模式識別與智能計算的MATLAB實現（簡體書）

針對各學科資料資訊的特點以及科學工作者對資訊處理和資料挖掘技 術的要求，《模式識別與智慧計算的MATLAB實現》既介紹了模式識別和智 能計算的基礎知識，又較為詳細地介紹了現代模式識別和智慧計算在科學 研究中的應用方法和各演算法的MATLAB根源程式。本書可以幫助廣大的科學工 作者掌握模式識別和智慧計算方法，並應用於實際的研究中，提高對海量 資料資訊的處理及挖掘能力，針對性和實用性強，具有較高的理論和使用 價值。 《模式識別與智慧計算的MATLAB實現》可作為高等院校電腦工程、 資訊工程、生物醫學工程、智慧型機器人、工業自動化、地質、水利、化學 和環境等專業的研究生、本科生的教材或教學參考書，亦可供有關工程技 術人員參考。本書由許國根、賈瑛編著。

《模式識別與智慧計算的MATLAB實現》理論聯繫實際，較為全面地介紹了現代模式識別和智慧計算方法及其應用技巧。通過大量實例，講解了模式識別和智慧計算的理論、演算法及編程步驟，並提供基於MATLAB的源代碼。通過本書的學習，讀者能夠真正掌握模式識別和智慧計算並應用於科學研究和工程實踐中。 本書內容基本涵蓋了目前模式識別和智慧計算的重要理論和方法，包括了最近十幾年來剛剛發展起來的並被實踐證明有用的新技術、新理論，如支援向量機、神經網路、決策樹、粗糙集理論、模糊集理論和遺傳演算法等。本書由許國根、賈瑛編著。

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 模式的特徵 1.1.3 模式識別系統 1.2 模式識別的主要方法 1.3 模式識別的主要研究內容 1.4 模式識別在科學研究中的應用 1.4.1 化合物的構效分析 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 機械故障診斷與監測 1.4.6 化學物質源產地判斷 1.4.7 疾病的診斷與預測 1.4.8 礦藏勘探 1.4.9 考古及食品工業中的應用 第2章 統計模式識別技術 2.1 基於概率統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 最小風險率貝葉斯分類 2.2 線性分類器 2.2.1 線性判別函數 2.2.2 Fisher線性判別函數 2.2.3 感知器演算法 2.3 非線性分類器 2.3.1 分段線性判別函數 2.3.2 近鄰法 2.3.3 勢函數法 2.3.4 SIMCA方法 2.4 聚類分析 2.4.1 模式相似度 2.4.2 聚類準則 2.4.3 層次聚類法 2.4.4 動態聚類法 2.4.5 決策樹分類器 2.5 統計模式識別在科學研究中的應用 第3章 人工神經網路及模式識別 3.1 人工神經網路的基本概念 3.1.1 人工神經元 3.1.2 傳遞函數 3.1.3 人工神經網路分類和特點 3.2 BP人工神經網路 3.2.1 BP人工神經網路學習演算法 3.2.2 BP人工神經網路MATLAB實現 3.3 徑向基函數神經網路RBF 3.3.1 RBF的結構與學習演算法 3.3.2 RBF的MATLAB實現 3.4 自組織競爭人工神經網路 3.4.1 自組織競爭人工神經網路的基本概念 3.4.2 自組織競爭神經網路的學習演算法 3.4.3 自組織競爭網路的MATLAB實現 3.5 對向傳播神經網路CPN 3.5.1 CPN的基本概念 3.5.2 CPN網路的學習演算法 3.6 回饋型神經網路Hopfield 3.6.1 Hopfield網路的基本概念 3.6.2 Hopfield網路的學習演算法 3.6.3 Hopfield網路的MATLAB實現 3.7 人工神經網路技術在科學研究中的應用 第4章 模糊系統理論及模式識別 4.1 模糊系統理論基礎 4.1.1 模糊集合 4.1.2 模糊關係 4.1.3 模糊變換與模糊綜合評判 4.1.4 If…then規則 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 4.3 模糊神經網路 4.3.1 模糊神經網路 4.3.2 模糊BP神經網路 4.4 模糊邏輯系統及其在科學研究中的應用 第5章 核函數方法及應用 5.1 核函數方法 5.2 基於核的主成分分析方法 5.2.1 主成分分析 5.2.2 基於核的主成分分析 5.3 基於核的Fisher判別方法 5.3.1 Fisher判別方法 5.3.2 基於核的Fisher判別方法分析 5.4 基於核的投影尋蹤方法 5.4.1 投影尋蹤分析 5.4.2 基於核的投影尋蹤分析 5.5 核函數方法在科學研究中的應用 第6章 支援向量機及其模式識別 6.1 統計學習理論基本內容 6.2 支援向量機 6.2.1 最優分類面 6.2.2 支援向量機模型 6.3 支援向量機在模式識別中的應用 第7章 可拓學及其模式識別 7.1 可拓學概論 7.1.1 可拓工程基本思想 7.1.2 可拓工程使用的基本工具 7.2 可拓集合 7.2.1 可拓集合含義 7.2.2 物元可拓集合 7.3 可拓聚類預測的物元模型 7.4 可拓學在科學研究中的應用 第8章 粗糙集理論及其模式識別 8.1 粗糙集理論基礎 8.1.1 分類規則的形成 8.1.2 知識的約簡 8.2 粗糙神經網路 8.3 系統評估粗糙集方法 8.3.1 模型結構 8.3.2 綜合評估方法 8.4 粗糙集聚類方法 8.5 粗糙集理論在科學研究中的應用 第9章 遺傳演算法及模式識別 9.1 遺傳演算法的基本原理 9.2 遺傳演算法分析 9.2.1 染色體的編碼 9.2.2 適應度函數 9.2.3 遺傳運算元 9.3 控制參數的選擇 9.4 類比退火演算法 9.4.1 類比退火的基本概念 9.4.2 類比退火演算法的基本過程 9.4.3 類比退火演算法中的控制參數 9.5 基於遺傳演算法的模式識別在科學研究中的應用 9.5.1 遺傳演算法的MATLAB實現 9.5.2 遺傳演算法在科學研究中的應用實例 第10章 蟻群演算法及其模式識別 10.1 蟻群演算法原理 10.1.1 基本概念 10.1.2 蟻群演算法的基本模型 10.1.3 蟻群演算法的特點 10.2 蟻群演算法的改進 10.2.1 自適應蟻群演算法 10.2.2 遺傳演算法與蟻群演算法的融合 10.2.3 蟻群神經網路 10.3 聚類問題的蟻群演算法 10.3.1 聚類數目已知的聚類問題的蟻群演算法 10.3.2 聚類數目未知的聚類問題的蟻群演算法 10.4 蟻群演算法在科學研究中的應用 第11章 粒子群演算法及其模式識別 11.1 粒子群演算法的基本原理 11.2 全局模式與局部模式 11.3 粒子群演算法的特點 11.4 基於粒子群演算法的聚類分析 11.4.1 演算法描述 11.4.2 實現步驟 11.5 粒子群演算法在科學研究中的應用 第12章 視覺化模式識別技術 12.1 高維資料的圖形表示方法 12.1.1 輪廓圖 12.1.2 雷達圖 12.1.3 樹狀圖 12.1.4 三角多項式圖 12.1.5 散點圖 12.1.6 星座圖 12.1.7 臉譜圖 12.2 圖形特徵參數計算 12.3 顯示方法 12.3.1 線性映射 12.3.2 非線性映射 第13章 灰色系統方法及應用 13.1 灰色系統的基本概念 13.1.1 灰數 13.1.2 灰數白化與灰度 13.2 灰色序列生成運算元 13.2.1 均值生成運算元 13.2.2 累加生成運算元 13.2.3 累減生成運算元 13.3 灰色分析 13.3.1 灰色關聯度分析 13.3.2 無量綱化的關鍵運算元 13.3.3 關聯分析的主要步驟 13.3.4 其他幾種灰色關聯度 13.4 灰色聚類 13.5 灰色系統建模 13.5.1 GM(1，1)模型 13.5.2 GM(1，1)模型檢驗 13.5.3 殘差GM(1，1)模型 13.5.4 GM(1，N)模型 13.6 灰色災變預測 13.7 灰色系統的應用 第14章 模式識別的特徵及確定 14.1 基本概念 14.1.1 特徵的特點 14.1.2 特徵的類別 14.1.3 特徵的形成 14.1.4 特徵選擇與提取 14.2 樣本特徵的初步分析 14.3 特徵篩選處理 14.4 特徵提取 14.4.1 特徵提取的依據 14.4.2 特徵提取的方法 14.5 基於K-L變換的特徵提取 14.5.1 離散K-L變換 14.5.2 離散K-L變換的特徵提取 14.5.3 吸收類均值向量資訊的特徵提取 14.5.4 利用總體熵吸收方差資訊的特徵提取 14.6 因數分析 14.6.1 因數分析的一般數學模型 14.6.2 Q型和R型因數分析 參考文獻