科技 类型
可以朗读 语音朗读
312千字 字数
2021-05-01 发行日期
展开全部

主编推荐语

本书广泛涉及了统计学、神经网络、模糊控制、人工智能及群智能计算等学科的先进思想和理论，将各种算法应用到模式识别领域中。

内容简介

本书共分为12章，内容包括：模式识别概述、基于贝叶斯决策理论的分类器设计、判别函数分类器设计、聚类分析、模糊聚类分析、神经网络聚类设计、模拟退火算法聚类设计、遗传算法聚类设计、蚁群算法聚类设计、粒子群算法聚类设计、模板匹配法、余弦相似度算法。

本书将理论与实际相结合，针对具体案例进行了算法设计与分析，并将各种算法运用在MATLAB程序中，为广大研究工作者和工程技术人员提供了便利。

目录

  • 版权信息
  • 内容简介
  • 前 言
  • 第1章 模式识别概述
  • 1.1 模式识别的基本概念
  • 1.2 模式识别的基本方法
  • 1.3 模式识别的应用
  • 第2章 基于贝叶斯决策理论的分类器设计
  • 2.1 贝叶斯决策简介
  • 2.1.1 贝叶斯决策所讨论的问题
  • 2.1.2 贝叶斯公式
  • 2.2 最小错误率贝叶斯决策
  • 2.2.1 最小错误率贝叶斯决策理论
  • 2.2.2 最小错误率贝叶斯分类的计算过程
  • 2.2.3 最小错误率贝叶斯分类的MATLAB实现
  • 2.3 最小风险贝叶斯决策
  • 2.3.1 最小风险贝叶斯决策理论
  • 2.3.2 最小错误率与最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 最小风险贝叶斯分类的MATLAB实现
  • 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 费希尔分类器的设计与实现
  • 3.5 LDA判别器的设计与实现
  • 3.6 基于支持向量机算法的新蒙文字母识别系统的研究
  • 3.6.1 支持向量机模型和工作原理
  • 3.6.2 线性可分支持向量机
  • 3.6.3 非线性可分支持向量机
  • 3.6.4 L1软间隔支持向量机
  • 3.6.5 支持向量机的构建、初始化、仿真
  • 3.6.6 支持向量机各层及各层间传输函数的设计选择
  • 3.7 决策树算法与随机森林
  • 3.7.1 决策树算法
  • 3.7.2 ID3算法
  • 3.7.3 随机森林算法
  • 第4章 聚 类 分 析
  • 4.1 聚类分析概述
  • 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-均值算法
  • 4.2.1 K-均值算法概述
  • 4.2.2 K-均值算法的主要流程
  • 4.2.3 K-均值算法的特点
  • 4.2.4 K-均值算法的MATLAB实现
  • 4.3 PAM算法的研究
  • 4.3.1 PAM算法概述
  • 4.3.2 PAM算法的主要流程
  • 4.3.3 PAM算法的MATLAB实现
  • 4.4 ISODATA算法
  • 4.4.1 ISODATA算法概述
  • 4.4.2 聚类数据背景
  • 4.4.3 ISODATA算法的MATLAB实现
  • 4.4.4 聚类效果评价
  • 4.4.5 实验结果与分析
  • 4.5 AP算法
  • 4.5.1 AP算法概述
  • 4.5.2 AP算法原理
  • 4.5.3 AP算法步骤
  • 4.5.4 近邻传播聚类相关参数研究
  • 4.5.5 AP算法的MATLAB实现
  • 4.6 基于PCA算法的新蒙文字母识别研究
  • 4.6.1 相关原理
  • 4.6.2 PCA算法步骤
  • 4.6.3 PCA算法实现
  • 4.7 粗糙集聚类
  • 4.7.1 粗糙集的基本理论与方法
  • 4.7.2 粗糙集聚类方法
  • 4.7.3 粗糙集聚类的MATLAB实现
  • 4.8 层次聚类算法
  • 4.8.1 层次聚类理论分析
  • 4.8.2 各函数表示的意义
  • 4.8.3 实例说明
  • 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
  • 5.3 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 模糊ISODATA算法
  • 5.6.1 模糊ISODATA算法的基本原理
  • 5.6.2 模糊ISODATA算法的基本步骤
  • 5.6.3 模糊ISODATA算法的MATLAB实现
  • 5.7 模糊聚类C均值算法的车牌字符分割
  • 5.7.1 车牌图像识别的预处理
  • 5.7.2 车牌定位
  • 5.7.3 基于FCM算法的车牌字符分割
  • 5.8 利用模糊聚类进行数据分类
  • 5.8.1 利用等价模糊关系进行聚类分析的MATLAB实现
  • 5.8.2 模糊C均值算法(模糊聚类的一种改进方法)
  • 5.8.3 模糊C均值算法的MATLAB实现程序及结果
  • 第6章 神经网络聚类设计
  • 6.1 什么是神经网络
  • 6.1.1 神经网络技术的发展历程
  • 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
  • 6.3 概率神经网络(PNN)
  • 6.4 BP神经网络
  • 6.4.1 BP网络
  • 6.4.2 BP网络的建立及执行
  • 6.4.3 BP网络在字符识别中的应用
  • 6.4.4 BP算法在分类识别中的应用
  • 6.5 RBF神经网络
  • 6.5.1 径向基函数网络的结构及工作方式
  • 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
  • 6.5.4 径向基函数网络在分类识别中的应用
  • 6.5.5 RBF网络用于模式分类
  • 6.6 反馈神经网络
  • 6.6.1 离散Hopfield网络(DHNN)的结构
  • 6.6.2 离散Hopfield网络的工作方式
  • 6.6.3 Hopfield网络的稳定性和吸引子
  • 6.6.4 Hopfield网络的连接权设计
  • 6.6.5 Hopfield网络应用于模式分类
  • 6.6.6 离散Hopfield网络应用于分类识别
  • 6.7 卷积神经网络
  • 6.7.1 卷积神经网络的出现背景
  • 6.7.2 卷积神经网络原理
  • 6.7.3 卷积神经网络应用于模式分类
  • 6.8 小波神经网络
  • 6.8.1 小波神经网络的基本结构
  • 6.8.2 小波神经网络的训练算法
  • 6.8.3 小波神经网络结构设计
  • 6.8.4 小波神经网络用于模式分类
  • 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——自组织特征映射神经网络(SOM)
  • 6.9.3 竞争型人工神经网络——学习向量量化神经网络(LVQ)
  • 6.9.4 CPN神经网络的设计
  • 第7章 模拟退火算法聚类设计
  • 7.1 模拟退火算法简介
  • 7.2 基于模拟退火思想的聚类算法
  • 7.3 模拟退火算法实现
  • 7.3.1 模拟退火算法实现步骤
  • 7.3.2 模拟退火算法实现模式分类的MATLAB程序
  • 第8章 遗传算法聚类设计
  • 8.1 遗传算法简介
  • 8.2 遗传算法原理
  • 8.3 遗传算法实现
  • 8.3.1 种群初始化
  • 8.3.2 适应度函数的确定
  • 8.3.3 选择操作
  • 8.3.4 交叉操作
  • 8.3.5 变异操作
  • 8.3.6 完整程序及仿真结果
  • 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 蚁群算法的模型建立
  • 9.2.3 蚁群算法的特点
  • 9.3 基本蚁群算法实现
  • 9.3.1 蚁群算法的实现特点
  • 9.3.2 蚁群算法的实现方法
  • 9.3.3 蚁群算法的MATLAB仿真及对比分析
  • 9.3.4 与C均值聚类对比分析
  • 9.3.5 MATLAB程序代码
  • 第10章 粒子群算法聚类设计
  • 10.1 粒子群算法简介
  • 10.2 经典的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 粒子群优化算法原理
  • 10.4.2 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 粒子群优化算法应用到模式分类
  • 10.7 基于K-均值算法的粒子群优化算法
  • 10.7.1 基于K-均值算法的粒子群算法思想与描述
  • 10.7.2 基于K-均值算法的粒子群算法流程
  • 10.7.3 基于K-均值算法的粒子群优化算法在聚类分析中的应用
  • 第11章 模板匹配法
  • 11.1 基于特征的模板匹配法
  • 11.2 相关匹配法
  • 11.3 模板匹配法的应用
  • 11.3.1 实现字符识别的步骤
  • 11.3.2 图像预处理
  • 11.3.3 模板匹配法识别过程
  • 11.3.4 模板匹配法识别结果
  • 第12章 余弦相似度算法
  • 12.1 余弦相似度算法的原理
  • 12.2 余弦相似度算法的应用
  • 12.2.1 余弦相似度算法的设计流程
  • 12.2.2 余弦相似度算法的识别结果
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

电子工业出版社

电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。