開發(fā)實例系列圖書：模式識別與智能計算的MATLAB實現(xiàn)

第1章 緒論
1.1 模式識別的基本概念
1.1.1 模式與模式識別的概念
1.1.2 模式的特征
1.1.3 模式識別系統(tǒng)
1.2 模式識別的主要方法
1.3 模式識別的主要研究內(nèi)容
1.4 模式識別在科學(xué)研究中的應(yīng)用
1.4.1 化合物的構(gòu)效分析
1.4.2 譜圖解析
1.4.3 材料研究
1.4.4 催化劑研究
1.4.5 機械故障診斷與監(jiān)測
1.4.6 化學(xué)物質(zhì)源產(chǎn)地判斷
1.4.7 疾病的診斷與預(yù)測
1.4.8 礦藏勘探
1.4.9 考古及食品工業(yè)中的應(yīng)用
第2章 統(tǒng)計模式識別技術(shù)
2.1 基于概率統(tǒng)計的貝葉斯分類方法
2.1.1 最小錯誤率貝葉斯分類
2.1.2 最小風(fēng)險率貝葉斯分類
2.2 線性分類器
2.2.1 線性判別函數(shù)
2.2.2 Fisher線性判別函數(shù)
2.2.3 感知器算法
2.3 非線性分類器
2.3.1 分段線性判別函數(shù)
2.3.2 近鄰法
2.3.3 勢函數(shù)法
2.3.4 SIMCA方法
2.4 聚類分析
2.4.1 模式相似度
2.4.2 聚類準(zhǔn)則
2.4.3 層次聚類法
2.4.4 動態(tài)聚類法
2.4.5 決策樹分類器
2.5 統(tǒng)計模式識別在科學(xué)研究中的應(yīng)用
第3章 人工神經(jīng)網(wǎng)絡(luò)及模式識別
3.1 人工神經(jīng)網(wǎng)絡(luò)的基本概念
3.1.1 人工神經(jīng)元
3.1.2 傳遞函數(shù)
3.1.3 人工神經(jīng)網(wǎng)絡(luò)分類和特點
3.2 BP人工神經(jīng)網(wǎng)絡(luò)
3.2.1 BP人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
3.2.2 BP人工神經(jīng)網(wǎng)絡(luò)MATLAB實現(xiàn)
3.3 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)RBF
3.3.1 RBF的結(jié)構(gòu)與學(xué)習(xí)算法
3.3.2 RBF的MATLAB實現(xiàn)
3.4 自組織競爭人工神經(jīng)網(wǎng)絡(luò)
3.4.1 自組織競爭人工神經(jīng)網(wǎng)絡(luò)的基本概念
3.4.2 自組織競爭神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法
3.4.3 自組織競爭網(wǎng)絡(luò)的MATLAB實現(xiàn)
3.5 對向傳播神經(jīng)網(wǎng)絡(luò)CPN
3.5.1 CPN的基本概念
3.5.2 CPN網(wǎng)絡(luò)的學(xué)習(xí)算法
3.6 反饋型神經(jīng)網(wǎng)絡(luò)Hopfield
3.6.1 Hopfield網(wǎng)絡(luò)的基本概念
3.6.2 Hopfield網(wǎng)絡(luò)的學(xué)習(xí)算法
3.6.3 Hopfield網(wǎng)絡(luò)的MATLAB實現(xiàn)
3.7 人工神經(jīng)網(wǎng)絡(luò)技術(shù)在科學(xué)研究中的應(yīng)用
第4章 模糊系統(tǒng)理論及模式識別
4.1 模糊系統(tǒng)理論基礎(chǔ)
4.1.1 模糊集合
4.1.2 模糊關(guān)系
4.1.3 模糊變換與模糊綜合評判
4.1.4 Ifthen規(guī)則
4.1.5 模糊推理
4.2 模糊模式識別的基本方法
4.2.1 最大隸屬度原則
4.2.2 擇近原則
4.2.3 模糊聚類分析
……
第5章 核函數(shù)方法及應(yīng)用
第6章 支持向量機及其模式識別
第7章 可拓學(xué)及其模式識別
第8章 粗糙集理論及其模式識別
第9章 遺傳算法及模式識別
第10章 蟻群算法及其模式識別
第11章 粒子群算法及其模式識別
第12章 可視化模式識別技術(shù)
第13章 灰色系統(tǒng)方法及應(yīng)用
第14章 模式識別的特征及確定
參考文獻