模式识别与人工智能(基于MATLAB)(第2版)

第1章模式识别概述 1.1模式识别的基本概念 1.1.1模式的描述方法 1.1.2模式识别系统 1.2模式识别的基本方法 1.3模式识别的应用 习题 第2章贝叶斯分类器设计 2.1贝叶斯决策及贝叶斯公式 2.1.1贝叶斯决策简介 2.1.2贝叶斯公式 2.2基于*小错误率的贝叶斯决策 2.2.1基于*小错误率的贝叶斯决策理论 2.2.2*小错误率贝叶斯分类的计算过程 2.2.3*小错误率贝叶斯分类的MATLAB实现 2.2.4结论 2.3*小风险贝叶斯决策 2.3.1*小风险贝叶斯决策理论 2.3.2*小错误率与*小风险贝叶斯决策的比较 2.3.3贝叶斯算法的计算过程 2.3.4*小风险贝叶斯分类的MATLAB实现 2.3.5结论 习题 第3章判别函数分类器设计 3.1判别函数简介 3.2线性判别函数 3.3线性判别函数的实现 3.4基于LMSE的分类器设计 3.4.1LMSE分类法简介 3.4.2LMSE算法的原理 3.4.3LMSE算法分类 3.4.4LMSE算法步骤 3.4.5实现LMSE算法的详细过程 3.4.6结论 3.5基于Fisher的分类器设计 3.5.1Fisher判别法简介 3.5.2Fisher判别法的基本原理 3.5.3Fisher分类器设计 3.5.4Fisher算法实现 3.5.5识别待测样本类别 3.5.6结论 3.6基于支持向量机的分类法 3.6.1支持向量机简介 3.6.2支持向量机的基本思想 3.6.3线性可分支持向量机 3.6.4非线性可分支持向量机 3.6.5L1软间隔支持向量机 3.6.6支持向量机的几个主要优点 3.6.7多类分类问题 3.6.8基于 SVM 的数据分类 3.6.9结论 习题 第4章聚类分析 4.1聚类分析 4.1.1聚类的定义 4.1.2聚类准则 4.1.3基于试探法的聚类设计 4.2数据聚类——K均值聚类 4.2.1K均值聚类简介 4.2.2K均值聚类的原理 4.2.3K均值算法的主要流程 4.2.4K均值算法的优缺点 4.2.5K均值聚类的MATLAB实现 4.2.6待聚类样本的分类结果 4.2.7结论 4.3数据聚类——基于取样思想的改进K均值聚类 4.3.1K均值改进算法的思想 4.3.2基于取样思想的改进K均值算法 4.3.3结论 4.4数据聚类——K近邻法聚类 4.4.1近邻法简介 4.4.2K近邻法的概念 4.4.3K近邻法的算法研究 4.4.4K近邻法数据分类器的MATLAB实现 4.4.5结论 4.5数据聚类——PAM聚类 4.5.1PAM算法概述 4.5.2PAM算法的主要流程 4.5.3PAM算法的实现 4.5.4PAM算法的特点 4.5.5K均值和PAM算法分析比较 4.5.6结论 4.6数据聚类——层次聚类 4.6.1层次聚类方法简介 4.6.2凝聚的和分裂的层次聚类 4.6.3聚合层次聚类算法的原理 4.6.4簇间距离度量方法 4.6.5层次聚类方法存在的不足 4.6.6层次聚类的MATLAB实现 4.6.7结论 4.7数据聚类——ISODATA算法 4.7.1ISODATA算法应用背景 4.7.2用MATLAB实现ISODATA算法 4.7.3结论 习题 第5章模糊聚类分析 5.1模糊逻辑的发展 5.2模糊集合 5.2.1由经典集合到模糊集合 5.2.2模糊集合的基本概念 5.2.3隶属度函数 5.2.4模糊与概率 5.3模糊集合的运算 5.3.1模糊集合的基本运算 5.3.2模糊集合的基本运算规律 5.3.3模糊集合与经典集合的联系 5.4模糊关系与模糊关系的合成 5.4.1模糊关系的基本概念 5.4.2模糊关系的合成 5.4.3模糊关系的性质 5.4.4模糊变换 5.5模糊逻辑及模糊推理 5.5.1模糊逻辑技术 5.5.2语言控制策略 5.5.3模糊语言变量 5.5.4模糊命题与模糊条件语句 5.5.5判断与推理 5.5.6模糊推理 5.6数据聚类——模糊聚类 5.6.1模糊聚类的应用背景 5.6.2基于 MATLAB的GUI工具的模糊算法构建——数据模糊化 5.6.3基于MATLAB的GUI工具的模糊算法构建——FIS实现 5.6.4模糊聚类的结果分析 5.7数据聚类——模糊C均值聚类 5.7.1模糊C均值聚类的应用背景 5.7.2模糊C均值算法 5.7.3模糊C均值聚类的MATLAB实现 5.7.4模糊C均值聚类的结果分析 5.8数据聚类——模糊ISODATA聚类 5.8.1模糊ISODATA聚类的应用背景 5.8.2模糊ISODATA算法的基本原理 5.8.3模糊ISODATA算法的基本步骤 5.8.4模糊ISODATA算法的MATLAB程序实现 5.8.5结论 5.9模糊神经网络 5.9.1模糊神经网络的应用背景 5.9.2模糊神经网络算法的原理 5.9.3模糊系统与神经网络的比较 5.9.4模糊神经网络分类器的MATLAB实现 5.9.5结论 习题 第6章神经网络及聚类设计 6.1什么是神经网络 6.1.1神经网络的发展历程 6.1.2生物神经系统的结构及冲动的传递过程 6.1.3人工神经网络的定义 6.2人工神经网络模型 6.2.1人工神经元的基本模型 6.2.2人工神经网络的基本构架 6.2.3人工神经网络的工作过程 6.2.4人工神经网络的特点 6.3前馈神经网络 6.3.1感知器网络 6.3.2BP网络 6.3.3BP网络的建立及执行 6.3.4BP网络应用于模式分类 6.3.5BP网络的其他学习算法的应用 6.4反馈神经网络 6.4.1离散Hopfield网络的结构 6.4.2离散Hopfield网络的工作方式 6.4.3Hopfield网络的稳定性和吸引子 6.4.4Hopfield网络的连接权设计 6.4.5Hopfield网络应用于模式分类 6.5径向基函数 6.5.1径向基函数的网络结构及工作方式 6.5.2径向基函数网络的特点及作用 6.5.3径向基函数网络的参数选择 6.5.4RBF网络应用于模式分类 6.6广义回归神经网络 6.6.1GRNN的结构 6.6.2GRNN的理论基础 6.6.3GRNN的特点及作用 6.6.4GRNN用于模式分类 6.7小波神经网络 6.7.1小波神经网络的基本结构 6.7.2小波神经网络的训练算法 6.7.3小波神经网络的结构设计 6.7.4小波神经网络应用于模式分类 6.8卷积神经网络 6.8.1卷积神经网络的背景 6.8.2卷积神经网络的原理 6.8.3卷积神经网络应用于图片分类 6.8.4卷积神经网络应用于颜色分类 6.9其他形式的神经网络 6.9.1竞争型人工神经网络——自组织竞争 6.9.2竞争型人工神经网络——自组织特征映射(SOM)神经网络 6.9.3竞争型人工神经网络——学习向量量化(LVQ)神经网络 6.9.4概率神经网络 6.9.5对向传播网络 习题 第7章模拟退火算法聚类设计 7.1模拟退火算法简介 7.1.1物理退火过程 7.1.2Metropolis准则 7.1.3模拟退火算法的基本原理 7.1.4模拟退火算法的组成 7.1.5模拟退火算法新解的产生和接受 7.1.6模拟退火算法的基本过程 7.1.7模拟退火算法的参数控制问题 7.1.8模拟退火算法的特点 7.2基于模拟退火思想的聚类算法 7.2.1K均值算法的局限性 7.2.2基于模拟退火思想的改进K均值聚类算法 7.2.3几个重要参数的选择 7.3模拟退火算法实现 7.3.1实现步骤 7.3.2模拟退火实现模式分类的MATLAB程序 7.4结论 习题 第8章遗传算法聚类设计 8.1遗传算法的产生与发展 8.2遗传算法的原理 8.2.1遗传算法的基本术语 8.2.2遗传算法问题的求解过程 8.2.3遗传算法的特点 8.2.4遗传算法的基本要素 8.3与其他优化技术结合的遗传算法 8.4遗传算法的实现 8.4.1种群初始化 8.4.2适应度函数的设计 8.4.3选择操作 8.4.4交叉操作 8.4.5变异操作 8.4.6完整程序及仿真结果 8.5结论 习题 第9章蚁群算法聚类设计 9.1蚁群算法简介 9.2蚁群算法原理 9.2.1基本蚁群算法的原理 9.2.2蚁群算法模型的建立 9.2.3蚁群算法的特点 9.3基本蚁群算法的实现 9.4蚁群算法的改进 9.4.1MMAS算法简介 9.4.2完整程序及仿真结果 9.5蚁群算法与其他仿生优化算法的异同 9.6结论 习题 第10章粒子群算法聚类设计 10.1粒子群算法简介 10.2经典粒子群算法的运算过程 10.3两种基本的进化模型 10.4改进的粒子群优化算法 10.4.1粒子群优化算法的原理 10.4.2粒子群优化算法的优缺点 10.4.3粒子群优化算法的基本流程 10.5粒子群算法与其他算法的比较 10.6粒子群算法应用到模式分类 10.6.1设定参数 10.6.2初始化 10.6.3完整程序及仿真结果 10.7结论 习题 第11章免疫算法 11.1免疫算法的产生和发展 11.2免疫算法理论 11.2.1免疫算法的概念 11.2.2免疫算法的特点 11.2.3免疫算法算子 11.3免疫算法的流程 11.4免疫算法的关键参数说明 11.5MATLAB仿真实例 11.6结论 习题 第12章禁忌搜索算法 12.1禁忌搜索算法简介 12.2禁忌搜索算法的相关理论 12.2.1局部邻域搜索 12.2.2禁忌搜索与局部邻域搜索 12.2.3禁忌搜索 12.2.4禁忌搜索算法的特点 12.2.5禁忌搜索算法的改进方向 12.3禁忌搜索算法的流程 12.4禁忌搜索算法的关键参数 12.5基于禁忌搜索算法的旅行商问题 12.5.1问题的提出及解决步骤 12.5.2仿真结果 12.5.3结论 习题