 |
-- 會員 / 註冊 --
|
 |
|
|
|
模式識別與人工智能（基于MATLAB） ( 簡體 字) |
| 作者：周潤景 | 類別：1. -> 程式設計 -> 人工智慧
2. -> 工程繪圖與工程計算 -> Matlab |
| 譯者： |
| 出版社：清華大學出版社 |  3dWoo書號： 49095
詢問書籍請說出此書號！【缺書】
NT售價： 445 元 |
| 出版日：7/1/2018 |
| 頁數： |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787302486350 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：
前言
隨著模式識別技術的迅猛發展，目前該技術已經成為當代高科技研究的重要領域之一，不僅取得了豐富的理論成果，而且其應用范圍越來越廣泛，幾乎遍及各個學科領域，如人工智能、機器人、系統控制、遙感數據分析、生物醫學工程、軍事目標識別等。由于其在國民經濟、國防建設、社會發展的各個方面得到了廣泛應用，因而越來越多的人認識到模式識別技術的重要性。
本書以實用性為宗旨，以對酒瓶顏色的分類設計為主，將理論與實踐相結合，介紹了各種相關分類器設計。
第1章介紹模式識別的概念、模式識別的方法及其應用。
第2章討論貝葉斯分類器的設計。首先介紹貝葉斯決策的概念，讓讀者對貝葉斯理論有所了解，然后介紹基于最小錯誤率和最小風險的貝葉斯分類器的設計，將理論應用到實踐，讓讀者真正學會運用該算法解決實際問題。
第3章討論判別函數分類器的設計。判別函數包括線性判別函數和非線性判別函數，本章首先介紹判別函數的相關概念，然后介紹線性判別函數LMSE和Fisher分類器的設計及非線性判別函數SVM分類器的設計。
第4章討論聚類分析。聚類分析作為最基礎的分類方法，涵蓋了大量經典的聚類算法及衍生出來的改進算法。本章首先介紹相關理論知識，然后依次介紹K均值聚類、K均值改進算法、KNN聚類、PAM聚類、層次聚類及ISODATA分類器設計。
第5章討論模糊聚類分析。首先介紹模糊邏輯的發展、模糊數學理論、模糊邏輯與模糊推理等一整套模糊控制理論，然后介紹模糊分類器、模糊C均值分類器、模糊ISODATA分類器及模糊神經網絡分類器的設計。
第6章討論神經網絡聚類設計。首先介紹神經網絡的概念及其模型等理論知識，然后介紹基于BP網絡、Hopfield網絡、RBF網絡、GRNN、小波神經網絡、自組織競爭網絡、SOM網絡、LVQ網絡、PNN、CPN的分類器設計。
第7章討論模擬退火算法聚類設計。首先介紹模擬退火算法的基本原理、基本過程，然后介紹其分類器的設計。
第8章介紹遺傳算法聚類設計，包括遺傳算法原理及遺傳算法分類器設計的詳細過程。
第9章介紹蟻群算法聚類設計，包括蟻群算法的基本原理、基于蟻群基本算法的分類器設計和改進的蟻群算法MMAS的分類器設計。
第10章介紹粒子群算法聚類設計，包括粒子群算法的運算過程、進化模型、原理及其模式分類的設計過程。
本書沒有像大多數模式識別的書那樣講解煩瑣的理論，而是簡明扼要地介紹每一種算法的核心，并通過大量的實例介紹模式識別知識。書中針對每一種模式識別算法,按理論基礎和實例操作兩部分進行介紹。在讀者掌握基礎理論后,通過實例可以了解算法的實現思路和方法; 進一步掌握核心代碼編寫,就可以很快掌握模式識別技術。
本書內容來自作者的科研與教學實踐。讀者在學會各種理論和方法后,可將書中的不同算法加以改造應用于自己的實際工作。
本書第1∼3章由李楠編寫,其余由周潤景完成并統稿、定稿。參加本書編寫的還有邵盟、南志賢、劉波、李艷、邵緒晨、馮震、崔婧、任自鑫、謝亞楠、祖曉瑋、張赫、丁巖、井探亮、邢婧、陳萌。
在本書的編寫過程中,作者力求完美,但由于水平有限,書中難免有不足之處,敬請指正。
作者
2018年3月
|
內容簡介：《模式識別與人工智能（基于MATLAB）》將模式識別與人工智能理論與實際應用相結合, 以酒瓶顏色分類為例, 介紹了各種算法理論及相應的 MATLAB實現程序。全書共分為10章, 包括模式識別概述、貝葉斯分類器的設計、判別函數分類器的設計、聚類分析、 模糊聚類、神經網絡分類器設計、模擬退火算法的分類器設計、遺傳算法聚類設計、蟻群算法聚類設計、粒子群算法聚類設計，覆蓋了各種常用的模式識別技術。 |
目錄：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基于最小錯誤率的貝葉斯決策
2.2.1基于最小錯誤率的貝葉斯決策理論
2.2.2最小錯誤率貝葉斯分類的計算過程
2.2.3最小錯誤率貝葉斯分類的MATLAB實現
2.2.4結論
2.3最小風險貝葉斯決策
2.3.1最小風險貝葉斯決策理論
2.3.2最小錯誤率與最小風險的貝葉斯決策比較
2.3.3貝葉斯算法的計算過程
2.3.4最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算法原理
3.4.3LMSE算法步驟
3.4.4LMSE算法的MATLAB實現
3.4.5結論
3.5基于Fisher的分類器設計
3.5.1Fisher判別法簡介
3.5.2Fisher判別法的原理
3.5.3Fisher分類器設計
3.5.4Fisher算法的MATLAB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支持向量機基本思想
3.6.3支持向量機的幾個主要優點
3.6.4訓練集為非線性情況
3.6.5核函數
3.6.6多類分類問題
3.6.7基于SVM的MATLAB實現
3.6.8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均值聚類原理
4.2.3K均值算法的優缺點
4.2.4K均值聚類的MATLAB實現
4.2.5待聚類樣本的分類結果
4.2.6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MATLAB實現
4.3.3結論
4.4數據聚類——K拟近鄰法聚類
4.4.1K拟近鄰法簡介
4.4.2K拟近鄰法的算法研究
4.4.3K拟近鄰法數據分類器的MATLAB實現
4.4.4結論
4.5數據聚類——PAM聚類
4.5.1PAM算法簡介
4.5.2PAM算法的主要流程
4.5.3PAM算法的MATLAB實現
4.5.4PAM算法的特點
4.5.5K均值算法和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實現
4.6.6結論
4.7數據聚類——ISODATA算法概述
4.7.1ISODATA算法應用背景
4.7.2ISODATA算法的MATLAB實現
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
5.3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系統結果分析
5.6.5結論
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均值聚類結果分析
5.7.5結論
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模糊神經網絡分類器的MATLAB實現
5.9.4結論
習題
第6章神經網絡聚類設計
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網絡分類器的MATLAB實現
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
6.4.3離散Hopfield網絡的穩定性和吸引子
6.4.4離散Hopfield網絡的連接權設計
6.4.5離散Hopfield網絡分類器的MATLAB實現
6.4.6結論
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徑向基函數網絡參數選擇
6.5.4RBF網絡分類器的MATLAB實現
6.5.5結論
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分類器的MATLAB實現
6.6.5結論
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小波神經網絡結構設計
6.7.4小波神經網絡分類器的MATLAB實現
6.7.5結論
6.8其他形式的神經網絡
6.8.1競爭型人工神經網絡——自組織競爭
6.8.2競爭型人工神經網絡——自組織特征映射神經網絡
6.8.3競爭型人工神經網絡——學習向量量化神經網絡
6.8.4概率神經網絡
6.8.5CPN神經網絡分類器的MATLAB實現
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
7.2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遺傳算法簡介
8.2遺傳算法原理
8.2.1遺傳算法的基本術語
8.2.2遺傳算法進行問題求解的過程
8.2.3遺傳算法的優缺點
8.2.4遺傳算法的基本要素
8.3算法實現
8.3.1種群初始化
8.3.2適應度函數的設計
8.3.3選擇操作
8.3.4交叉操作
8.3.5變異操作
8.3.6完整程序及仿真結果
8.4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基本蟻群算法原理
9.2.2模型建立
9.2.3蟻群算法的特點
9.3基本蟻群算法的實現
9.4算法改進
9.4.1MMAS算法簡介
9.4.2完整程序及仿真結果
9.5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經典的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粒子群優化算法原理
10.4.2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粒子群算法分類器的MATLAB實現
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
參考文獻
|
| 序： |
|
