123,123,123

內(nèi)容簡(jiǎn)介

　　本書(shū)廣泛吸取統(tǒng)計(jì)學(xué)、神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、人工智能、群智能計(jì)算等學(xué)科的先進(jìn)思想和理論，將其應(yīng)用到模式識(shí)別領(lǐng)域中；以一種新的體系，系統(tǒng)、全面地介紹模式識(shí)別的理論、方法及應(yīng)用。全書(shū)共分為13章，內(nèi)容包括：模式識(shí)別概述，特征的選擇與提取，模式相似性測(cè)度，貝葉斯分類(lèi)器設(shè)計(jì)，判別函數(shù)分類(lèi)器設(shè)計(jì)，神經(jīng)網(wǎng)絡(luò)分類(lèi)器設(shè)計(jì)（BP神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)沖經(jīng)網(wǎng)絡(luò)、自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)、慨率神經(jīng)網(wǎng)絡(luò)、對(duì)向傳播神經(jīng)網(wǎng)絡(luò)、反饋型神經(jīng)網(wǎng)絡(luò)），決策樹(shù)分類(lèi)器，粗糙集分類(lèi)器，聚類(lèi)分析，模糊聚類(lèi)分析，遺傳算法聚類(lèi)分析，蟻群算法聚類(lèi)分析，粒子群算法聚類(lèi)分析。本書(shū)內(nèi)容新穎，實(shí)用性強(qiáng)，理論與實(shí)際應(yīng)用密切結(jié)合，以手寫(xiě)數(shù)字識(shí)別為應(yīng)用實(shí)例，介紹理論運(yùn)用于實(shí)踐的實(shí)現(xiàn)步驟及相應(yīng)的Matlab代碼，為廣大研究工作者和工程技術(shù)人員對(duì)相關(guān)理論的應(yīng)用提供借鑒。本書(shū)可作為高等院校計(jì)算機(jī)工程、信息工程、生物醫(yī)學(xué)工程、智能機(jī)器人學(xué)、工業(yè)自動(dòng)化、模式識(shí)別等學(xué)科本科生、研究生的教材或教學(xué)參考書(shū)，亦可供相關(guān)工程技術(shù)人員參考。附光盤(pán)

作者簡(jiǎn)介

暫缺《模式識(shí)別與智能計(jì)算：Matlab技術(shù)實(shí)現(xiàn)》作者簡(jiǎn)介

圖書(shū)目錄

第1章模式識(shí)別概述
1.1 模式識(shí)別的基本慨念
1.2 特征空間優(yōu)化設(shè)計(jì)問(wèn)題
1.3 分類(lèi)器設(shè)計(jì)
1.3.1 分類(lèi)器設(shè)計(jì)基本方法
1.3.2 判別函數(shù)
1.3.3 分類(lèi)器的選擇
1.3.4 訓(xùn)練與學(xué)習(xí)
1.4 聚類(lèi)設(shè)計(jì)
1.5 模式識(shí)別的應(yīng)用
本章小結(jié)
習(xí)題1
第2章特征的選擇與提取
2.1 樣本特征庫(kù)初步分析
2.2 樣品篩選處理
2.3 特征篩選處理
2.3.1 特征相關(guān)分析
2.3.2 特征選擇及搜索算法
2.4 特征評(píng)估
2.5 基于主成分分析的特征提取
2.6 特征空間描述與分析
2.6.1 特征空間描述
2.6.2 特征空間分布分析
2.7 手寫(xiě)數(shù)字特征提取與分析
2.7.1 手寫(xiě)數(shù)字特征提取
2.7.2 手寫(xiě)數(shù)字特征空間分布分析
本章小結(jié)
習(xí)題2
第3章模式相似性測(cè)度
3.1 模式相似性測(cè)度的基本概念
3.2 距離測(cè)度分類(lèi)法
3.2.1 模板匹配法
3.2.2 基于PCA的模板匹配法
3.2.3 基于類(lèi)中心的歐式距離法分類(lèi)
3.2.4 馬氏距離分類(lèi)
3.2.5 夾角余弦距離分類(lèi)
3.2.6 二值化的夾角余弦距離法分類(lèi)
3.2.7 二值化的Tanimoto測(cè)度分類(lèi)
本章小結(jié)
習(xí)題3
第4章基于概率統(tǒng)計(jì)的貝葉斯分類(lèi)器設(shè)計(jì)
4.1 貝葉斯決策的基本概念
4.1.1 貝葉斯決策所討論的問(wèn)題
4.1.2 貝葉斯公式
4.2 基于最小錯(cuò)誤率的貝葉斯決策
4.3 基于最小風(fēng)險(xiǎn)的貝葉斯決策
4.4 貝葉斯決策比較
4.5 基于二值數(shù)據(jù)的貝葉斯分類(lèi)實(shí)現(xiàn)
4.6 基于最小錯(cuò)誤率的貝葉斯分類(lèi)實(shí)現(xiàn)
4.7 基于最小風(fēng)險(xiǎn)的貝葉斯分類(lèi)實(shí)瑚
本章小結(jié)
習(xí)題4
第5章判別函數(shù)分類(lèi)器設(shè)計(jì)
5.1 判別函數(shù)的基本概念
5.2 線性判別函數(shù)
5.3 線性判別函數(shù)的實(shí)現(xiàn)
5.4 感知器算法
5.5 增量校正算法
5.6 LMSE驗(yàn)證可分性
5.7 LMSE分類(lèi)算法
5.8 Fishe-r分類(lèi)
5.9 基于核的Fisher分類(lèi)
5.10 線性分類(lèi)器實(shí)現(xiàn)分類(lèi)的局限
5.11 非線性判別函數(shù)
5.12 分段線性判別函數(shù)
5.13 勢(shì)函數(shù)法
5.14 支持向量機(jī)
本章小結(jié)
習(xí)題5
第6章神經(jīng)網(wǎng)絡(luò)分類(lèi)器設(shè)計(jì)
6.1 人工神經(jīng)網(wǎng)絡(luò)的基本原理
6.1.1 人工神經(jīng)元
……
第7章決策樹(shù)分類(lèi)器
第8章粗糙集分類(lèi)器
第9章聚類(lèi)分析
第10章模糊聚類(lèi)分析
第11章遺傳算法聚類(lèi)分析
第12章蟻群算法聚類(lèi)分析
第13章粒子群算法聚類(lèi)分析
參考文獻(xiàn)