1 种群初始化
-
8.3.2 适应度函数的设计
-
8.3.3 选择操作
-
8.3.4 交叉操作
-
8.3.5 变异操作
-
8.3.6 完整程序及仿真结果
-
-
8.4 结论
-
习题
-
-
第9章 蚁群算法聚类设计
-
9.1 蚁群算法简介
-
9.2 蚁群算法原理
-
9.2.1 基本蚁群算法原理
-
9.2.2 模型建立
-
9.2.3 蚁群算法的特点
-
-
9.3 基本蚁群算法的实现
-
9.4 算法改进
-
9.4.1 MMAS算法简介
-
9.4.2 完整程序及仿真结果
-
-
9.5 结论
-
习题
-
-
第10章 粒子群算法聚类设计
-
10.1 粒子群算法简介
-
10.2 经典的粒子群算法的运算过程
-
10.3 两种基本的进化模型
-
10.4 改进的粒子群优化算法
-
10.4.1 粒子群优化算法原理
-
10.4.2 粒子群优化算法的基本流程
-
-
10.5 粒子群算法与其他算法的比较
-
10.6 粒子群算法分类器的MATLAB实现
-
10.6.1 设定参数
-
10.6.2 初始化
-
10.6.3 完整程序及仿真结果
-
-
10.7 结论
-
习题
-
- 参考文献
- 出版地 ： 中國大陸
- 語言 ： 簡體中文
評分與評論
請登入後再留言與評分
EPUB
EPUB
PDF
PDF
