《模式识别与智能计算—Matlab技术实现》第二版

杨淑莹9787121140785电子工业出版社

模式识别已经成为当代高科技研究的重要领域之一，它已发展成为一门独立的新学科。
模式识别技术迅速扩展，已经应用在人工智能、机器人、系统控制、遥感数据分析、生物医学工程、军事目标识别等领域，几乎遍及各个学科领域，在国民经济、国防建设、社会发展的各个方面得到广泛应用，产生了深远的影响。
再版新书广泛吸取了统计学、神经网络、数据挖掘、机器学习、人工智能、群智能计算等学科的先进思想和理论，将其扩充到模式识别体系中。以一种新的体系，系统、全面地介绍模式识别的理论、方法及应用。全书共分为三部分，第一部分基础篇，内容包括模式识别的基本概念，特征的选择与提取，模式相似性测度。这一部分介绍模式识别的基本概念和基本方法。第二部分分类器设计篇，内容包括：贝叶斯（Bayes）分类器设计，判别函数设计，神经网络分类器设计，决策树分类器设计，粗糙集分类器设计。这一部分利用手写数字分类识别的具体实例把模式识别方法结合起来，为广大研究工作者和工程技术人员对相关理论的应用起到借鉴作用。第三部分聚类分析，内容包括基本聚类算法，模拟退火聚类分析，模糊聚类分析，禁忌搜索算法聚类分析，遗传算法聚类分析，群体智能聚类算法（蚁群算法聚类分析，粒子算法群聚类分析）。这一部分采用一幅含有需要聚类分析的图像形象生动地说明各种聚类算法。
国内外论述模式识别技术的书籍不少，但由于这一领域涉及深奥的数学理论，往往使实际工作者感到困难，而大部分书是罗列模式识别的各种算法，见不到算法的实际效果和各种算法对比的结果，而这正是学习者和实际工作者所需要了解和掌握的内容。目前还确实缺少一本关于模式识别技术在实际应用方面，具有系统性、可比性和实用性的参考书。
本书特点如下：
1.选用新技术。除了介绍许多重要经典的内容以外，书中还包括了最近十几年来才刚刚发展起来的并被实践证明有用的新技术、新理论，比如支持向量机、BP神经网络、RBF神经网络、PNN神经网络、CPN神经网络、SORNN神经网络、决策树、粗糙集理论、模糊集理论、模拟退火、遗传算法、蚁群算法、粒子群算法等，并将这些新技术应用于模式识别当中，提供这些新技术的实现方法和源代码。

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 特征的选择与优化
2.1 特征空间优化设计问题
2.2 样本特征库初步分析
2.3 样品筛选处理
2.4 特征筛选处理
2.5 特征评估
2.6 基于主成分分析的特征提取
2.7 特征空间描述与分析
2.7.1 特征空间描述
2.7.2 特征空间分布分析
2.8 手写数字特征提取与分析
2.8.1 手写数字特征提取
2.8.2 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

仅供学习

本文链接：https://www.wodfd.com/1544.html

备用下载链接：https://www.wodfd.com/1225.html