本書廣泛吸取統計學、神經網路、數據挖掘、機器學習、人工智慧、群智慧型計算等學科的先進思想和理論，將其套用到模式識別領域中；以一種新的體系，系統、全面地介紹模式識別的理論、方法及套用。
基本介紹
- 書名：模式識別與智慧型計算:Matlab技術實現
- 作者：楊淑瑩
- ISBN：10位[7121054531]13位[9787121054532]
- 定價：￥48.00元
- 出版社：電子工業出版社
- 出版時間：2008-1-1
內容提要,編輯推薦,目錄,
內容提要
全書共分為13章，內容包括：模式識別概述，特徵的選擇與提取，模式相似性測度，貝葉斯分類器設計，判別函式分類器設計，神經網路分類器設計（BP神經網路、徑向基函式沖經網路、自組織競爭神經網路、慨率神經網路、對向傳播神經網路、反饋型神經網路），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。
本書內容新穎，實用性強，理論與實際套用密切結合，以手寫數字識別為套用實例，介紹理論運用於實踐的實現步驟及相應的Matlab代碼，為廣大研究工作者和工程技術人員對相關理論的套用提供借鑑。
本書可作為高等院校計算機工程、信息工程、生物醫學工程、智慧型機器人學、工業自動化、模式識別等學科本科生、研究生的教材或教學參考書，亦可供相關工程技術人員參考。
編輯推薦
本書廣泛吸取統計學、神經網路、數據挖掘、機器學習、人工智慧、群智慧型計算等學科的先進思想和理論，將其套用到模式識別領域中；以一種新的體系，系統、全面地介紹模式識別的理論、方法及套用。全書共分為13章，內容包括：模式識別概述，特徵的選擇與提取，模式相似性測度，貝葉斯分類器設計，判別函式分類器設計，神經網路分類器設計（BP神經網路、徑向基函式沖經網路、自組織競爭神經網路、慨率神經網路、對向傳播神經網路、反饋型神經網路），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。
本書內容新穎，實用性強，理論與實際套用密切結合，以手寫數字識別為套用實例，介紹理論運用於實踐的實現步驟及相應的Matlab代碼，為廣大研究工作者和工程技術人員對相關理論的套用提供借鑑。
本書可作為高等院校計算機工程、信息工程、生物醫學工程、智慧型機器人學、工業自動化、模式識別等學科本科生、研究生的教材或教學參考書，亦可供相關工程技術人員參考。
附光碟
目錄
第1章模式識別概述
1.1模式識別的基本慨念
1.2特徵空間最佳化設計問題
1.3分類器設計
1.3.1分類器設計基本方法
1.3.2判別函式
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模式識別的套用
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特徵選擇及搜尋算法
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模板匹配法
3.2.2基於PCA的模板匹配法
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章基於機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章判別函式分類器設計
5.1判別函式的基本概念
5.2線性判別函式
5.3線性判別函式的實現
5.4感知器算法
5.5增量校正算法
5.6LMSE驗證可分性
5.7LMSE分類算法
5.8Fishe-r分類
5.9基於核的Fisher分類
5.10線性分類器實現分類的局限
5.11非線性判別函式
5.12分段線性判別函式
5.13勢函式法
5.14支持向量機
本章小結
習題5
第6章神經網路分類器設計
6.1人工神經網路的基本原理
6.1.1人工神經元
……
第7章決策樹分類器
第8章粗糙集分類器
第9章聚類分析
第10章模糊聚類分析
第11章遺傳算法聚類分析
第12章蟻群算法聚類分析
第13章粒子群算法聚類分析
參考文獻
