模式識別與智能計算：Matlab技術實現(xiàn)

第1章 模式識別概述
1.1 模式識別的基本慨念
1.2 特征空間優(yōu)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 判別函數(shù)
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 模式識別的應用
本章小結
習題1
第2章 特征的選擇與提取
2.1 樣本特征庫初步分析
2.2 樣品篩選處理
2.3 特征篩選處理
2.3.1 特征相關分析
2.3.2 特征選擇及搜索算法
2.4 特征評估
2.5 基于主成分分析的特征提取
2.6 特征空間描述與分析
2.6.1 特征空間描述
2.6.2 特征空間分布分析
2.7 手寫數(shù)字特征提取與分析
2.7.1 手寫數(shù)字特征提取
2.7.2 手寫數(shù)字特征空間分布分析
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 基于PCA的模板匹配法
3.2.3 基于類中心的歐式距離法分類
3.2.4 馬氏距離分類
3.2.5 夾角余弦距離分類
3.2.6 二值化的夾角余弦距離法分類
3.2.7 二值化的Tanimoto測度分類
本章小結
習題3
第4章 基于概率統(tǒng)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 基于最小錯誤率的貝葉斯決策
4.3 基于最小風險的貝葉斯決策
4.4 貝葉斯決策比較
4.5 基于二值數(shù)據(jù)的貝葉斯分類實現(xiàn)
4.6 基于最小錯誤率的貝葉斯分類實現(xiàn)
4.7 基于最小風險的貝葉斯分類實瑚
本章小結
習題4
第5章 判別函數(shù)分類器設計
5.1 判別函數(shù)的基本概念
5.2 線性判別函數(shù)
5.3 線性判別函數(shù)的實現(xiàn)
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 基于核的Fisher分類
5.10 線性分類器實現(xiàn)分類的局限
5.11 非線性判別函數(shù)
5.12 分段線性判別函數(shù)
5.13 勢函數(shù)法
5.14 支持向量機
本章小結
習題5
第6章 神經(jīng)網(wǎng)絡分類器設計
6.1 人工神經(jīng)網(wǎng)絡的基本原理
6.1.1 人工神經(jīng)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