模式識彆與智能計算 pdf epub mobi txt 電子書 下載2025

想要找書就要到 小美書屋

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

《模式識彆與智能計算:Matlab技術實現》廣泛吸取統計學、神經網絡、數據挖掘、機器學習、人工智能、群智能計算等學科的先進思想和理論，將其應用到模式識彆領域中；以一種新的體係，係統、全麵地介紹模式識彆的理論、方法及應用。全書共分為13章，內容包括：模式識彆概述，特徵的選擇與提取，模式相似性測度，貝葉斯分類器設計，判彆函數分類器設計，神經網絡分類器設計（BP神經網絡、徑嚮基函數衝經網絡、自組織競爭神經網絡、慨率神經網絡、對嚮傳播神經網絡、反饋型神經網絡），決策樹分類器，粗糙集分類器，聚類分析，模糊聚類分析，遺傳算法聚類分析，蟻群算法聚類分析，粒子群算法聚類分析。

第1章 模式識彆概述 1.1 模式識彆的基本慨念 1.2 特徵空間優化設計問題 1.3 分類器設計 1.3.1 分類器設計基本方法 1.3.2 判彆函數 1.3.3 分類器的選擇 1.3.4 訓練與學習 1.4 聚類設計 1.5 模式識彆的應用 本章小結 習題1第2章 特徵的選擇與提取 2.1 樣本特徵庫初步分析 2.2 樣品篩選處理 2.3 特徵篩選處理 2.3.1 特徵相關分析 2.3.2 特徵選擇及搜索算法 2.4 特徵評估 2.5 基於主成分分析的特徵提取 2.6 特徵空間描述與分析 2.6.1 特徵空間描述 2.6.2 特徵空間分布分析 2.7 手寫數字特徵提取與分析 2.7.1 手寫數字特徵提取 2.7.2 手寫數字特徵空間分布分析 本章小結 習題2第3章 模式相似性測度 3.1 模式相似性測度的基本概念 3.2 距離測度分類法 3.2.1 模闆匹配法 3.2.2 基於PCA的模闆匹配法 3.2.3 基於類中心的歐式距離法分類 3.2.4 馬氏距離分類 3.2.5 夾角餘弦距離分類 3.2.6 二值化的夾角餘弦距離法分類 3.2.7 二值化的Tanimoto測度分類 本章小結 習題3第4章 基於概率統計的貝葉斯分類器設計 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題 4.1.2 貝葉斯公式 4.2 基於最小錯誤率的貝葉斯決策 4.3 基於最小風險的貝葉斯決策 4.4 貝葉斯決策比較 4.5 基於二值數據的貝葉斯分類實現 4.6 基於最小錯誤率的貝葉斯分類實現 4.7 基於最小風險的貝葉斯分類實瑚 本章小結 習題4第5章 判彆函數分類器設計 5.1 判彆函數的基本概念 5.2 綫性判彆函數 5.3 綫性判彆函數的實現 5.4 感知器算法 5.5 增量校正算法 5.6 LMSE驗證可分性 5.7 LMSE分類算法 5.8 Fishe-r分類 5.9 基於核的Fisher分類 5.10 綫性分類器實現分類的局限 5.11 非綫性判彆函數 5.12 分段綫性判彆函數 5.13 勢函數法 5.14 支持嚮量機 本章小結 習題5第6章 神經網絡分類器設計 6.1 人工神經網絡的基本原理 6.1.1 人工神經元 6.1.2 人工神經網絡模型 6.1.3 神經網絡的學習過程 6.1.4 人工神經網絡在模式識彆問題上的優勢 6.2 BP神經網絡 6.2.1 BP神經網絡的基本概念 6.2.2 BP神經網絡分類器設計 6.3 徑嚮基函數神經網絡(RBF) 6.3.1 徑嚮基函數神經網絡的基本概念 6.3.2 徑嚮基函數神經網絡分類器設計 6.4 自組織競爭神經網絡 6.4.1 自組織競爭神經網絡的基本概念 6.4.2 自組織競爭神經網絡分類器設計 6.5 概率神經網絡(PNN) 6.5.1 概率神經網絡的基本概念 6.5.2 概率神經網絡分類器設計 6.6 對嚮傳播神經網絡(CPN) 6.6.1 對嚮傳播神經網絡的基本概念 6.6.2 對嚮傳播神經網絡分類器設計 6.7 反饋型神經網絡(Hopfield) 6.7.1 Hopfield網絡的基本概念 6.7.2 Hopfield神經網絡分類器設計 本章小結 習題6第7章 決策樹分類器 7.1 決策樹的基本概念 7.2 決策樹分類器設計 本章小結 習題7第8章 粗糙集分類器 8.1 粗糙集理論的基本概念 8.2 粗糙集在模式識彆中的應用 8.3 粗糙集分類器設計 本章小結 習題8第9章 聚類分析 9.1 聚類的設計 9.2 基於試探的未知類彆聚類算法 9.2.1 最臨近規則的試探法 9.2.2 最大最小距離算法 9.3 層次聚類算法 9.3.1 最短距離法 9.3.2 最長距離法 9.3.3 中間距離法 9.3.4 重心法 9.3.5 類平均距離法 9.4 動態聚類算法 9.4.1 K均值算法 9.4.2 迭代自組織的數據分析算法(ISODATA) 9.5 模擬退火聚類算法 9.5.1 模擬退火的基本概念 9.5.2 基於模擬退火思想的改進K均值聚類算法 本章小結 習題9第10章 模糊聚類分析 10.1 模糊集的基本概念 10.2 模糊集運算 10.2.1 模糊子集運算 10.2.2 模糊集運算性質 10.3 模糊關係 10.4 模糊集在模式識彆中的應用 10.5 基於模糊的聚類分析 本章小結 習題10第11章 遺傳算法聚類分析 11.1 遺傳算法的基本概念 11.2 遺傳算法的構成要素 11.2.1 染色體的編碼 11.2.2 適應度函數 11.2.3 遺傳算子 11.3 控製參數的選擇 11.4 基於遺傳算法的聚類分析 本章小結 習題11第12章 蟻群算法聚類分析 12.1 蟻群算法的基本概念 12.2 聚類數目已知的蟻群聚類算法 12.3 聚類數目未知的蟻群聚類算法 本章小結 習題12第13章 粒子群算法聚類分析 13.1 粒子群算法的基本概念 13.2 基於粒子群算法的聚類分析 本章小結 習題13參考文獻
· · · · · · (收起)