模式識別與智能計算的MATLAB實現(xiàn)

內(nèi)容概要

針對各學科數(shù)據(jù)信息的特點以及科學工作者對信息處理和數(shù)據(jù)挖掘技術的要求，《模式識別與智能計算的MATLAB實現(xiàn)》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(xiàn)代模式識別和智能計算在科學研究中的應用方法和各算法的MATLAB源程序。本書可以幫助廣大的科學工作者掌握模式識別和智能計算方法，并應用于實際的研究中，提高對海量數(shù)據(jù)信息的處理及挖掘能力，針對性和實用性強，具有較高的理論和使用價值。
《模式識別與智能計算的MATLAB實現(xiàn)》可作為高等院校計算機工程、信息工程、生物醫(yī)學工程、智能機器人、工業(yè)自動化、地質(zhì)、水利、化學和環(huán)境等專業(yè)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。

書籍目錄

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  模式的特征
    1.1.3  模式識別系統(tǒng)
  1.2  模式識別的主要方法
  1.3  模式識別的主要研究內(nèi)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(jiān)測
    1.4.6  化學物質(zhì)源產(chǎn)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(yè)中的應用
第2章  統(tǒng)計模式識別技術
  2.1  基于概率統(tǒng)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(shù)
    2.2.2  Fisher線性判別函數(shù)
    2.2.3  感知器算法
  2.3  非線性分類器
    2.3.1  分段線性判別函數(shù)
    2.3.2  近鄰法
    2.3.3  勢函數(shù)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(tài)聚類法
    2.4.5  決策樹分類器
  2.5  統(tǒng)計模式識別在科學研究中的應用
第3章  人工神經(jīng)網(wǎng)絡及模式識別
  3.1  人工神經(jīng)網(wǎng)絡的基本概念
    3.1.1  人工神經(jīng)元
    3.1.2  傳遞函數(shù)
    3.1.3  人工神經(jīng)網(wǎng)絡分類和特點
  3.2  BP人工神經(jīng)網(wǎng)絡
    3.2.1  BP人工神經(jīng)網(wǎng)絡學習算法
    3.2.2  BP人工神經(jīng)網(wǎng)絡MATLAB實現(xiàn)
  3.3  徑向基函數(shù)神經(jīng)網(wǎng)絡RBF
    3.3.1  RBF的結構與學習算法
    3.3.2  RBF的MATLAB實現(xiàn)
  3.4  自組織競爭人工神經(jīng)網(wǎng)絡
    3.4.1  自組織競爭人工神經(jīng)網(wǎng)絡的基本概念
    3.4.2  自組織競爭神經(jīng)網(wǎng)絡的學習算法
    3.4.3  自組織競爭網(wǎng)絡的MATLAB實現(xiàn)
  3.5  對向傳播神經(jīng)網(wǎng)絡CPN
    3.5.1  CPN的基本概念
    3.5.2  CPN網(wǎng)絡的學習算法
  3.6  反饋型神經(jīng)網(wǎng)絡Hopfield
    3.6.1  Hopfield網(wǎng)絡的基本概念
    3.6.2  Hopfield網(wǎng)絡的學習算法
    3.6.3  Hopfield網(wǎng)絡的MATLAB實現(xiàn)
  3.7  人工神經(jīng)網(wǎng)絡技術在科學研究中的應用
第4章  模糊系統(tǒng)理論及模式識別
  4.1  模糊系統(tǒng)理論基礎
    4.1.1  模糊集合
    4.1.2  模糊關系
    4.1.3  模糊變換與模糊綜合評判
    4.1.4  If…then規(guī)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(jīng)網(wǎng)絡
    4.3.1  模糊神經(jīng)網(wǎng)絡
    4.3.2  模糊BP神經(jīng)網(wǎng)絡
  4.4  模糊邏輯系統(tǒng)及其在科學研究中的應用
第5章  核函數(shù)方法及應用
  5.1  核函數(shù)方法
  5.2  基于核的主成分分析方法
    5.2.1  主成分分析
    5.2.2  基于核的主成分分析
  5.3  基于核的Fisher判別方法
    5.3.1  Fisher判別方法
    5.3.2  基于核的Fisher判別方法分析
  5.4  基于核的投影尋蹤方法
    5.4.1  投影尋蹤分析
    5.4.2  基于核的投影尋蹤分析
  5.5  核函數(shù)方法在科學研究中的應用
第6章  支持向量機及其模式識別
  6.1  統(tǒng)計學習理論基本內(nèi)容
  6.2  支持向量機
    6.2.1  最優(yōu)分類面
    6.2.2  支持向量機模型
  6.3  支持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(guī)則的形成
    8.1.2  知識的約簡
  8.2  粗糙神經(jīng)網(wǎng)絡
  8.3  系統(tǒng)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  遺傳算法及模式識別
  9.1  遺傳算法的基本原理
  9.2  遺傳算法分析
    9.2.1  染色體的編碼
    9.2.2  適應度函數(shù)
    9.2.3  遺傳算子
  9.3  控制參數(shù)的選擇
  9.4  模擬退火算法
    9.4.1  模擬退火的基本概念
    9.4.2  模擬退火算法的基本過程
    9.4.3  模擬退火算法中的控制參數(shù)
  9.5  基于遺傳算法的模式識別在科學研究中的應用
    9.5.1  遺傳算法的MATLAB實現(xiàn)
    9.5.2  遺傳算法在科學研究中的應用實例
第10章  蟻群算法及其模式識別
  10.1  蟻群算法原理
    10.1.1  基本概念
    10.1.2  蟻群算法的基本模型
    10.1.3  蟻群算法的特點
  10.2  蟻群算法的改進
    10.2.1  自適應蟻群算法
    10.2.2  遺傳算法與蟻群算法的融合
    10.2.3  蟻群神經(jīng)網(wǎng)絡
  10.3  聚類問題的蟻群算法
    10.3.1  聚類數(shù)目已知的聚類問題的蟻群算法
    10.3.2  聚類數(shù)目未知的聚類問題的蟻群算法
  10.4  蟻群算法在科學研究中的應用
第11章  粒子群算法及其模式識別
  11.1  粒子群算法的基本原理
  11.2  全局模式與局部模式
  11.3  粒子群算法的特點
  11.4  基于粒子群算法的聚類分析
    11.4.1  算法描述
    11.4.2  實現(xiàn)步驟
  11.5  粒子群算法在科學研究中的應用
第12章  可視化模式識別技術
  12.1  高維數(shù)據(jù)的圖形表示方法
    12.1.1  輪廓圖
    12.1.2  雷達圖
    12.1.3  樹形圖
    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  圖形特征參數(shù)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(tǒng)方法及應用
  13.1  灰色系統(tǒng)的基本概念
    13.1.1  灰數(shù)
    13.1.2  灰數(shù)白化與灰度
  13.2  灰色序列生成算子
    13.2.1  均值生成算子
    13.2.2  累加生成算子
    13.2.3  累減生成算子
  13.3  灰色分析
    13.3.1  灰色關聯(lián)度分析
    13.3.2  無量綱化的關鍵算子
    13.3.3  關聯(lián)分析的主要步驟
    13.3.4  其他幾種灰色關聯(lián)度
  13.4  灰色聚類
  13.5  灰色系統(tǒng)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(tǒng)的應用
第14章  模式識別的特征及確定
  14.1  基本概念
    14.1.1  特征的特點
    14.1.2  特征的類別
    14.1.3  特征的形成
    14.1.4  特征選擇與提取
  14.2  樣本特征的初步分析
  14.3  特征篩選處理
  14.4  特征提取
    14.4.1  特征提取的依據(jù)
    14.4.2  特征提取的方法
  14.5  基于K-L變換的特征提取
    14.5.1  離散K-L變換
    14.5.2  離散K-L變換的特征提取
    14.5.3  吸收類均值向量信息的特征提取
    14.5.4  利用總體熵吸收方差信息的特征提取
  14.6  因子分析
    14.6.1  因子分析的一般數(shù)學模型
    14.6.2  Q型和R型因子分析
參考文獻

章節(jié)摘錄

版權頁：   插圖：   （2）可拓性 物元和事元都具有可拓性，包括發(fā)散性、相關性、蘊涵性、可擴性和共軛性?？赏匦允沁M行可拓變換的依據(jù)。 （3）可拓變換 可拓變換包括元素的變換（物元變換和事元變換）、關聯(lián)函數(shù)的變換和論域的變換，它們都有4種基本變換，即增刪變換、擴縮變換、置換變換和分解變換?？梢赃M行變換的運算有積變換、“與”變換、“或”變換和逆變換及復合變換。利用可拓變換，可以將矛盾問題化為相容問題提供多條途經(jīng)。 （4）可拓方程與物元方程 根據(jù)給定的兩個要素F1和F2，F(xiàn)i∈{Ri，Ii，ki，Ui），求未知變換Tx，使TxF1=Fz。這類含有未知變換的等式稱為可拓方程，求Tx的過程稱為解可拓方程，該變換稱為該方程的解變換。 把含有未知物元的物元等式稱為物元方程，求物元方程的過程稱為解該方程，滿足上述方程的物元稱為該方程的解。通過解可拓方程和物元方程，使解不相容問題成為可能。 2.定量工具 （1）可拓集合 可拓集合是描述事物具有某種性質(zhì)的程度和量變與質(zhì)變的定量化工具，其定義如下：設U為論域，k是U到實域u的一個映射，T=（Tu，Tk，Tu）為給定的變換，稱 A（T）={（u，y，y′）|u∈Tv U，y=k（U）∈I，y′=Tkk（Tuu）∈I） 為論域TUU上的可拓集合，y=k（u）為A（T）關聯(lián)函數(shù)，y′=Tkk（Tuu為A（T）的可拓函數(shù)，其中Tv、Ti、Tu分別為對論域U、關聯(lián)準則k、元素u的變換。 當可拓集合的元素u是物元時，就形成物元可拓集合。物元可拓集每個元素——物元都有自己的內(nèi)部結構。它們是既描述事物量的方面，又體現(xiàn)事物質(zhì)的方面，并將兩者有機結合的統(tǒng)一體，其內(nèi)部結構是可變的。由于物元內(nèi)部結構的可變性、關聯(lián)函數(shù)的可變性及論域的可變性，導致物元在集合中的“地位”是可變的。因此，物元可拓集合能較合理地描述自然現(xiàn)象和社會現(xiàn)象中各種事物的內(nèi)部結構、彼此關系及它們的變化，從而描述解決矛盾問題的過程。 （2）關聯(lián)函數(shù) 在可拓集合中，建立了關聯(lián)函數(shù)的概念。通過關聯(lián)函數(shù)，可以定量地描述U中任一元素u屬于正域、負域或零界在一個域中的哪一個；就是同屬于一個域中的元素，也可以由關聯(lián)函數(shù)的大小區(qū)分出不同的層次。為了建立實數(shù)域上的關聯(lián)函數(shù)，首先把實變函數(shù)中距離的概念拓廣為距的概念，作為把定性擴大為定量描述的基礎。

圖書封面

圖書標簽Tags

無

評論、評分、閱讀與下載

---

    模式識別與智能計算的MATLAB實現(xiàn) PDF格式下載

---