模式识别与人工智能 基于MATLAB2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

模式识别与人工智能 基于MATLABPDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 模式识别概述1

1.1模式识别的基本概念1

1.1.1模式的描述方法1

1.1.2模式识别系统2

1.2模式识别的基本方法3

1.3模式识别的应用4

习题6

第2章 贝叶斯分类器设计7

2.1贝叶斯决策及贝叶斯公式7

2.1.1贝叶斯决策简介7

2.1.2贝叶斯公式7

2.2基于最小错误率的贝叶斯决策8

2.2.1基于最小错误率的贝叶斯决策理论8

2.2.2最小错误率贝叶斯分类的计算过程9

2.2.3最小错误率贝叶斯分类的MATLAB实现13

2.2.4结论20

2.3最小风险贝叶斯决策21

2.3.1最小风险贝叶斯决策理论21

2.3.2最小错误率与最小风险的贝叶斯决策比较22

2.3.3贝叶斯算法的计算过程23

2.3.4最小风险贝叶斯分类的MATLAB实现23

2.3.5结论32

习题33

第3章 判别函数分类器设计34

3.1判别函数简介34

3.2线性判别函数35

3.3线性判别函数的实现36

3.4基于LMSE的分类器设计36

3.4.1 LMSE分类法简介36

3.4.2 LMSE算法原理37

3.4.3 LMSE算法步骤37

3.4.4 LMSE算法的MATLAB实现38

3.4.5结论47

3.5基于Fisher的分类器设计48

3.5.1 Fisher判别法简介48

3.5.2 Fisher判别法的原理48

3.5.3 Fisher分类器设计48

3.5.4 Fisher算法的MATLAB实现51

3.5.5识别待测样本类别53

3.5.6结论71

3.6基于支持向量机的分类法71

3.6.1支持向量机简介71

3.6.2支持向量机基本思想71

3.6.3支持向量机的几个主要优点72

3.6.4训练集为非线性情况72

3.6.5核函数73

3.6.6多类分类问题73

3.6.7基于SVM的MATLAB实现74

3.6.8结论78

习题78

第4章 聚类分析79

4.1聚类分析79

4.1.1聚类的定义79

4.1.2聚类准则80

4.1.3基于试探法的聚类设计80

4.2数据聚类——K均值聚类81

4.2.1 K均值聚类简介81

4.2.2 K均值聚类原理81

4.2.3 K均值算法的优缺点83

4.2.4 K均值聚类的MATLAB实现84

4.2.5待聚类样本的分类结果87

4.2.6结论88

4.3数据聚类——基于取样思想的改进K均值聚类89

4.3.1 K均值改进算法的思想90

4.3.2基于取样思想的改进K均值算法MATLAB实现91

4.3.3结论96

4.4数据聚类——K-近邻法聚类96

4.4.1 K-近邻法简介96

4.4.2 K-近邻法的算法研究96

4.4.3 K-近邻法数据分类器的MATLAB实现98

4.4.4结论103

4.5数据聚类——PAM聚类103

4.5.1 PAM算法简介103

4.5.2 PAM算法的主要流程103

4.5.3 PAM算法的MATLAB实现105

4.5.4 PAM算法的特点112

4.5.5 K均值算法和PAM算法分析比较112

4.5.6结论112

4.6数据聚类——层次聚类114

4.6.1层次聚类方法简介114

4.6.2凝聚的和分裂的层次聚类114

4.6.3簇间距离度量方法115

4.6.4层次聚类方法存在的不足116

4.6.5层次聚类的MATLAB实现116

4.6.6结论121

4.7数据聚类——ISODATA算法概述122

4.7.1 ISODATA算法应用背景122

4.7.2 ISODATA算法的MATLAB实现124

4.7.3结论136

习题136

第5章 模糊聚类分析137

5.1模糊逻辑的发展137

5.2模糊集合138

5.2.1由经典集合到模糊集合138

5.2.2模糊集合的基本概念139

5.2.3隶属度函数142

5.3模糊集合的运算144

5.3.1模糊集合的基本运算144

5.3.2模糊集合的基本运算规律146

5.3.3模糊集合与经典集合的联系147

5.4模糊关系与模糊关系的合成149

5.4.1模糊关系的基本概念149

5.4.2模糊关系的合成152

5.4.3模糊关系的性质154

5.4.4模糊变换155

5.5模糊逻辑及模糊推理156

5.5.1模糊逻辑技术157

5.5.2语言控制策略158

5.5.3模糊语言变量159

5.5.4模糊命题与模糊条件语句159

5.5.5判断与推理161

5.5.6模糊推理162

5.6数据聚类——模糊聚类167

5.6.1模糊聚类的应用背景167

5.6.2基于MATLAB的GUI工具的模糊算法构建——数据模糊化168

5.6.3基于MATLAB的GUI工具的模糊算法构建——FIS实现171

5.6.4系统结果分析174

5.6.5结论176

5.7数据聚类——模糊C均值聚类176

5.7.1模糊C均值聚类的应用背景176

5.7.2模糊C均值算法177

5.7.3模糊C均值聚类的MATLAB实现178

5.7.4模糊C均值聚类结果分析180

5.7.5结论182

5.8数据聚类——模糊ISODATA聚类182

5.8.1模糊ISODATA聚类的应用背景182

5.8.2模糊ISODATA算法的基本原理182

5.8.3模糊ISODATA算法的基本步骤183

5.8.4模糊ISODATA算法的MATLAB程序实现186

5.8.5结论199

5.9模糊神经网络199

5.9.1模糊神经网络的应用背景199

5.9.2模糊神经网络算法的原理200

5.9.3模糊神经网络分类器的MATLAB实现203

5.9.4结论214

习题215

第6章 神经网络聚类设计216

6.1什么是神经网络216

6.1.1神经网络的发展历程216

6.1.2生物神经系统的结构及冲动的传递过程218

6.1.3人工神经网络的定义220

6.2人工神经网络模型221

6.2.1人工神经元的基本模型221

6.2.2人工神经网络基本构架222

6.2.3人工神经网络的工作过程224

6.2.4人工神经网络的特点225

6.3前馈神经网络225

6.3.1感知器网络227

6.3.2 BP网络229

6.3.3 BP网络的建立及执行231

6.3.4 BP网络分类器的MATLAB实现233

6.3.5 BP网络的其他学习算法的应用239

6.4反馈神经网络248

6.4.1离散Hopfield网络的结构248

6.4.2离散Hopfield网络的工作方式249

6.4.3离散Hopfield网络的稳定性和吸引子250

6.4.4离散Hopfield网络的连接权设计251

6.4.5离散Hopfield网络分类器的MATLAB实现252

6.4.6结论259

6.5径向基函数260

6.5.1径向基函数的网络结构及工作方式260

6.5.2径向基函数网络的特点及作用262

6.5.3径向基函数网络参数选择262

6.5.4 RBF网络分类器的MATLAB实现262

6.5.5结论269

6.6广义回归神经网络270

6.6.1 GRNN的结构270

6.6.2 GRNN的理论基础271

6.6.3 GRNN的特点及作用272

6.6.4 GRNN分类器的MATLAB实现272

6.6.5结论277

6.7小波神经网络277

6.7.1小波神经网络的基本结构277

6.7.2小波神经网络的训练算法279

6.7.3小波神经网络结构设计280

6.7.4小波神经网络分类器的MATLAB实现281

6.7.5结论292

6.8其他形式的神经网络292

6.8.1竞争型人工神经网络——自组织竞争292

6.8.2竞争型人工神经网络——自组织特征映射神经网络296

6.8.3竞争型人工神经网络——学习向量量化神经网络299

6.8.4概率神经网络305

6.8.5 CPN神经网络分类器的MATLAB实现311

习题318

第7章 模拟退火算法聚类设计319

7.1模拟退火算法简介319

7.1.1物理退火过程319

7.1.2 Metropolis准则320

7.1.3模拟退火算法的基本原理320

7.1.4模拟退火算法的组成321

7.1.5模拟退火算法新解的产生和接受321

7.1.6模拟退火算法的基本过程322

7.1.7模拟退火算法的参数控制问题322

7.2基于模拟退火思想的聚类算法323

7.2.1 K均值算法的局限性323

7.2.2基于模拟退火思想的改进K均值聚类算法324

7.2.3几个重要参数的选择324

7.3算法实现325

7.3.1实现步骤325

7.3.2模拟退火实现模式分类的MATLAB程序326

7.4结论334

习题335

第8章 遗传算法聚类设计336

8.1遗传算法简介336

8.2遗传算法原理337

8.2.1遗传算法的基本术语337

8.2.2遗传算法进行问题求解的过程338

8.2.3遗传算法的优缺点338

8.2.4遗传算法的基本要素338

8.3算法实现341

8.3.1种群初始化341

8.3.2适应度函数的设计343

8.3.3选择操作345

8.3.4交叉操作346

8.3.5变异操作347

8.3.6完整程序及仿真结果348

8.4结论355

习题355

第9章 蚁群算法聚类设计356

9.1蚁群算法简介356

9.2蚁群算法原理357

9.2.1基本蚁群算法原理357

9.2.2模型建立359

9.2.3蚁群算法的特点362

9.3基本蚁群算法的实现363

9.4算法改进369

9.4.1 MMAS算法简介369

9.4.2完整程序及仿真结果371

9.5结论376

习题376

第 10章 粒子群算法聚类设计377

10.1粒子群算法简介377

10.2经典的粒子群算法的运算过程377

10.3两种基本的进化模型378

10.4改进的粒子群优化算法379

10.4.1粒子群优化算法原理379

10.4.2粒子群优化算法的基本流程380

10.5粒子群算法与其他算法的比较381

10.6粒子群算法分类器的MATLAB实现382

10.6.1设定参数382

10.6.2初始化382

10.6.3完整程序及仿真结果382

10.7结论387

习题387

参考文献388