目录

第1章模式识别概述

11模式识别的基本概念

12统计模式识别

121统计模式识别研究的主要问题

122统计模式识别方法简介

13分类分析

131分类器设计

132分类器的选择

133训练与学习

14聚类分析

141聚类的设计

142基于试探法的聚类设计

143基于群体智能优化算法的聚类设计

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71特征空间描述

272特征空间分布分析

28手写数字特征提取与分析

281手写数字特征提取

282手写数字特征空间分布分析

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

321模板匹配法

322基于PCA的模板匹配法

323马氏距离分类

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11贝叶斯决策所讨论的问题

412贝叶斯公式

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基于最小错误率的贝叶斯分类实现

46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5Fisher分类

56基于核的Fisher分类

57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11人工神经元

612人工神经网络模型

613神经网络的学习过程

614人工神经网络在模式识别问题上的优势

62BP神经网络

621BP神经网络的基本概念

622BP神经网络分类器设计

63径向基函数神经网络(RBF)

631径向基函数神经网络的基本概念

632径向基函数神经网络分类器设计

64自组织竞争神经网络

641自组织竞争神经网络的基本概念

642自组织竞争神经网络分类器设计

65概率神经网络(PNN)

651概率神经网络的基本概念

652概率神经网络分类器设计

66对向传播神经网络(CPN)

661对向传播神经网络的基本概念

662对向传播神经网络分类器设计

67反馈型神经网络(Hopfield)

671Hopfield网络的基本概念

672Hopfield神经网络分类器设计

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21最临近规则的试探法

922最大最小距离算法

93层次聚类算法

931最短距离法

932重心法

94动态聚类算法

941K均值算法

942迭代自组织的数据分析算法(ISODATA)

95模拟退火聚类算法

951模拟退火的基本概念

952基于模拟退火思想的改进K均值聚类算法

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２1模糊子集运算

10２2模糊集运算性质

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章遗传算法聚类分析

111遗传算法的基本原理

11２遗传算法的构成要素

1121染色体的编码

1122适应度函数

1123遗传算子

113控制参数的选择

11４基于遗传算法的聚类分析

本章小结

习题11

第12章粒子群算法聚类分析

121粒子群算法的基本原理

122基于粒子群算法的聚类分析

本章小结

习题12

第13章Memetic算法仿生计算

131Memetic算法

132Memetic算法仿生计算在聚类分析中的应用

本章小结

习题13

参考文献