模式识别与智能计算——Matlab技术实现(含光盘1张)
模式识别与智能计算——Matlab技术实现(含光盘1张)
更新于2009-04-18 11:00:21

第1章  模式识别概述
1.1  模式识别的基本概念
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现    
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  Fisher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
9.2.2  最大最小距离算法    
9.3  层次聚类算法        
9.3.1  最短距离法
9.3.2  最长距离法        
9.3.3  中间距离法        
9.3.4  重心法        
9.3.5  类平均距离法    
9.4  动态聚类算法        
9.4.1  K均值算法         
9.4.2  迭代自组织的数据分析算法(ISODATA)
9.5  模拟退火聚类算法        
9.5.1  模拟退火的基本概念        
9.5.2  基于模拟退火思想的改进K均值聚类算法
本章小结    
习题9

第10章  模糊聚类分析
10.1  模糊集的基本概念    
10.2  模糊集运算        
10.2.1  模糊子集运算        
10.2.2  模糊集运算性质
10.3  模糊关系    
10.4  模糊集在模式识别中的应用
10.5  基于模糊的聚类分析
本章小结    
习题10

第11章  遗传算法聚类分析    
11.1  遗传算法的基本概念    
11.2  遗传算法的构成要素        
11.2.1  染色体的编码        
11.2.2  适应度函数        
11.2.3  遗传算子    
11.3  控制参数的选择
11.4  基于遗传算法的聚类分析    
本章小结    
习题11

第12章  蚁群算法聚类分析
12.1  蚁群算法的基本概念    
12.2  聚类数目已知的蚁群聚类算法    
12.3  聚类数目未知的蚁群聚类算法    
本章小结    
习题12

第13章  粒子群算法聚类分析    
13.1  粒子群算法的基本概念
13.2  基于粒子群算法的聚类分析    
本章小结    
习题13

参考文献
 

网友留言