更新时间：2019-12-06 15:47:58
封面
版权信息
内容简介
前言 FOREWORD
第1章 模式识别概述
1.1 模式识别的基本概念
1.2 模式识别的基本方法
1.3 模式识别的应用
习题
第2章 贝叶斯分类器设计
2.1 贝叶斯决策及贝叶斯公式
2.2 基于最小错误率的贝叶斯决策
2.3 最小风险贝叶斯决策
第3章 判别函数分类器设计
3.1 判别函数简介
3.2 线性判别函数
3.3 线性判别函数的实现
3.4 基于LMSE的分类器设计
3.5 基于Fisher的分类器设计
3.6 基于支持向量机的分类法
第4章 聚类分析
4.1 聚类分析
4.2 数据聚类——K均值聚类
4.3 数据聚类——基于取样思想的改进K均值聚类
4.4 数据聚类——K-近邻法聚类
4.5 数据聚类——PAM聚类
4.6 数据聚类——层次聚类
4.7 数据聚类——ISODATA算法概述
第5章 模糊聚类分析
5.1 模糊逻辑的发展
5.2 模糊集合
5.3 模糊集合的运算
5.4 模糊关系与模糊关系的合成
5.5 模糊逻辑及模糊推理
5.6 数据聚类——模糊聚类
5.7 数据聚类——模糊C均值聚类
5.8 数据聚类——模糊ISODATA聚类
5.9 模糊神经网络
第6章 神经网络聚类设计
6.1 什么是神经网络
6.2 人工神经网络模型
6.3 前馈神经网络
6.4 反馈神经网络
6.5 径向基函数
6.6 广义回归神经网络
6.7 小波神经网络
6.8 其他形式的神经网络
第7章 模拟退火算法聚类设计
7.1 模拟退火算法简介
7.2 基于模拟退火思想的聚类算法
7.3 算法实现
7.4 结论
第8章 遗传算法聚类设计
8.1 遗传算法简介
8.2 遗传算法原理
8.3 算法实现
8.4 结论
第9章 蚁群算法聚类设计
9.1 蚁群算法简介
9.2 蚁群算法原理
9.3 基本蚁群算法的实现
9.4 算法改进
9.5 结论
第10章 粒子群算法聚类设计
10.1 粒子群算法简介
10.2 经典的粒子群算法的运算过程
10.3 两种基本的进化模型
10.4 改进的粒子群优化算法
10.5 粒子群算法与其他算法的比较
10.6 粒子群算法分类器的MATLAB实现
10.7 结论
参考文献
