《模式識別與智能計算―MATLAB技術(shù)實現(xiàn)（第3版）》廣泛吸取統(tǒng)計學、神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)挖掘、機器學習、人工智能、群智能計算等學科的先進思想和理論，將其應(yīng)用到模式識別領(lǐng)域中；以一種新的體系，系統(tǒng)、全面地介紹模式識別的理論、方法及應(yīng)用。全書分為14章，內(nèi)容包括：模式識別概述，特征的選擇與優(yōu)化，模式相似性測度，基于概率統(tǒng)計的貝葉斯分類器設(shè)計，判別函數(shù)分類器設(shè)計，神經(jīng)網(wǎng)絡(luò)分類器設(shè)計（BP神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)、自組織競爭神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)、對向傳播神經(jīng)網(wǎng)絡(luò)、反饋型神經(jīng)網(wǎng)絡(luò)），決策樹分類器設(shè)計，粗糙集分類器設(shè)計，聚類分析，模糊聚類分析，禁忌搜索算法聚類分析，遺傳算法聚類分析，蟻群算法聚類分析，粒子群算法聚類分析。

《模式識別與智能計算―MATLAB技術(shù)實現(xiàn)（第3版）》內(nèi)容新穎，實用性強，理論與實際應(yīng)用密切結(jié)合，以手寫數(shù)字識別為應(yīng)用實例，介紹理論運用于實踐的實現(xiàn)步驟及相應(yīng)的Matlab代碼，為廣大研究工作者和工程技術(shù)人員對相關(guān)理論的應(yīng)用提供借鑒。

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統(tǒng)計模式識別
1.3.1統(tǒng)計模式識別研究的主要問題
1.3.2統(tǒng)計模式識別方法簡介
1.4分類分析
1.4.1分類器設(shè)計
1.4.2判別函數(shù)
1.4.3分類器的選擇
1.4.4訓練與學習
1.5聚類分析
1.5.1聚類的設(shè)計
1.5.2基于試探法的聚類設(shè)計
1.5.3基于群體智能優(yōu)化算法的聚類設(shè)計
1.6模式識別的應(yīng)用
本章小結(jié)
習題1
第2章特征的選擇與優(yōu)化
2.1特征空間優(yōu)化設(shè)計問題
2.2樣本特征庫初步分析
2.3樣品篩選處理
2.4特征篩選處理
2.5特征評估
2.6基于主成分分析的特征提取
2.7特征空間描述與分析
2.7.1特征空間描述
2.7.2特征空間分布分析
2.8手寫數(shù)字特征提取與分析
2.8.1手寫數(shù)字特征提取
2.8.2手寫數(shù)字特征空間分布分析
本章小結(jié)
習題2
第3章模式相似性測度
3.1模式相似性測度的基本概念
3.2距離測度分類法
3.2.1模板匹配法
3.2.2基于PCA的模板匹配法
3.2.3基于類中心的歐式距離法分類
3.2.4馬氏距離分類
3.2.5夾角余弦距離分類
3.2.6二值化的夾角余弦距離法分類
3.2.7二值化的Tanimoto測度分類
本章小結(jié)
習題3
第4章基于概率統(tǒng)計的貝葉斯分類器設(shè)計
4.1貝葉斯決策的基本概念
4.1.1貝葉斯決策所討論的問題
4.1.2貝葉斯公式
4.2基于最小錯誤率的貝葉斯決策
4.3基于最小風險的貝葉斯決策
4.4貝葉斯決策比較
4.5基于二值數(shù)據(jù)的貝葉斯分類實現(xiàn)
4.6基于最小錯誤率的貝葉斯分類實現(xiàn)
4.7基于最小風險的貝葉斯分類實現(xiàn)
本章小結(jié)
習題4
第5章判別函數(shù)分類器設(shè)計
5.1判別函數(shù)的基本概念
5.2線性判別函數(shù)
5.3線性判別函數(shù)的實現(xiàn)
5.4感知器算法
5.5增量校正算法
5.6LMSE驗證可分性
5.7LMSE分類算法
5.8Fisher分類
5.9基于核的Fisher分類
5.10勢函數(shù)法
5.11支持向量機
本章小結(jié)
習題5
第6章神經(jīng)網(wǎng)絡(luò)分類器設(shè)計
6.1人工神經(jīng)網(wǎng)絡(luò)的基本原理
6.1.1人工神經(jīng)元
6.1.2人工神經(jīng)網(wǎng)絡(luò)模型
6.1.3神經(jīng)網(wǎng)絡(luò)的學習過程
6.1.4人工神經(jīng)網(wǎng)絡(luò)在模式識別問題上的優(yōu)勢
6.2BP神經(jīng)網(wǎng)絡(luò)
6.2.1BP神經(jīng)網(wǎng)絡(luò)的基本概念
6.2.2BP神經(jīng)網(wǎng)絡(luò)分類器設(shè)計
6.3徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF)
6.3.1徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的基本概念
6.3.2徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)分類器設(shè)計
6.4自組織競爭神經(jīng)網(wǎng)絡(luò)
6.4.1自組織競爭神經(jīng)網(wǎng)絡(luò)的基本概念
6.4.2自組織競爭神經(jīng)網(wǎng)絡(luò)分類器設(shè)計
6.5概率神經(jīng)網(wǎng)絡(luò)(PNN)
6.5.1概率神經(jīng)網(wǎng)絡(luò)的基本概念
6.5.2概率神經(jīng)網(wǎng)絡(luò)分類器設(shè)計
6.6對向傳播神經(jīng)網(wǎng)絡(luò)(CPN)
6.6.1對向傳播神經(jīng)網(wǎng)絡(luò)的基本概念
6.6.2對向傳播神經(jīng)網(wǎng)絡(luò)分類器設(shè)計
6.7反饋型神經(jīng)網(wǎng)絡(luò)(Hopfield)
6.7.1Hopfield網(wǎng)絡(luò)的基本概念
6.7.2Hopfield神經(jīng)網(wǎng)絡(luò)分類器設(shè)計
本章小結(jié)
習題6
第7章決策樹分類器設(shè)計
7.1決策樹的基本概念
7.2決策樹分類器設(shè)計
本章小結(jié)
習題7
第8章粗糙集分類器設(shè)計
8.1粗糙集理論的基本概念
8.2粗糙集在模式識別中的應(yīng)用
8.3粗糙集分類器設(shè)計
本章小結(jié)
習題8
第9章聚類分析
9.1聚類的設(shè)計
9.2基于試探的未知類別聚類算法
9.2.1最臨近規(guī)則的試探法
9.2.2最大最小距離算法
9.3層次聚類算法
9.3.1最短距離法
9.3.2最長距離法
9.3.3中間距離法
9.3.4重心法
9.3.5類平均距離法
9.4動態(tài)聚類算法
9.4.1K均值算法
9.4.2迭代自組織的數(shù)據(jù)分析算法（ISODATA）
9.5模擬退火聚類算法
9.5.1模擬退火的基本概念
9.5.2基于模擬退火思想的改進K均值聚類算法
本章小結(jié)
習題9
第10章模糊聚類分析
10.1模糊集的基本概念
10.２模糊集運算
10.２.1模糊子集運算
10.２.2模糊集運算性質(zhì)
10.３模糊關(guān)系
10.4模糊集在模式識別中的應(yīng)用
10.5基于模糊的聚類分析
本章小結(jié)
習題10
第11章禁忌搜索算法聚類分析
11.1禁忌搜索算法的基本原理
11.2禁忌搜索的關(guān)鍵參數(shù)和相關(guān)操作
11.3基于禁忌搜索算法的聚類分析
本章小結(jié)
習題11
第12章遺傳算法聚類分析
12.1遺傳算法的基本原理
12.2遺傳算法的構(gòu)成要素
12.2.1染色體的編碼
12.2.2適應(yīng)度函數(shù)
12.2.3遺傳算子
12.3控制參數(shù)的選擇
12.４基于遺傳算法的聚類分析
本章小結(jié)
習題12
第13章蟻群算法聚類分析
13.1蟻群算法的基本原理
13.2聚類數(shù)目已知的蟻群聚類算法
13.3聚類數(shù)目未知的蟻群聚類算法
本章小結(jié)
習題13
第14章粒子群算法聚類分析
14.1粒子群算法的基本原理
14.2基于粒子群算法的聚類分析
本章小結(jié)
習題14
參考文獻