模式識(shí)別與智能計(jì)算

內(nèi)容概要

本書廣泛吸取統(tǒng)計(jì)學(xué)、神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、人工智能、群智能計(jì)算等學(xué)科的先進(jìn)思想和理論，將其應(yīng)用到模式識(shí)別領(lǐng)域中；以一種新的體系，系統(tǒng)、全面地介紹模式識(shí)別的理論、方法及應(yīng)用。全書共分為l4章，內(nèi)容包括：模式識(shí)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(jì)的貝葉斯分類器設(shè)計(jì)，判別函數(shù)分類器設(shè)計(jì)，神經(jīng)網(wǎng)絡(luò)分類器設(shè)計(jì)(BP神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)、白組織競爭神經(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(jì)，粗糙集分類器設(shè)計(jì)，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。
本書內(nèi)容新穎，實(shí)用性強(qiáng)，理論與實(shí)際應(yīng)用密切結(jié)合，以手寫數(shù)字識(shí)別為應(yīng)用實(shí)例，介紹理論運(yùn)用于實(shí)踐的實(shí)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。
本書可作為高等院校計(jì)算機(jī)工程、信息工程、生物醫(yī)學(xué)工程、智能機(jī)器入學(xué)、工業(yè)自動(dòng)化、模式識(shí)別等學(xué)科本科生、研究生的教材或教學(xué)參考書，也可供相關(guān)工程技術(shù)人員參考。

書籍目錄

第1章 模式識(shí)別概述
　1.1 模式識(shí)別的基本概念
 1.2 特征空間優(yōu)化設(shè)計(jì)問題
 1.3　分類器設(shè)計(jì)
 1.3.1 分類器設(shè)計(jì)基本方法
 1.3.2 判別函數(shù)
 1.3.3 分類器的選擇
 1.3.4 訓(xùn)練與學(xué)習(xí)
 1.4 聚類設(shè)計(jì)
 1.5 模式識(shí)別的應(yīng)用
 本章小結(jié)
 習(xí)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(jì)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(xí)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
　　……
第4章　基于概率統(tǒng)計(jì)的貝葉斯分類器設(shè)計(jì)
第5章　判別函數(shù)分類器設(shè)計(jì)
第6章　神經(jīng)網(wǎng)絡(luò)分類器設(shè)計(jì)
第7章　決策樹分類器設(shè)計(jì)
第8章　粗糙集分類器設(shè)計(jì)
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
參考文獻(xiàn)

章節(jié)摘錄

版權(quán)頁：插圖：(1)對樣本特征庫進(jìn)行初步分析是指對原始數(shù)據(jù)進(jìn)行抽取，抽取那些對區(qū)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(xiàn)的特征，從而得到能反映分類本質(zhì)的特征?？疾樗x特征是否合理，能否實(shí)現(xiàn)分類。如果把區(qū)別不同類別的特征都從輸入數(shù)據(jù)中找到，這時(shí)自動(dòng)模式識(shí)別問題就簡化為匹配和查表，模式識(shí)別就不困難了。(2)對樣本篩選處理的目的是去掉“離群點(diǎn)”，減少這些“離群點(diǎn)”對分類器的干擾。當(dāng)條件所限無法采集大量的訓(xùn)練樣品時(shí)，應(yīng)慎重對待離群點(diǎn)。樣本在特征空間中的理想分布是同類相聚、異類遠(yuǎn)離，但是在現(xiàn)實(shí)中很難達(dá)到理想的分布狀態(tài)，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(guān)性，考查每個(gè)特征因子與目標(biāo)有無關(guān)系，以及特征因子之間是否存在相關(guān)關(guān)系。刪去那些相關(guān)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(shí)別系統(tǒng)的代價(jià)。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(jīng)過從多到少的過程。因?yàn)樵谠O(shè)計(jì)識(shí)別方案的初期階段，應(yīng)該盡量多的列舉出各種可能與分類有關(guān)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(huì)包含許多彼此相關(guān)的因素，造成特征的重復(fù)和浪費(fèi)，給計(jì)算帶來困難。Kanal．L曾經(jīng)總結(jié)過經(jīng)驗(yàn)：樣品數(shù)N與特征數(shù)n之比應(yīng)足夠大，通常樣本數(shù)Ⅳ是特征數(shù)n的5～10倍。(4)特征評判的目的是分析經(jīng)過篩選之后的特征，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(gè)模式類特征選擇的好與壞，很難在事先完全預(yù)測，而只能從整個(gè)分類識(shí)別系統(tǒng)獲得的分類結(jié)果給予評價(jià)。(5)特征提取目的是用較少的特征對樣本進(jìn)行描述，以達(dá)到降低特征空間維數(shù)的目的。(6)接著需要進(jìn)一步掌握樣本庫的總體分布情況，若發(fā)現(xiàn)效果不理想，應(yīng)再一次考察樣本庫，或重新提取特征，或增加特征，或進(jìn)一步刪除“離群點(diǎn)”等。如何確定合適的特征空間是設(shè)計(jì)模式識(shí)別系統(tǒng)十分重要、甚至更為關(guān)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(qū)域內(nèi)，這就為分類器設(shè)計(jì)成功提供了良好的基礎(chǔ)。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(shè)計(jì)方法也無法提高分類器的準(zhǔn)確性。

編輯推薦

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

圖書封面

圖書標(biāo)簽Tags

無

評論、評分、閱讀與下載

---

    模式識(shí)別與智能計(jì)算 PDF格式下載

---