模式識別與智能計算的 MATLAB實現(xiàn)（第2版）

第1章 緒 論…………………………………………………………………………………… 1
1.1 模式識別的基本概念…………………………………………………………………… 1
1.1.1 模式與模式識別的概念…………………………………………………………… 1
1.1.2 模式的特征………………………………………………………………………… 1
1.1.3 模式識別系統(tǒng)……………………………………………………………………… 2
1.2 模式識別的主要方法…………………………………………………………………… 2
1.3 模式識別的主要研究內容……………………………………………………………… 3
1.4 模式識別在科學研究中的應用………………………………………………………… 3
1.4.1 化合物的構效分析………………………………………………………………… 3
1.4.2 譜圖解析…………………………………………………………………………… 4
1.4.3 材料研究…………………………………………………………………………… 4
1.4.4 催化劑研究………………………………………………………………………… 5
1.4.5 機械故障診斷與監(jiān)測……………………………………………………………… 5
1.4.6 化學物質源產地判斷……………………………………………………………… 6
1.4.7 疾病的診斷與預測………………………………………………………………… 6
1.4.8 礦藏勘探…………………………………………………………………………… 7
1.4.9 考古及食品工業(yè)中的應用………………………………………………………… 7
第2章 統(tǒng)計模式識別技術………………………………………………………………… 8
2.1 基于概率統(tǒng)計的貝葉斯分類方法…………………………………………………… 8
2.1.1 最小錯誤率貝葉斯分類…………………………………………………………… 9
2.1.2 最小風險率貝葉斯分類…………………………………………………………… 10
2.2 線性分類器………………………………………………………………………………12
2.2.1 線性判別函數(shù)……………………………………………………………………… 12
2.2.2 Fisher線性判別函數(shù)……………………………………………………………… 13
2.2.3 感知器算法………………………………………………………………………… 14
2.3 非線性分類器…………………………………………………………………………315
2.3.1 分段線性判別函數(shù)………………………………………………………………… 15
2.3.2 近鄰法……………………………………………………………………………… 17
2.3.3 勢函數(shù)法…………………………………………………………………………… 19
2.3.4 SIMCA 方法……………………………………………………………………… 20
2.4 聚類分析………………………………………………………………………………22
2.4.1 模式相似度………………………………………………………………………… 22
2.4.2 聚類準則…………………………………………………………………………… 24
2.4.3 層次聚類法………………………………………………………………………… 25
2.4.4 動態(tài)聚類法………………………………………………………………………… 25
2.4.5 決策樹分類器……………………………………………………………………… 28
2.5 統(tǒng)計模式識別在科學研究中的應用…………………………………………………29
第3章 人工神經(jīng)網(wǎng)絡及模式識別…………………………………………………………43
3.1 人工神經(jīng)網(wǎng)絡的基本概念………………………………………………………… 43
3.1.1 人工神經(jīng)元………………………………………………………………………… 43
3.1.2 傳遞函數(shù)…………………………………………………………………………… 43
3.1.3 人工神經(jīng)網(wǎng)絡分類和特點………………………………………………………… 44
3.2 BP人工神經(jīng)網(wǎng)絡……………………………………………………………………… 44
3.2.1 BP人工神經(jīng)網(wǎng)絡學習算法……………………………………………………… 44
3.2.2 BP人工神經(jīng)網(wǎng)絡MATLAB實現(xiàn)……………………………………………… 46
3.3 徑向基函數(shù)神經(jīng)網(wǎng)絡RBF …………………………………………………………… 47
3.3.1 RBF的結構與學習算法…………………………………………………………… 47
3.3.2 RBF的MATLAB實現(xiàn)…………………………………………………………… 48
3.4 自組織競爭人工神經(jīng)網(wǎng)絡……………………………………………………………48
3.4.1 自組織競爭人工神經(jīng)網(wǎng)絡的基本概念…………………………………………… 48
3.4.2 自組織競爭神經(jīng)網(wǎng)絡的學習算法………………………………………………… 49
3.4.3 自組織競爭網(wǎng)絡的MATLAB實現(xiàn)……………………………………………… 49
3.5 對向傳播神經(jīng)網(wǎng)絡CPN ……………………………………………………………… 50
3.5.1 CPN 的基本概念………………………………………………………………… 50
3.5.2 CPN 網(wǎng)絡的學習算法…………………………………………………………… 50
3.6 反饋型神經(jīng)網(wǎng)絡Hopfield ……………………………………………………………51
3.6.1 Hopfield網(wǎng)絡的基本概念………………………………………………………… 51
3.6.2 Hopfield網(wǎng)絡的學習算法………………………………………………………… 52
3.6.3 Hopfield網(wǎng)絡的MATLAB實現(xiàn)………………………………………………… 53
3.7 人工神經(jīng)網(wǎng)絡技術在科學研究中的應用………………………………………………53
第4章 模糊系統(tǒng)理論及模式識別……………………………………………………………72
4.1 模糊系統(tǒng)理論基礎………………………………………………………………………72
4.1.1 模糊集合…………………………………………………………………………… 72
4.1.2 模糊關系…………………………………………………………………………… 75
4.1.3 模糊變換與模糊綜合評判………………………………………………………… 77
4.1.4 If…then規(guī)則……………………………………………………………………… 78
4.1.5 模糊推理…………………………………………………………………………… 78
4.2 模糊模式識別的基本方法………………………………………………………………79
4.2.1 最大隸屬度原則…………………………………………………………………… 79
4.2.2 擇近原則…………………………………………………………………………… 79
4.2.3 模糊聚類分析……………………………………………………………………… 81
4.3 模糊神經(jīng)網(wǎng)絡……………………………………………………………………………85
4.3.1 模糊神經(jīng)網(wǎng)絡……………………………………………………………………… 85
4.3.2 模糊BP神經(jīng)網(wǎng)絡………………………………………………………………… 86
4.4 模糊邏輯系統(tǒng)及其在科學研究中的應用……………………………………………… 86
第5章 核函數(shù)方法及應用…………………………………………………………………… 107
5.1 核函數(shù)方法…………………………………………………………………………… 107
5.2 基于核的主成分分析方法…………………………………………………………… 108
5.2.1 主成分分析……………………………………………………………………… 108
5.2.2 基于核的主成分分析…………………………………………………………… 110
5.3 基于核的Fisher判別方法…………………………………………………………… 112
5.3.1 Fisher判別方法………………………………………………………………… 112
5.3.2 基于核的Fisher判別方法分析………………………………………………… 113
5.4 基于核的投影尋蹤方法……………………………………………………………… 114
5.4.1 投影尋蹤分析…………………………………………………………………… 114
5.4.2 基于核的投影尋蹤分析………………………………………………………… 118
5.5 核函數(shù)方法在科學研究中的應用…………………………………………………… 119
第6章 支持向量機及其模式識別…………………………………………………………… 130
6.1 統(tǒng)計學習理論基本內容……………………………………………………………… 130
6.2 支持向量機…………………………………………………………………………… 131
6.2.1 最優(yōu)分類面……………………………………………………………………… 131
6.2.2 支持向量機模型………………………………………………………………… 132
6.3 支持向量機在模式識別中的應用…………………………………………………… 134
第7章 可拓學及其模式識別………………………………………………………………… 142
7.1 可拓學概論…………………………………………………………………………… 142
7.1.1 可拓工程基本思想……………………………………………………………… 142
7.1.2 可拓工程使用的基本工具……………………………………………………… 143
7.2 可拓集合……………………………………………………………………………… 145
7.2.1 可拓集合含義…………………………………………………………………… 145
7.2.2 物元可拓集合…………………………………………………………………… 146
7.3 可拓聚類預測的物元模型…………………………………………………………… '3146
7.4 可拓學在科學研究中的應用………………………………………………………… 147
第8章 粗糙集理論及其模式識別…………………………………………………………… 154
8.1 粗糙集理論基礎……………………………………………………………………… 154
8.1.1 分類規(guī)則的形成………………………………………………………………… 156
8.1.2 知識的約簡……………………………………………………………………… 157
8.2 粗糙神經(jīng)網(wǎng)絡………………………………………………………………………… 158
8.3 系統(tǒng)評估粗糙集方法………………………………………………………………… 158
8.3.1 模型結構………………………………………………………………………… 159
8.3.2 綜合評估方法…………………………………………………………………… 159
8.4 粗糙集聚類方法……………………………………………………………………… 160
8.5 粗糙集理論在科學研究中的應用…………………………………………………… 161
第9章 遺傳算法及其模式識別……………………………………………………………… 170
9.1 遺傳算法的基本原理………………………………………………………………… 170
9.2 遺傳算法分析………………………………………………………………………… 173
9.2.1 染色體的編碼…………………………………………………………………… 173
9.2.2 適應度函數(shù)……………………………………………………………………… 174
9.2.3 遺傳算子………………………………………………………………………… 175
9.3 控制參數(shù)的選擇……………………………………………………………………… 177
9.4 模擬退火算法………………………………………………………………………… 178
9.4.1 模擬退火的基本概念…………………………………………………………… 178
9.4.2 模擬退火算法的基本過程……………………………………………………… 179
9.4.3 模擬退火算法中的控制參數(shù)…………………………………………………… 180
9.5 基于遺傳算法的模式識別在科學研究中的應用…………………………………… 180
9.5.1 遺傳算法的MATLAB實現(xiàn)…………………………………………………… 180
9.5.2 遺傳算法在科學研究中的應用實例…………………………………………… 185
第10章 蟻群算法及其模式識別…………………………………………………………… 201
10.1 蟻群算法原理………………………………………………………………………… 201
10.1.1 基本概念………………………………………………………………………… 201
10.1.2 蟻群算法的基本模型…………………………………………………………… 202
10.1.3 蟻群算法的特點………………………………………………………………… 203
10.2 蟻群算法的改進……………………………………………………………………… 203
10.2.1 自適應蟻群算法………………………………………………………………… 203
10.2.2 遺傳算法與蟻群算法的融合…………………………………………………… 204
10.2.3 蟻群神經(jīng)網(wǎng)絡…………………………………………………………………… 204
10.3 聚類問題的蟻群算法………………………………………………………………… 205
10.3.1 聚類數(shù)目已知的聚類問題的蟻群算法………………………………………… 205
10.3.2 聚類數(shù)目未知的聚類問題的蟻群算法………………………………………… 206
10.4 蟻群算法在科學研究中的應用……………………………………………………… 207
第11章 粒子群算法及其模式識別………………………………………………………… 217
11.1 粒子群算法的基本原理……………………………………………………………… 217
11.2 全局模式與局部模式………………………………………………………………… 218
11.3 粒子群算法的特點…………………………………………………………………… 218
11.4 基于粒子群算法的聚類分析………………………………………………………… 219
11.4.1 算法描述………………………………………………………………………… 219
11.4.2 實現(xiàn)步驟………………………………………………………………………… 220
11.5 粒子群算法在科學研究中的應用…………………………………………………… 221
第12章 可視化模式識別技術……………………………………………………………… 229
12.1 高維數(shù)據(jù)的圖形表示方法…………………………………………………………… 229
12.1.1 輪廓圖…………………………………………………………………………… 229
12.1.2 雷達圖…………………………………………………………………………… 230
12.1.3 樹形圖…………………………………………………………………………… 230
12.1.4 三角多項式圖…………………………………………………………………… 231
12.1.5 散點圖…………………………………………………………………………… 231
12.1.6 星座圖…………………………………………………………………………… 232
12.1.7 臉譜圖…………………………………………………………………………… 233
12.2 圖形特征參數(shù)計算…………………………………………………………………… 235
12.3 顯示方法……………………………………………………………………………… 237
12.3.1 線性映射………………………………………………………………………… 237
12.3.2 非線性映射……………………………………………………………………… 237
第13章 灰色系統(tǒng)方法及應用……………………………………………………………… 241
13.1 灰色系統(tǒng)的基本概念………………………………………………………………… 241
13.1.1 灰 數(shù)…………………………………………………………………………… 241
13.1.2 灰數(shù)白化與灰度………………………………………………………………… 242
13.2 灰色序列生成算子…………………………………………………………………… 242
13.2.1 均值生成算子…………………………………………………………………… 242
13.2.2 累加生成算子…………………………………………………………………… 243
13.2.3 累減生成算子…………………………………………………………………… 243
13.3 灰色分析……………………………………………………………………………… 244
13.3.1 灰色關聯(lián)度分析………………………………………………………………… 244
13.3.2 無量綱化的關鍵算子…………………………………………………………… 244
13.3.3 關聯(lián)分析的主要步驟…………………………………………………………… 245
13.3.4 其他幾種灰色關聯(lián)度…………………………………………………………… 246
13.4 灰色聚類……………………………………………………………………………… 247
13.5 灰色系統(tǒng)建模………………………………………………………………………… 247
13.5.1 GM(1,1)模型…………………………………………………………………… 247
13.5.2 GM(1,1)模型檢驗……………………………………………………………… 248
13.5.3 殘差GM(1,1)模型…………………………………………………………… 250
13.5.4 GM(1,N )模型………………………………………………………………… 250
13.6 灰色災變預測………………………………………………………………………… 251
13.7 灰色系統(tǒng)的應用……………………………………………………………………… 252
第14章 人工魚群等群體智能算法………………………………………………………… 258
第15章 仿生模式識別……………………………………………………………………… 328
第16章 模式識別的特征及確定…………………………………………………………… 348