第1章模式識別概述 1.1模式識別的基本概念 1.1.1模式的描述方法 1.1.2模式識別系統 1.2模式識別的基本方法 1.3模式識別的應用 習題 第2章貝葉斯分類器設計 2.1貝葉斯決策及貝葉斯公式 2.1.1貝葉斯決策簡介 2.1.2貝葉斯公式 2.2基于*小錯誤率的貝葉斯決策 2.2.1基于*小錯誤率的貝葉斯決策理論 2.2.2*小錯誤率貝葉斯分類的計算過程 2.2.3*小錯誤率貝葉斯分類的MATLAB實現 2.2.4結論 2.3*小風險貝葉斯決策 2.3.1*小風險貝葉斯決策理論 2.3.2*小錯誤率與*小風險貝葉斯決策的比較 2.3.3貝葉斯算法的計算過程 2.3.4*小風險貝葉斯分類的MATLAB實現 2.3.5結論 習題 第3章判別函數分類器設計 3.1判別函數簡介 3.2線性判別函數 3.3線性判別函數的實現 3.4基于LMSE的分類器設計 3.4.1LMSE分類法簡介 3.4.2LMSE算法的原理 3.4.3LMSE算法分類 3.4.4LMSE算法步驟 3.4.5實現LMSE算法的詳細過程 3.4.6結論 3.5基于Fisher的分類器設計 3.5.1Fisher判別法簡介 3.5.2Fisher判別法的基本原理 3.5.3Fisher分類器設計 3.5.4Fisher算法實現 3.5.5識別待測樣本類別 3.5.6結論 3.6基于支持向量機的分類法 3.6.1支持向量機簡介 3.6.2支持向量機的基本思想 3.6.3線性可分支持向量機 3.6.4非線性可分支持向量機 3.6.5L1軟間隔支持向量機 3.6.6支持向量機的幾個主要優點 3.6.7多類分類問題 3.6.8基于 SVM 的數據分類 3.6.9結論 習題 第4章聚類分析 4.1聚類分析 4.1.1聚類的定義 4.1.2聚類準則 4.1.3基于試探法的聚類設計 4.2數據聚類——K均值聚類 4.2.1K均值聚類簡介 4.2.2K均值聚類的原理 4.2.3K均值算法的主要流程 4.2.4K均值算法的優缺點 4.2.5K均值聚類的MATLAB實現 4.2.6待聚類樣本的分類結果 4.2.7結論 4.3數據聚類——基于取樣思想的改進K均值聚類 4.3.1K均值改進算法的思想 4.3.2基于取樣思想的改進K均值算法 4.3.3結論 4.4數據聚類——K近鄰法聚類 4.4.1近鄰法簡介 4.4.2K近鄰法的概念 4.4.3K近鄰法的算法研究 4.4.4K近鄰法數據分類器的MATLAB實現 4.4.5結論 4.5數據聚類——PAM聚類 4.5.1PAM算法概述 4.5.2PAM算法的主要流程 4.5.3PAM算法的實現 4.5.4PAM算法的特點 4.5.5K均值和PAM算法分析比較 4.5.6結論 4.6數據聚類——層次聚類 4.6.1層次聚類方法簡介 4.6.2凝聚的和分裂的層次聚類 4.6.3聚合層次聚類算法的原理 4.6.4簇間距離度量方法 4.6.5層次聚類方法存在的不足 4.6.6層次聚類的MATLAB實現 4.6.7結論 4.7數據聚類——ISODATA算法 4.7.1ISODATA算法應用背景 4.7.2用MATLAB實現ISODATA算法 4.7.3結論 習題 第5章模糊聚類分析 5.1模糊邏輯的發展 5.2模糊集合 5.2.1由經典集合到模糊集合 5.2.2模糊集合的基本概念 5.2.3隸屬度函數 5.2.4模糊與概率 5.3模糊集合的運算 5.3.1模糊集合的基本運算 5.3.2模糊集合的基本運算規律 5.3.3模糊集合與經典集合的聯系 5.4模糊關系與模糊關系的合成 5.4.1模糊關系的基本概念 5.4.2模糊關系的合成 5.4.3模糊關系的性質 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 5.5.2語言控制策略 5.5.3模糊語言變量 5.5.4模糊命題與模糊條件語句 5.5.5判斷與推理 5.5.6模糊推理 5.6數據聚類——模糊聚類 5.6.1模糊聚類的應用背景 5.6.2基于 MATLAB的GUI工具的模糊算法構建——數據模糊化 5.6.3基于MATLAB的GUI工具的模糊算法構建——FIS實現 5.6.4模糊聚類的結果分析 5.7數據聚類——模糊C均值聚類 5.7.1模糊C均值聚類的應用背景 5.7.2模糊C均值算法 5.7.3模糊C均值聚類的MATLAB實現 5.7.4模糊C均值聚類的結果分析 5.8數據聚類——模糊ISODATA聚類 5.8.1模糊ISODATA聚類的應用背景 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程序實現 5.8.5結論 5.9模糊神經網絡 5.9.1模糊神經網絡的應用背景 5.9.2模糊神經網絡算法的原理 5.9.3模糊系統與神經網絡的比較 5.9.4模糊神經網絡分類器的MATLAB實現 5.9.5結論 習題 第6章神經網絡及聚類設計 6.1什么是神經網絡 6.1.1神經網絡的發展歷程 6.1.2生物神經系統的結構及沖動的傳遞過程 6.1.3人工神經網絡的定義 6.2人工神經網絡模型 6.2.1人工神經元的基本模型 6.2.2人工神經網絡的基本構架 6.2.3人工神經網絡的工作過程 6.2.4人工神經網絡的特點 6.3前饋神經網絡 6.3.1感知器網絡 6.3.2BP網絡 6.3.3BP網絡的建立及執行 6.3.4BP網絡應用于模式分類 6.3.5BP網絡的其他學習算法的應用 6.4反饋神經網絡 6.4.1離散Hopfield網絡的結構 6.4.2離散Hopfield網絡的工作方式 6.4.3Hopfield網絡的穩定性和吸引子 6.4.4Hopfield網絡的連接權設計 6.4.5Hopfield網絡應用于模式分類 6.5徑向基函數 6.5.1徑向基函數的網絡結構及工作方式 6.5.2徑向基函數網絡的特點及作用 6.5.3徑向基函數網絡的參數選擇 6.5.4RBF網絡應用于模式分類 6.6廣義回歸神經網絡 6.6.1GRNN的結構 6.6.2GRNN的理論基礎 6.6.3GRNN的特點及作用 6.6.4GRNN用于模式分類 6.7小波神經網絡 6.7.1小波神經網絡的基本結構 6.7.2小波神經網絡的訓練算法 6.7.3小波神經網絡的結構設計 6.7.4小波神經網絡應用于模式分類 6.8卷積神經網絡 6.8.1卷積神經網絡的背景 6.8.2卷積神經網絡的原理 6.8.3卷積神經網絡應用于圖片分類 6.8.4卷積神經網絡應用于顏色分類 6.9其他形式的神經網絡 6.9.1競爭型人工神經網絡——自組織競爭 6.9.2競爭型人工神經網絡——自組織特征映射(SOM)神經網絡 6.9.3競爭型人工神經網絡——學習向量量化(LVQ)神經網絡 6.9.4概率神經網絡 6.9.5對向傳播網絡 習題 第7章模擬退火算法聚類設計 7.1模擬退火算法簡介 7.1.1物理退火過程 7.1.2Metropolis準則 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生和接受 7.1.6模擬退火算法的基本過程 7.1.7模擬退火算法的參數控制問題 7.1.8模擬退火算法的特點 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K均值聚類算法 7.2.3幾個重要參數的選擇 7.3模擬退火算法實現 7.3.1實現步驟 7.3.2模擬退火實現模式分類的MATLAB程序 7.4結論 習題 第8章遺傳算法聚類設計 8.1遺傳算法的產生與發展 8.2遺傳算法的原理 8.2.1遺傳算法的基本術語 8.2.2遺傳算法問題的求解過程 8.2.3遺傳算法的特點 8.2.4遺傳算法的基本要素 8.3與其他優化技術結合的遺傳算法 8.4遺傳算法的實現 8.4.1種群初始化 8.4.2適應度函數的設計 8.4.3選擇操作 8.4.4交叉操作 8.4.5變異操作 8.4.6完整程序及仿真結果 8.5結論 習題 第9章蟻群算法聚類設計 9.1蟻群算法簡介 9.2蟻群算法原理 9.2.1基本蟻群算法的原理 9.2.2蟻群算法模型的建立 9.2.3蟻群算法的特點 9.3基本蟻群算法的實現 9.4蟻群算法的改進 9.4.1MMAS算法簡介 9.4.2完整程序及仿真結果 9.5蟻群算法與其他仿生優化算法的異同 9.6結論 習題 第10章粒子群算法聚類設計 10.1粒子群算法簡介 10.2經典粒子群算法的運算過程 10.3兩種基本的進化模型 10.4改進的粒子群優化算法 10.4.1粒子群優化算法的原理 10.4.2粒子群優化算法的優缺點 10.4.3粒子群優化算法的基本流程 10.5粒子群算法與其他算法的比較 10.6粒子群算法應用到模式分類 10.6.1設定參數 10.6.2初始化 10.6.3完整程序及仿真結果 10.7結論 習題 第11章免疫算法 11.1免疫算法的產生和發展 11.2免疫算法理論 11.2.1免疫算法的概念 11.2.2免疫算法的特點 11.2.3免疫算法算子 11.3免疫算法的流程 11.4免疫算法的關鍵參數說明 11.5MATLAB仿真實例 11.6結論 習題 第12章禁忌搜索算法 12.1禁忌搜索算法簡介 12.2禁忌搜索算法的相關理論 12.2.1局部鄰域搜索 12.2.2禁忌搜索與局部鄰域搜索 12.2.3禁忌搜索 12.2.4禁忌搜索算法的特點 12.2.5禁忌搜索算法的改進方向 12.3禁忌搜索算法的流程 12.4禁忌搜索算法的關鍵參數 12.5基于禁忌搜索算法的旅行商問題 12.5.1問題的提出及解決步驟 12.5.2仿真結果 12.5.3結論 習題