模式识别与智能计算：Matlab技术实现（第2版）

习题14

本章小结

14.2 基于粒子群算法的聚类分析

14.1 粒子群算法的基本原理

第14章 粒子群算法聚类分析

习题13

本章小结

13.3 聚类数目未知的蚁群聚类算法

13.2 聚类数目已知的蚁群聚类算法

13.1 蚁群算法的基本原理

第13章 蚁群算法聚类分析

习题12

本章小结

12.4 基于遗传算法的聚类分析

12.3 控制参数的选择

12.2 遗传算法的构成要素

12.1 遗传算法的基本原理

第12章 遗传算法聚类分析

习题11

本章小结

11.3 基于禁忌搜索算法的聚类分析

11.2 禁忌搜索的关键参数和相关操作

11.1 禁忌搜索算法的基本原理

第11章 禁忌搜索算法聚类分析

习题10

本章小结

10.5 基于模糊的聚类分析

10.4 模糊集在模式识别中的应用

10.3 模糊关系

10.2 模糊集运算

10.1 模糊集的基本概念

第10章 模糊聚类分析

习题9

本章小结

9.5 模拟退火聚类算法

9.4 动态聚类算法

9.3 层次聚类算法

9.2 基于试探的未知类别聚类算法

9.1 聚类的设计

第9章 聚类分析

习题8

本章小结

8.3 粗糙集分类器设计

8.2 粗糙集在模式识别中的应用

8.1 粗糙集理论的基本概念

第8章 粗糙集分类器设计

习题7

本章小结

7.2 决策树分类器设计

7.1 决策树的基本概念

第7章 决策树分类器设计

习题6

本章小结

6.7 反馈型神经网络（Hopfield）

6.6 对向传播神经网络（CPN）

6.5 概率神经网络（PNN）

6.4 自组织竞争神经网络

6.3 径向基函数神经网络（RBF）

6.2 BP神经网络

6.1 人工神经网络的基本原理

第6章 神经网络分类器设计

习题5

本章小结

5.14 支持向量机

5.13 势函数法

5.12 分段线性判别函数

5.11 非线性判别函数

5.10 线性分类器实现分类的局限

5.9 基于核的Fisher分类

5.8 Fisher分类

5.7 LMSE分类算法

5.6 LMSE验证可分性

5.5 增量校正算法

5.4 感知器算法

5.3 线性判别函数的实现

5.2 线性判别函数

5.1 判别函数的基本概念

第5章 判别函数分类器设计

习题4

本章小结

4.7 基于最小风险的贝叶斯分类实现

4.6 基于最小错误率的贝叶斯分类实现

4.5 基于二值数据的贝叶斯分类实现

4.4 贝叶斯决策比较

4.3 基于最小风险的贝叶斯决策

4.2 基于最小错误率的贝叶斯决策

4.1 贝叶斯决策的基本概念

第4章 基于概率统计的贝叶斯分类器设计

习题3

本章小结

3.2 距离测度分类法

3.1 模式相似性测度的基本概念

第3章 模式相似性测度

习题2

本章小结

2.8 手写数字特征提取与分析

2.7 特征空间描述与分析

2.6 基于主成分分析的特征提取

2.5 特征评估

2.4 特征筛选处理

2.3 样品筛选处理

2.2 样本特征库初步分析

2.1 特征空间优化设计问题

第2章 特征的选择与优化

习题1

本章小结

1.5 模式识别的应用

1.4 聚类设计

1.3 分类器设计

1.2 特征空间优化设计问题

1.1 模式识别的基本概念

第1章 模式识别概述

再版说明

再版前言

版权信息

封面

封面

版权信息

再版前言

再版说明

第1章 模式识别概述

1.1 模式识别的基本概念

1.2 特征空间优化设计问题

1.3 分类器设计

1.4 聚类设计

1.5 模式识别的应用

本章小结

习题1

第2章 特征的选择与优化

2.1 特征空间优化设计问题

2.2 样本特征库初步分析

2.3 样品筛选处理

2.4 特征筛选处理

2.5 特征评估

2.6 基于主成分分析的特征提取

2.7 特征空间描述与分析

2.8 手写数字特征提取与分析

本章小结

习题2

第3章 模式相似性测度

3.1 模式相似性测度的基本概念

3.2 距离测度分类法

本章小结

习题3

第4章 基于概率统计的贝叶斯分类器设计

4.1 贝叶斯决策的基本概念

4.2 基于最小错误率的贝叶斯决策

4.3 基于最小风险的贝叶斯决策

4.4 贝叶斯决策比较

4.5 基于二值数据的贝叶斯分类实现

4.6 基于最小错误率的贝叶斯分类实现

4.7 基于最小风险的贝叶斯分类实现

本章小结

习题4

第5章 判别函数分类器设计

5.1 判别函数的基本概念

5.2 线性判别函数

5.3 线性判别函数的实现

5.4 感知器算法

5.5 增量校正算法

5.6 LMSE验证可分性

5.7 LMSE分类算法

5.8 Fisher分类

5.9 基于核的Fisher分类

5.10 线性分类器实现分类的局限

5.11 非线性判别函数

5.12 分段线性判别函数

5.13 势函数法

5.14 支持向量机

本章小结

习题5

第6章 神经网络分类器设计

6.1 人工神经网络的基本原理

6.2 BP神经网络

6.3 径向基函数神经网络（RBF）

6.4 自组织竞争神经网络

6.5 概率神经网络（PNN）

6.6 对向传播神经网络（CPN）

6.7 反馈型神经网络（Hopfield）

本章小结

习题6

第7章 决策树分类器设计

7.1 决策树的基本概念

7.2 决策树分类器设计

本章小结

习题7

第8章 粗糙集分类器设计

8.1 粗糙集理论的基本概念

8.2 粗糙集在模式识别中的应用

8.3 粗糙集分类器设计

本章小结

习题8

第9章 聚类分析

9.1 聚类的设计

9.2 基于试探的未知类别聚类算法

9.3 层次聚类算法

9.4 动态聚类算法

9.5 模拟退火聚类算法

本章小结

习题9

第10章 模糊聚类分析

10.1 模糊集的基本概念

10.2 模糊集运算

10.3 模糊关系

10.4 模糊集在模式识别中的应用

10.5 基于模糊的聚类分析

本章小结

习题10

第11章 禁忌搜索算法聚类分析

11.1 禁忌搜索算法的基本原理

11.2 禁忌搜索的关键参数和相关操作

11.3 基于禁忌搜索算法的聚类分析

本章小结

习题11

第12章 遗传算法聚类分析

12.1 遗传算法的基本原理

12.2 遗传算法的构成要素

12.3 控制参数的选择

12.4 基于遗传算法的聚类分析

本章小结

习题12

第13章 蚁群算法聚类分析

13.1 蚁群算法的基本原理

13.2 聚类数目已知的蚁群聚类算法

13.3 聚类数目未知的蚁群聚类算法

本章小结

习题13

第14章 粒子群算法聚类分析

14.1 粒子群算法的基本原理

14.2 基于粒子群算法的聚类分析

本章小结

习题14