更新时间：2021-06-10 14:49:12
封面
版权信息
内容简介
前 言
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
第2章 基于贝叶斯决策理论的分类器设计
2.1 贝叶斯决策简介
2.2 最小错误率贝叶斯决策
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 费希尔分类器的设计与实现
3.5 LDA判别器的设计与实现
3.6 基于支持向量机算法的新蒙文字母识别系统的研究
3.7 决策树算法与随机森林
第4章 聚 类 分 析
4.1 聚类分析概述
4.2 数据聚类——K-均值算法
4.3 PAM算法的研究
4.4 ISODATA算法
4.5 AP算法
4.6 基于PCA算法的新蒙文字母识别研究
4.7 粗糙集聚类
4.8 层次聚类算法
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 模糊ISODATA算法
5.7 模糊聚类C均值算法的车牌字符分割
5.8 利用模糊聚类进行数据分类
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 概率神经网络(PNN)
6.4 BP神经网络
6.5 RBF神经网络
6.6 反馈神经网络
6.7 卷积神经网络
6.8 小波神经网络
6.9 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 模拟退火算法实现
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 遗传算法实现
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 基本蚁群算法实现
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 粒子群优化算法应用到模式分类
10.7 基于K-均值算法的粒子群优化算法
第11章 模板匹配法
11.1 基于特征的模板匹配法
11.2 相关匹配法
11.3 模板匹配法的应用
第12章 余弦相似度算法
12.1 余弦相似度算法的原理
12.2 余弦相似度算法的应用
