模式識別與智能計算：Matlab技術實現(第2版)（簡體書）

《模式識別與智能計算:Matlab技術實現(第2版)》內容簡介：廣泛吸取統計學、神經網絡、數據挖掘、機器學習、人工智能、群智能計算等學科的先進思想和理論，將其應用到模式識別領域中;以一種新的體系，系統、全面地介紹模式識別的理論、方法及應用。全書共分為14章，內容包括:模式識別概述，特征的選擇與優化，模式相似性測度，基于概率統計的貝葉斯分類器設計，判別函數分類器設計，神經網絡分類器設計（BP神經網絡、徑向基函數神經網絡、白組織競爭神經網絡、概率神經網絡、對向傳播神經網絡、反饋型神經網絡），決策樹分類器設計，粗糙集分類器設計，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技術實現(第2版)》內容新穎，實用性強，理論與實際應用密切結合，以手寫數字識別為應用實例，介紹理論運用于實踐的實現步驟及相應的Matlab代碼，為廣大研究工作者和工程技術人員對相關理論的應用提供借鑒。
《模式識別與智能計算:Matlab技術實現(第2版)》可作為高等院校計算機工程、信息工程、生物醫學工程、智能機器入學、工業自動化、模式識別等學科本科生、研究生的教材或教學參考書，也可供相關工程技術人員參考。

《模式識別與智能計算:Matlab技術實現(第2版)》：1.選用新技術。除了介紹重要經典內容，書中還包括了近些年才發展起來的新技術、新理論，并將其應用于模式識別中，提供這些新技術的實現方法和源代碼。
2.實用性強。讀者對程序稍加改進，就可以應用到不同的場合，例如文字識別、字符識別、圖形識別等。
3.容易上手。按照書中的實現步驟，讀者可以很快掌握模式識別技術；書中所有算法都用Maflab編程實現，通過實例程序的應用，立刻會見到算法的實際效果。

第1章 模式識別概述
1.1 模式識別的基本概念
1.2 特征空間優化設計問題
1.3 分類器設計
1.3.1 分類器設計基本方法
1.3.2 判別函數
1.3.3 分類器的選擇
1.3.4 訓練與學習
1.4 聚類設計
1.5 模式識別的應用
本章小結
習題1

第2章 特征的選擇與優化
2.1 特征空間優化設計問題
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 手寫數字特征提取與分析
2.8.1 手寫數字特征提取
2.8.2 手寫數字特征空間分布分析
本章小結
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
習題3

第4章 基于概率統計的貝葉斯分類器設計
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 基于二值數據的貝葉斯分類實現
4.6 基于最小錯誤率的貝葉斯分類實現
4.7 基于最小風險的貝葉斯分類實現
本章小結
習題4

第5章 判別函數分類器設計
5.1 判別函數的基本概念
5.2 線性判別函數
5.3 線性判別函數的實現
5.4 感知器算法
5.5 增量校正算法
5.6 LMSE驗證可分性
5.7 LMSE分類算法
5.8 Fisher分類
5.9 基于核的Fisher分類
5.10 線性分類器實現分類的局限
5.11 非線性判別函數
5.12 分段線性判別函數
5.13 勢函數法
5.14 支持向量機
本章小結
習題5

第6章 神經網絡分類器設計
6.1 人工神經網絡的基本原理
6.1.1 人工神經元
6.1.2 人工神經網絡模型
……
第7章 決策樹分類器設計
第8章 粗糙集分類器設計
第9章 聚類分析
第10章 模糊聚類分析
第11章 禁忌搜索算法聚類分析
第12章 遺傳算法聚類分析
第13章 蟻群算法聚類分析
第14章 粒子群算法聚類分析

(1)對樣本特征庫進行初步分析是指對原始數據進行抽取，抽取那些對區別不同類別最為重要的特征，而舍去那些對分類并無多大貢獻的特征，從而得到能反映分類本質的特征。考查所選特征是否合理，能否實現分類。如果把區別不同類別的特征都從輸入數據中找到，這時自動模式識別問題就簡化為匹配和查表，模式識別就不困難了。
(2)對樣本篩選處理的目的是去掉“離群點”，減少這些“離群點”對分類器的干擾。當條件所限無法采集大量的訓練樣品時，應慎重對待離群點。樣本在特征空間中的理想分布是同類相聚、異類遠離，但是在現實中很難達到理想的分布狀態，就要求分類器具有泛化。
(3)特征篩選處理的目的是分析特征之間的相關性，考查每個特征因子與目標有無關系，以及特征因子之間是否存在相關關系。刪去那些相關的因子，在樣本不多的條件下可以改善分類器的總體性能，降低模式識別系統的代價。特征的選擇常常面臨著保留哪些描述量、刪除哪些描述量，通常要經過從多到少的過程。因為在設計識別方案的初期階段，應該盡量多的列舉出各種可能與分類有關的特征，這樣可以充分利用各種有用的信息，改善分類效果。但大量的特征中肯定會包含許多彼此相關的因素，造成特征的重復和浪費，給計算帶來困難。Kanal．L曾經總結過經驗：樣品數N與特征數n之比應足夠大，通常樣本數Ⅳ是特征數n的5～10倍。
(4)特征評判的目的是分析經過篩選之後的特征，對分類效果能否提高，能否拉大不同類別之間的距離。對一個模式類特征選擇的好與壞，很難在事先完全預測，而只能從整個分類識別系統獲得的分類結果給予評價。
(5)特征提取目的是用較少的特征對樣本進行描述，以達到降低特征空間維數的目的。
(6)接著需要進一步掌握樣本庫的總體分布情況，若發現效果不理想，應再一次考察樣本庫，或重新提取特征，或增加特征，或進一步刪除“離群點”等。如何確定合適的特征空間是設計模式識別系統十分重要、甚至更為關鍵的問題。如果所選用的特征空間能使同類物體分布具有緊致性，即各類樣本能分布在該特征空間中彼此分割開的區域內，這就為分類器設計成功提供了良好的基礎。反之，如果不同類別的樣本在該特征空間中混雜在一起，再好的設計方法也無法提高分類器的準確性。