模式識(shí)別與人工智能（基于MATLAB）

目錄

 

第1章模式識(shí)別概述

 

1.1模式識(shí)別的基本概念

 

1.1.1模式的描述方法

 

1.1.2模式識(shí)別系統(tǒng)

 

1.2模式識(shí)別的基本方法

 

1.3模式識(shí)別的應(yīng)用

 

習(xí)題

 

第2章貝葉斯分類器設(shè)計(jì)

 

2.1貝葉斯決策及貝葉斯公式

 

2.1.1貝葉斯決策簡(jiǎn)介

 

2.1.2貝葉斯公式

 

2.2基于最小錯(cuò)誤率的貝葉斯決策

 

2.2.1基于最小錯(cuò)誤率的貝葉斯決策理論 

 

2.2.2最小錯(cuò)誤率貝葉斯分類的計(jì)算過(guò)程

 

2.2.3最小錯(cuò)誤率貝葉斯分類的MATLAB實(shí)現(xiàn)

 

2.2.4結(jié)論

 

2.3最小風(fēng)險(xiǎn)貝葉斯決策

 

2.3.1最小風(fēng)險(xiǎn)貝葉斯決策理論

 

2.3.2最小錯(cuò)誤率與最小風(fēng)險(xiǎn)的貝葉斯決策比較

 

2.3.3貝葉斯算法的計(jì)算過(guò)程

 

2.3.4最小風(fēng)險(xiǎn)貝葉斯分類的MATLAB實(shí)現(xiàn)

 

2.3.5結(jié)論

 

習(xí)題

 

第3章判別函數(shù)分類器設(shè)計(jì)

 

3.1判別函數(shù)簡(jiǎn)介

 

3.2線性判別函數(shù)

 

3.3線性判別函數(shù)的實(shí)現(xiàn)

 

 

3.4基于LMSE的分類器設(shè)計(jì)

 

3.4.1LMSE分類法簡(jiǎn)介

 

3.4.2LMSE算法原理

 

3.4.3LMSE算法步驟

 

3.4.4LMSE算法的MATLAB實(shí)現(xiàn)

 

3.4.5結(jié)論

 

3.5基于Fisher的分類器設(shè)計(jì)

 

3.5.1Fisher判別法簡(jiǎn)介

 

3.5.2Fisher判別法的原理

 

3.5.3Fisher分類器設(shè)計(jì)

 

3.5.4Fisher算法的MATLAB實(shí)現(xiàn)

 

3.5.5識(shí)別待測(cè)樣本類別

 

3.5.6結(jié)論

 

3.6基于支持向量機(jī)的分類法

 

3.6.1支持向量機(jī)簡(jiǎn)介

 

3.6.2支持向量機(jī)基本思想

 

3.6.3支持向量機(jī)的幾個(gè)主要優(yōu)點(diǎn)

 

3.6.4訓(xùn)練集為非線性情況

 

3.6.5核函數(shù)

 

3.6.6多類分類問(wèn)題

 

3.6.7基于SVM的MATLAB實(shí)現(xiàn)

 

3.6.8結(jié)論

 

習(xí)題

 

第4章聚類分析

 

4.1聚類分析

 

4.1.1聚類的定義

 

4.1.2聚類準(zhǔn)則

 

4.1.3基于試探法的聚類設(shè)計(jì)

 

4.2數(shù)據(jù)聚類——K均值聚類

 

4.2.1K均值聚類簡(jiǎn)介

 

4.2.2K均值聚類原理

 

4.2.3K均值算法的優(yōu)缺點(diǎn)

 

4.2.4K均值聚類的MATLAB實(shí)現(xiàn)

 

4.2.5待聚類樣本的分類結(jié)果

 

4.2.6結(jié)論

 

4.3數(shù)據(jù)聚類——基于取樣思想的改進(jìn)K均值聚類

 

4.3.1K均值改進(jìn)算法的思想

 

4.3.2基于取樣思想的改進(jìn)K均值算法MATLAB實(shí)現(xiàn)

 

4.3.3結(jié)論

 

4.4數(shù)據(jù)聚類——K近鄰法聚類

 

4.4.1K近鄰法簡(jiǎn)介

 

4.4.2K近鄰法的算法研究

 

4.4.3K近鄰法數(shù)據(jù)分類器的MATLAB實(shí)現(xiàn)

 

4.4.4結(jié)論

 

4.5數(shù)據(jù)聚類——PAM聚類

 

4.5.1PAM算法簡(jiǎn)介

 

4.5.2PAM算法的主要流程

 

4.5.3PAM算法的MATLAB實(shí)現(xiàn)

 

4.5.4PAM算法的特點(diǎn)

 

4.5.5K均值算法和PAM算法分析比較

 

4.5.6結(jié)論

 

4.6數(shù)據(jù)聚類——層次聚類

 

4.6.1層次聚類方法簡(jiǎn)介

 

4.6.2凝聚的和分裂的層次聚類

 

4.6.3簇間距離度量方法

 

4.6.4層次聚類方法存在的不足

 

4.6.5層次聚類的MATLAB實(shí)現(xiàn)

 

4.6.6結(jié)論

 

4.7數(shù)據(jù)聚類——ISODATA算法概述

 

4.7.1ISODATA算法應(yīng)用背景

 

4.7.2ISODATA算法的MATLAB實(shí)現(xiàn)

 

4.7.3結(jié)論

 

習(xí)題

 

第5章模糊聚類分析

 

5.1模糊邏輯的發(fā)展

 

5.2模糊集合

 

5.2.1由經(jīng)典集合到模糊集合

 

5.2.2模糊集合的基本概念

 

5.2.3隸屬度函數(shù)

 

5.3模糊集合的運(yùn)算

 

5.3.1模糊集合的基本運(yùn)算

 

5.3.2模糊集合的基本運(yùn)算規(guī)律

 

5.3.3模糊集合與經(jīng)典集合的聯(lián)系

 

5.4模糊關(guān)系與模糊關(guān)系的合成

 

5.4.1模糊關(guān)系的基本概念

 

5.4.2模糊關(guān)系的合成

 

5.4.3模糊關(guān)系的性質(zhì)

 

5.4.4模糊變換

 

5.5模糊邏輯及模糊推理

 

5.5.1模糊邏輯技術(shù)

 

5.5.2語(yǔ)言控制策略

 

5.5.3模糊語(yǔ)言變量

 

5.5.4模糊命題與模糊條件語(yǔ)句

 

5.5.5判斷與推理

 

5.5.6模糊推理

 

5.6數(shù)據(jù)聚類——模糊聚類

 

5.6.1模糊聚類的應(yīng)用背景

 

5.6.2基于MATLAB的GUI工具的模糊算法構(gòu)建——數(shù)據(jù)模糊化

 

5.6.3基于MATLAB的GUI工具的模糊算法構(gòu)建——FIS實(shí)現(xiàn)

 

5.6.4系統(tǒng)結(jié)果分析

 

5.6.5結(jié)論

 

5.7數(shù)據(jù)聚類——模糊C均值聚類

 

5.7.1模糊C均值聚類的應(yīng)用背景

 

5.7.2模糊C均值算法

 

5.7.3模糊C均值聚類的MATLAB實(shí)現(xiàn)

 

5.7.4模糊C均值聚類結(jié)果分析

 

5.7.5結(jié)論

 

5.8數(shù)據(jù)聚類——模糊ISODATA聚類

 

5.8.1模糊ISODATA聚類的應(yīng)用背景

 

5.8.2模糊ISODATA算法的基本原理

 

5.8.3模糊ISODATA算法的基本步驟

 

5.8.4模糊ISODATA算法的MATLAB程序?qū)崿F(xiàn)

 

5.8.5結(jié)論

 

5.9模糊神經(jīng)網(wǎng)絡(luò)

 

5.9.1模糊神經(jīng)網(wǎng)絡(luò)的應(yīng)用背景

 

5.9.2模糊神經(jīng)網(wǎng)絡(luò)算法的原理

 

5.9.3模糊神經(jīng)網(wǎng)絡(luò)分類器的MATLAB實(shí)現(xiàn)

 

5.9.4結(jié)論

 

習(xí)題

 

第6章神經(jīng)網(wǎng)絡(luò)聚類設(shè)計(jì)

 

6.1什么是神經(jīng)網(wǎng)絡(luò)

 

6.1.1神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程

 

6.1.2生物神經(jīng)系統(tǒng)的結(jié)構(gòu)及沖動(dòng)的傳遞過(guò)程

 

6.1.3人工神經(jīng)網(wǎng)絡(luò)的定義

 

6.2人工神經(jīng)網(wǎng)絡(luò)模型

 

6.2.1人工神經(jīng)元的基本模型

 

6.2.2人工神經(jīng)網(wǎng)絡(luò)基本構(gòu)架

 

6.2.3人工神經(jīng)網(wǎng)絡(luò)的工作過(guò)程

 

6.2.4人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)

 

6.3前饋神經(jīng)網(wǎng)絡(luò)

 

6.3.1感知器網(wǎng)絡(luò)

 

6.3.2BP網(wǎng)絡(luò)

 

6.3.3BP網(wǎng)絡(luò)的建立及執(zhí)行

 

6.3.4BP網(wǎng)絡(luò)分類器的MATLAB實(shí)現(xiàn)

 

6.3.5BP網(wǎng)絡(luò)的其他學(xué)習(xí)算法的應(yīng)用

 

6.4反饋神經(jīng)網(wǎng)絡(luò)

 

6.4.1離散Hopfield網(wǎng)絡(luò)的結(jié)構(gòu)

 

6.4.2離散Hopfield網(wǎng)絡(luò)的工作方式

 

6.4.3離散Hopfield網(wǎng)絡(luò)的穩(wěn)定性和吸引子

 

6.4.4離散Hopfield網(wǎng)絡(luò)的連接權(quán)設(shè)計(jì)

 

6.4.5離散Hopfield網(wǎng)絡(luò)分類器的MATLAB實(shí)現(xiàn)

 

6.4.6結(jié)論

 

6.5徑向基函數(shù)

 

6.5.1徑向基函數(shù)的網(wǎng)絡(luò)結(jié)構(gòu)及工作方式

 

6.5.2徑向基函數(shù)網(wǎng)絡(luò)的特點(diǎn)及作用

 

6.5.3徑向基函數(shù)網(wǎng)絡(luò)參數(shù)選擇

 

6.5.4RBF網(wǎng)絡(luò)分類器的MATLAB實(shí)現(xiàn)

 

6.5.5結(jié)論

 

6.6廣義回歸神經(jīng)網(wǎng)絡(luò)

 

6.6.1GRNN的結(jié)構(gòu)

 

6.6.2GRNN的理論基礎(chǔ)

 

6.6.3GRNN的特點(diǎn)及作用

 

6.6.4GRNN分類器的MATLAB實(shí)現(xiàn)

 

6.6.5結(jié)論

 

6.7小波神經(jīng)網(wǎng)絡(luò)

 

6.7.1小波神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)

 

6.7.2小波神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法

 

6.7.3小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

 

6.7.4小波神經(jīng)網(wǎng)絡(luò)分類器的MATLAB實(shí)現(xiàn)

 

6.7.5結(jié)論

 

6.8其他形式的神經(jīng)網(wǎng)絡(luò)

 

6.8.1競(jìng)爭(zhēng)型人工神經(jīng)網(wǎng)絡(luò)——自組織競(jìng)爭(zhēng)

 

6.8.2競(jìng)爭(zhēng)型人工神經(jīng)網(wǎng)絡(luò)——自組織特征映射神經(jīng)網(wǎng)絡(luò)

 

6.8.3競(jìng)爭(zhēng)型人工神經(jīng)網(wǎng)絡(luò)——學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)

 

6.8.4概率神經(jīng)網(wǎng)絡(luò)

 

6.8.5CPN神經(jīng)網(wǎng)絡(luò)分類器的MATLAB實(shí)現(xiàn)

 

習(xí)題

 

第7章模擬退火算法聚類設(shè)計(jì)

 

7.1模擬退火算法簡(jiǎn)介

 

7.1.1物理退火過(guò)程

 

7.1.2Metropolis準(zhǔn)則

 

7.1.3模擬退火算法的基本原理

 

7.1.4模擬退火算法的組成

 

7.1.5模擬退火算法新解的產(chǎn)生和接受

 

7.1.6模擬退火算法的基本過(guò)程

 

7.1.7模擬退火算法的參數(shù)控制問(wèn)題

 

7.2基于模擬退火思想的聚類算法

 

7.2.1K均值算法的局限性

 

7.2.2基于模擬退火思想的改進(jìn)K均值聚類算法

 

7.2.3幾個(gè)重要參數(shù)的選擇

 

7.3算法實(shí)現(xiàn)

 

7.3.1實(shí)現(xiàn)步驟

 

7.3.2模擬退火實(shí)現(xiàn)模式分類的MATLAB程序

 

7.4結(jié)論

 

習(xí)題

 

第8章遺傳算法聚類設(shè)計(jì)

 

8.1遺傳算法簡(jiǎn)介

 

8.2遺傳算法原理

 

8.2.1遺傳算法的基本術(shù)語(yǔ)

 

8.2.2遺傳算法進(jìn)行問(wèn)題求解的過(guò)程

 

8.2.3遺傳算法的優(yōu)缺點(diǎn)

 

8.2.4遺傳算法的基本要素

 

8.3算法實(shí)現(xiàn)

 

8.3.1種群初始化

 

8.3.2適應(yīng)度函數(shù)的設(shè)計(jì)

 

8.3.3選擇操作

 

8.3.4交叉操作

 

8.3.5變異操作

 

8.3.6完整程序及仿真結(jié)果

 

8.4結(jié)論

 

習(xí)題

 

第9章蟻群算法聚類設(shè)計(jì)

 

9.1蟻群算法簡(jiǎn)介

 

9.2蟻群算法原理

 

9.2.1基本蟻群算法原理

 

9.2.2模型建立

 

9.2.3蟻群算法的特點(diǎn)

 

9.3基本蟻群算法的實(shí)現(xiàn)

 

9.4算法改進(jìn)

 

9.4.1MMAS算法簡(jiǎn)介

 

9.4.2完整程序及仿真結(jié)果

 

9.5結(jié)論

 

習(xí)題

 

第10章粒子群算法聚類設(shè)計(jì)

 

10.1粒子群算法簡(jiǎn)介

 

10.2經(jīng)典的粒子群算法的運(yùn)算過(guò)程

 

10.3兩種基本的進(jìn)化模型

 

10.4改進(jìn)的粒子群優(yōu)化算法

 

10.4.1粒子群優(yōu)化算法原理

 

10.4.2粒子群優(yōu)化算法的基本流程

 

10.5粒子群算法與其他算法的比較

 

10.6粒子群算法分類器的MATLAB實(shí)現(xiàn)

 

10.6.1設(shè)定參數(shù)

 

10.6.2初始化

 

10.6.3完整程序及仿真結(jié)果

 

10.7結(jié)論

 

習(xí)題

 

參考文獻(xiàn)