基于MATLAB的人工智能模式識別 ( 簡體 字) |
| 作者：周潤景,武立群,藺雨露 | 類別：1. -> 工程繪圖與工程計算 -> Matlab |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 54540
詢問書籍請說出此書號！【有庫存】
NT售價： 590 元 |
| 出版日：5/1/2021 |
| 頁數：440 |
| 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：9787121410451 |
| 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：模式識別技術迅猛發展，目前已經成為當代科技研究的重要領域之一。模式識別不僅取得了豐富的理論成果，而且其應用也擴展到了人工智能、機器人、系統控制、遙感數據分析、生物醫學工程、軍事目標識別等領域，幾乎遍及各個學科，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、可操作性和實踐性為宗旨，以酒瓶顏色分類器的設計為例，將理論與實踐相結合，介紹各種相關分類器的設計。
第1章的主要內容為模式識別的概念、模式識別的方法及其應用。
第2章為基于貝葉斯決策理論的分類器設計，首先介紹了貝葉斯決策的概念，讓讀者在理論上對貝葉斯分類器有所了解，然后介紹了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，讓讀者真正學會用該算法解決實際問題。
第3章為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，主要介紹了判別函數的相關概念，然后介紹了線性判別函數Fisher分類器的設計和LDA分類器的設計，針對新蒙文字母識別實例進行了支持向量機算法的設計與分析，使讀者可以感受到算法在具體實例中的應用。
第4章為聚類分析，聚類分析作為最基礎的分類方法，它涵蓋了大量經典的聚類算法及衍生出來的改進算法，首先介紹了相關理論知識，然后依次介紹了K-均值算法、PAM算法、ISODATE算法、AP算法、粗糙集聚類及層次聚類的分類器設計，還針對具體實例介紹了基于PCA算法的新蒙文字母識別的研究。
第5章為模糊聚類分析，首先介紹了模糊邏輯的發展、模糊相關的一些數學理論、模糊邏輯與模糊推理一整套模糊控制的理論，然后介紹了模糊ISODATA分類器的設計，針對具體實例介紹了模糊聚類C均值算法的車牌字符分割方法，還介紹了利用模糊聚類進行數據分類的MATLAB實現。
第6章為神經網絡聚類設計，首先介紹了神經網絡的概念及其模型等理論知識，然后介紹了PNN網絡、BP網絡、RBF網絡、Hopfield網絡、卷積神經網絡、小波神經網絡及其他一些應用廣泛的神經網絡相關的分類器。
第7章為模擬退火算法聚類設計，首先介紹了模擬退火算法的基本原理、基本過程，然后介紹了其分類器的設計。
第8章為智群優化算法中的遺傳算法，包括遺傳算法的原理及遺傳算法分類器設計的詳細過程。
第9章為蟻群優化算法中的蟻群算法，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，并將蟻群算法與C均值算法做了比較。
第10章為粒子群算法，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，并介紹了基于K-均值算法的粒子群算法。
第11章為模板匹配法在模式識別中的應用，并選擇具體的實例進行了設計與分析。
第12章為余弦相似度算法的原理與應用。
本書特點如下：
實用性強：針對實例介紹理論和技術，使理論和實踐相結合，避免了空洞的理論說教。
符合認知規律：每一種模式識別算法，本書都分為理論基礎和實例兩部分進行講解，掌握基礎理論后，讀者通過實例就可以了解算法的實現思路和方法，再進一步掌握核心代碼，可以很快掌握模式識別技術。
本書的內容大多來自作者的科研與教學實踐，在介紹各種理論和方法的同時，將不同算法應用于實際中。
本書由周潤景、武立群、藺雨露、周敬編著。其中，武立群編寫了第1章，藺雨露編寫了第2章，張紅敏編寫了第3章，周敬編寫了第4章，周潤景編寫了第5∼12章，全書由周潤景統稿、定稿。
在本書的編寫過程中，作者力求完美，但由于水平有限，書中不足之處敬請指正。 |
內容簡介：本書廣泛涉及了統計學、神經網絡、模糊控制、人工智能及群智能計算等學科的先進思想和理論，將各種算法應用到模式識別領域中。以一種新的體系，系統而全面地介紹模式識別的理論、方法及應用。本書共分為12章，內容包括：模式識別概述、基于貝葉斯決策理論的分類器設計、判別函數分類器設計、聚類分析、模糊聚類分析、神經網絡聚類設計、模擬退火算法聚類設計、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、模板匹配法、余弦相似度算法。 本書將理論與實際相結合，針對具體案例進行了算法設計與分析，并將各種算法運用在MATLAB程序中，為廣大研究工作者和工程技術人員提供了便利。 |
目錄：第1章 模式識別概述
1.1 模式識別的基本概念
1.2 模式識別的基本方法
1.3 模式識別的應用
第2章 基于貝葉斯決策理論的分類器設計
2.1 貝葉斯決策簡介
2.1.1 貝葉斯決策所討論的問題
2.1.2 貝葉斯公式
2.2 最小錯誤率貝葉斯決策
2.2.1 最小錯誤率貝葉斯決策理論
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
2.3 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貝葉斯決策的比較
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
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 費希爾分類器的設計與實現
3.5 LDA判別器的設計與實現
3.6 基于支持向量機算法的新蒙文字母識別系統的研究
3.6.1 支持向量機模型和工作原理
3.6.2 線性可分支持向量機
3.6.3 非線性可分支持向量機
3.6.4 L1軟間隔支持向量機
3.6.5 支持向量機的構建、初始化、仿真
3.6.6 支持向量機各層及各層間傳輸函數的設計選擇
3.7 決策樹算法與隨機森林
3.7.1 決策樹算法
3.7.2 ID3算法
3.7.3 隨機森林算法
第4章 聚類分析
4.1 聚類分析概述
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-均值算法的特點
4.2.4 K-均值算法的MATLAB實現
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實現
4.4 I SODATA算法
4.4.1 ISODATA算法概述
4.4.2 聚類數據背景
4.4.3 ISODATA算法的MATLAB實現
4.4.4 聚類效果評價
4.4.5 實驗結果與分析
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算法步驟
4.5.4 近鄰傳播聚類相關參數研究
4.5.5 AP算法的MATLAB實現
4.6 基于PCA算法的新蒙文字母識別研究
4.6.1 相關原理
4.6.2 PCA算法步驟
4.6.3 PCA算法實現
4.7 粗糙集聚類
4.7.1 粗糙集的基本理論與方法
4.7.2 粗糙集聚類方法
4.7.3 粗糙集聚類的MATLAB實現
4.8 層次聚類算法
4.8.1 層次聚類理論分析
4.8.2 各函數表示的意義
4.8.3 實例說明
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 模糊ISODATA算法
5.6.1 模糊ISODATA算法的基本原理
5.6.2 模糊ISODATA算法的基本步驟
5.6.3 模糊ISODATA算法的MATLAB實現
5.7 模糊聚類C均值算法的車牌字符分割
5.7.1 車牌圖像識別的預處理
5.7.2 車牌定位
5.7.3 基于FCM算法的車牌字符分割
5.8 利用模糊聚類進行數據分類
5.8.1 利用等價模糊關系進行聚類分析的MATLAB實現
5.8.2 模糊C均值算法（模糊聚類的一種改進方法）
5.8.3 模糊C均值算法的MATLAB實現程序及結果
第6章 神經網絡聚類設計
6.1 什么是神經網絡
6.1.1 神經網絡技術的發展歷程
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
6.3 概率神經網絡（PNN）
6.4 BP神經網絡
6.4.1 BP網絡
6.4.2 BP網絡的建立及執行
6.4.3 BP網絡在字符識別中的應用
6.4.4 BP算法在分類識別中的應用
6.5 RBF神經網絡
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
6.5.4 徑向基網絡在分類識別中的應用
6.5.5 RBF網絡用于模式分類
6.6 反饋神經網絡
6.6.1 離散Hopfield網絡（DHNN）的結構
6.6.2 離散Hopfield網絡的工作方式
6.6.3 Hopfield網絡的穩定性和吸引子
6.6.4 Hopfield網絡的連接權設計
6.6.5 Hopfield網絡應用于模式分類
6.6.6 離散Hopfield網絡應用于分類識別
6.7 卷積神經網絡
6.7.1 卷積神經網絡的出現背景
6.7.2 卷積神經網絡原理
6.7.3 卷積神經網絡應用于模式分類
6.8 小波神經網絡
6.8.1 小波神經網絡的基本結構
6.8.2 小波神經網絡的訓練算法
6.8.3 小波神經網絡結構設計
6.8.4 小波神經網絡用于模式分類
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——自組織特征映射神經網絡（SOM）
6.9.3 競爭型人工神經網絡——學習向量量化神經網絡（LVQ）
6.9.4 CPN神經網絡的設計
第7章 模擬退火算法聚類設計
7.1 模擬退火算法簡介
7.2 基于模擬退火思想的聚類算法
7.3 模擬退火算法實現
7.3.1 模擬退火算法實現步驟
7.3.2 模擬退火算法實現模式分類的MATLAB程序
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
8.3 遺傳算法實現
8.3.1 種群初始化
8.3.2 適應度函數的確定
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
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 蟻群算法的模型建立
9.2.3 蟻群算法的特點
9.3 基本蟻群算法實現
9.3.1 蟻群算法的實現特點
9.3.2 蟻群算法的實現方法
9.3.3 蟻群算法的MATLAB仿真及對比分析
9.3.4 與C均值聚類對比分析
9.3.5 MATLAB程序代碼
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 粒子群優化算法應用到模式分類
10.7 基于K-均值算法的粒子群優化算法
10.7.1 基于K-均值算法的粒子群算法思想與描述
10.7.2 基于K-均值算法的粒子群算法流程
10.7.3 基于K-均值算法的粒子群優化算法在聚類分析中的應用
第11章 模板匹配法
11.1 基于特征的模板匹配法
11.2 相關匹配法
11.3 模板匹配法的應用
11.3.1 實現字符識別的步驟
11.3.2 圖像預處理
11.3.3 模板匹配法識別過程
11.3.4 模板匹配法識別結果
第12章 余弦相似度算法
12.1 余弦相似度算法的原理
12.2 余弦相似度算法的應用
12.2.1 余弦相似度算法的設計流程
12.2.2 余弦相似度算法的識別結果 |
| 序： |
