模式识别与智能计算的MATLAB实现2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

模式识别与智能计算的MATLAB实现PDF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 绪论1

1.1模式识别的基本概念1

1.1.1模式与模式识别的概念1

1.1.2模式的特征1

1.1.3模式识别系统2

1.2模式识别的主要方法2

1.3模式识别的主要研究内容3

1.4模式识别在科学研究中的应用3

1.4.1化合物的构效分析3

1.4.2谱图解析4

1.4.3材料研究4

1.4.4催化剂研究5

1.4.5机械故障诊断与监测5

1.4.6化学物质源产地判断6

1.4.7疾病的诊断与预测6

1.4.8矿藏勘探7

1.4.9考古及食品工业中的应用7

第2章 统计模式识别技术8

2.1基于概率统计的贝叶斯分类方法8

2.1.1最小错误率贝叶斯分类9

2.1.2最小风险率贝叶斯分类10

2.2线性分类器11

2.2.1线性判别函数11

2.2.2 Fisher线性判别函数13

2.2.3感知器算法14

2.3非线性分类器15

2.3.1分段线性判别函数15

2.3.2近邻法17

2.3.3势函数法18

2.3.4 SIMCA方法19

2.4聚类分析21

2.4.1模式相似度21

2.4.2聚类准则22

2.4.3层次聚类法24

2.4.4动态聚类法24

2.4.5决策树分类器26

2.5统计模式识别在科学研究中的应用27

第3章 人工神经网络及模式识别41

3.1人工神经网络的基本概念41

3.1.1人工神经元41

3.1.2传递函数41

3.1.3人工神经网络分类和特点42

3.2 BP人工神经网络42

3.2.1 BP人工神经网络学习算法42

3.2.2 BP人工神经网络MATLAB实现44

3.3径向基函数神经网络RBF45

3.3.1 RBF的结构与学习算法45

3.3.2 RBF的MATLAB实现46

3.4自组织竞争人工神经网络46

3.4.1自组织竞争人工神经网络的基本概念46

3.4.2自组织竞争神经网络的学习算法47

3.4.3自组织竞争网络的MATLAB实现47

3.5对向传播神经网络CPN48

3.5.1 CPN的基本概念48

3.5.2 CPN网络的学习算法48

3.6反馈型神经网络Hopfield49

3.6.1 Hopfield网络的基本概念49

3.6.2 Hopfield网络的学习算法50

3.6.3 Hopfield网络的MATLAB实现50

3.7人工神经网络技术在科学研究中的应用51

第4章 模糊系统理论及模式识别69

4.1模糊系统理论基础69

4.1.1模糊集合69

4.1.2模糊关系71

4.1.3模糊变换与模糊综合评判73

4.1.4 If…then规则74

4.1.5模糊推理74

4.2模糊模式识别的基本方法75

4.2.1最大隶属度原则75

4.2.2择近原则76

4.2.3模糊聚类分析77

4.3模糊神经网络80

4.3.1模糊神经网络80

4.3.2模糊BP神经网络82

4.4模糊逻辑系统及其在科学研究中的应用82

第5章 核函数方法及应用102

5.1核函数方法102

5.2基于核的主成分分析方法103

5.2.1主成分分析103

5.2.2基于核的主成分分析105

5.3基于核的Fisher判别方法107

5.3.1 Fisher判别方法107

5.3.2基于核的Fisher判别方法分析107

5.4基于核的投影寻踪方法109

5.4.1投影寻踪分析109

5.4.2基于核的投影寻踪分析113

5.5核函数方法在科学研究中的应用114

第6章 支持向量机及其模式识别125

6.1统计学习理论基本内容125

6.2支持向量机126

6.2.1最优分类面126

6.2.2支持向量机模型127

6.3支持向量机在模式识别中的应用129

第7章 可拓学及其模式识别137

7.1可拓学概论137

7.1.1可拓工程基本思想137

7.1.2可拓工程使用的基本工具138

7.2可拓集合140

7.2.1可拓集合含义140

7.2.2物元可拓集合141

7.3可拓聚类预测的物元模型141

7.4可拓学在科学研究中的应用142

第8章 粗糙集理论及其模式识别149

8.1粗糙集理论基础149

8.1.1分类规则的形成151

8.1.2知识的约简152

8.2粗糙神经网络153

8.3系统评估粗糙集方法153

8.3.1模型结构154

8.3.2综合评估方法154

8.4粗糙集聚类方法155

8.5粗糙集理论在科学研究中的应用156

第9章 遗传算法及模式识别165

9.1遗传算法的基本原理165

9.2遗传算法分析168

9.2.1染色体的编码168

9.2.2适应度函数169

9.2.3遗传算子170

9.3控制参数的选择172

9.4模拟退火算法172

9.4.1模拟退火的基本概念173

9.4.2模拟退火算法的基本过程174

9.4.3模拟退火算法中的控制参数174

9.5基于遗传算法的模式识别在科学研究中的应用175

9.5.1遗传算法的MATLAB实现175

9.5.2遗传算法在科学研究中的应用实例180

第10章 蚁群算法及其模式识别195

10.1蚁群算法原理195

10.1.1基本概念195

10.1.2蚁群算法的基本模型196

10.1.3蚁群算法的特点197

10.2蚁群算法的改进197

10.2.1自适应蚁群算法197

10.2.2遗传算法与蚁群算法的融合198

10.2.3蚁群神经网络198

10.3聚类问题的蚁群算法199

10.3.1聚类数目已知的聚类问题的蚁群算法199

10.3.2聚类数目未知的聚类问题的蚁群算法200

10.4蚁群算法在科学研究中的应用201

第11章 粒子群算法及其模式识别211

11.1粒子群算法的基本原理211

11.2全局模式与局部模式212

11.3粒子群算法的特点212

11.4基于粒子群算法的聚类分析213

11.4.1算法描述213

11.4.2实现步骤214

11.5粒子群算法在科学研究中的应用215

第12章 可视化模式识别技术223

12.1高维数据的图形表示方法223

12.1.1轮廓图223

12.1.2雷达图224

12.1.3树形图224

12.1.4三角多项式图225

12.1.5散点图225

12.1.6星座图226

12.1.7脸谱图227

12.2图形特征参数计算229

12.3显示方法231

12.3.1线性映射231

12.3.2非线性映射231

第13章 灰色系统方法及应用235

13.1灰色系统的基本概念235

13.1.1灰数235

13.1.2灰数白化与灰度236

13.2灰色序列生成算子236

13.2.1均值生成算子236

13.2.2累加生成算子237

13.2.3累减生成算子237

13.3灰色分析238

13.3.1灰色关联度分析238

13.3.2无量纲化的关键算子238

13.3.3关联分析的主要步骤239

13.3.4其他几种灰色关联度240

13.4灰色聚类241

13.5灰色系统建模241

13.5.1 GM（1，1）模型241

13.5.2 GM（1，1）模型检验242

13.5.3残差GM（1，1）模型243

13.5.4 GM（1，N）模型244

13.6灰色灾变预测245

13.7灰色系统的应用245

第14章 模式识别的特征及确定252

14.1基本概念252

14.1.1特征的特点252

14.1.2特征的类别252

14.1.3特征的形成256

14.1.4特征选择与提取257

14.2样本特征的初步分析257

14.3特征筛选处理261

14.4特征提取261

14.4.1特征提取的依据261

14.4.2特征提取的方法263

14.5基于K-L变换的特征提取264

14.5.1离散K-L变换264

14.5.2离散K-L变换的特征提取265

14.5.3吸收类均值向量信息的特征提取265

14.5.4利用总体熵吸收方差信息的特征提取266

14.6因子分析267

14.6.1因子分析的一般数学模型267

14.6.2 Q型和R型因子分析269

参考文献274