模式识别与智能计算的MATLAB实现.pdf

模式识别与智能计算的MATLAB实现.pdf
 

书籍描述

编辑推荐
《模式识别与智能计算的MATLAB实现》可以帮助广大的科学工作者掌握模式识别和智能计算方法,并应用于实际的研究中,提高对海量数据信息的处理及挖掘能力,针对性和实用性强,具有较高的理论和使用价值。《模式识别与智能计算的MATLAB实现》可作为高等院校计算机工程、信息工程、生物医学工程、智能机器人、工业自动化、地质、水利、化学和环境等专业的研究生、本科生的教材或教学参考书,亦可供有关工程技术人员参考。《模式识别与智能计算的MATLAB实现》由许国根、贾瑛编著。

目录
第1章绪论
1.1模式识别的基本概念
1.1.1模式与模式识别的概念
1.1.2模式的特征
1.1.3模式识别系统
1.2模式识别的主要方法
1.3模式识别的主要研究内容
1.4模式识别在科学研究中的应用
1.4.1化合物的构效分析
1.4.2谱图解析
1.4.3材料研究
1.4.4催化剂研究
1.4.5机械故障诊断与监测
1.4.6化学物质源产地判断
1.4.7疾病的诊断与预测
1.4.8矿藏勘探
1.4.9考古及食品工业中的应用
第2章统计模式识别技术
2.1基于概率统计的贝叶斯分类方法
2.1.1最小错误率贝叶斯分类
2.1.2最小风险率贝叶斯分类
2.2线性分类器
2.2.1线性判别函数
2.2.2Fisher线性判别函数
2.2.3感知器算法
2.3非线性分类器
2.3.1分段线性判别函数
2.3.2近邻法
2.3.3势函数法
2.3.4SIMCA方法
2.4聚类分析
2.4.1模式相似度
2.4.2聚类准则
2.4.3层次聚类法
2.4.4动态聚类法
2.4.5决策树分类器
2.5统计模式识别在科学研究中的应用
第3章人工神经网络及模式识别
3.1人工神经网络的基本概念
3.1.1人工神经元
3.1.2传递函数
3.1.3人工神经网络分类和特点
3.2BP人工神经网络
3.2.1BP人工神经网络学习算法
3.2.2BP人工神经网络MATLAB实现
3.3径向基函数神经网络RBF
3.3.1RBF的结构与学习算法
3.3.2RBF的MATLAB实现
3.4自组织竞争人工神经网络
3.4.1自组织竞争人工神经网络的基本概念
3.4.2自组织竞争神经网络的学习算法
3.4.3自组织竞争网络的MATLAB实现
3.5对向传播神经网络CPN
3.5.1CPN的基本概念
3.5.2CPN网络的学习算法
3.6反馈型神经网络Hopfield
3.6.1Hopfield网络的基本概念
3.6.2Hopfield网络的学习算法
3.6.3Hopfield网络的MATLAB实现
3.7人工神经网络技术在科学研究中的应用
第4章模糊系统理论及模式识别
4.1模糊系统理论基础
4.1.1模糊集合
4.1.2模糊关系
4.1.3模糊变换与模糊综合评判
4.1.4If
4.1.5模糊推理
4.2模糊模式识别的基本方法
4.2.1最大隶属度原则
4.2.2择近原则
4.2.3模糊聚类分析
4.3模糊神经网络
4.3.1模糊神经网络
4.3.2模糊BP神经网络
4.4模糊逻辑系统及其在科学研究中的应用
第5章核函数方法及应用
5.1核函数方法
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判别方法
5.3.1Fisher判别方法
5.3.2基于核的Fisher判别方法分析
5.4基于核的投影寻踪方法
5.4.1投影寻踪分析
5.4.2基于核的投影寻踪分析
5.5核函数方法在科学研究中的应用
第6章支持向量机及其模式识别
6.1统计学习理论基本内容
6.2支持向量机
6.2.1最优分类面
6.2.2支持向量机模型
6.3支持向量机在模式识别中的应用
第7章可拓学及其模式识别
7.1可拓学概论
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可拓集合含义
7.2.2物元可拓集合
7.3可拓聚类预测的物元模型
7.4可拓学在科学研究中的应用
第8章粗糙集理论及其模式识别
8.1粗糙集理论基础
8.1.1分类规则的形成
8.1.2知识的约简
8.2粗糙神经网络
8.3系统评估粗糙集方法
8.3.1模型结构
8.3.2综合评估方法
8.4粗糙集聚类方法
8.5粗糙集理论在科学研究中的应用
第9章遗传算法及模式识别
9.1遗传算法的基本原理
9.2遗传算法分析
9.2.1染色体的编码
9.2.2适应度函数
9.2.3遗传算子
9.3控制参数的选择
9.4模拟退火算法
9.4.1模拟退火的基本概念
9.4.2模拟退火算法的基本过程
9.4.3模拟退火算法中的控制参数
9.5基于遗传算法的模式识别在科学研究中的应用
9.5.1遗传算法的MATLAB实现
9.5.2遗传算法在科学研究中的应用实例
第10章蚁群算法及其模式识别
10.1蚁群算法原理
10.1.1基本概念
10.1.2蚁群算法的基本模型
10.1.3蚁群算法的特点
10.2蚁群算法的改进
10.2.1自适应蚁群算法
10.2.2遗传算法与蚁群算法的融合
10.2.3蚁群神经网络
10.3聚类问题的蚁群算法
10.3.1聚类数目已知的聚类问题的蚁群算法
10.3.2聚类数目未知的聚类问题的蚁群算法
10.4蚁群算法在科学研究中的应用
第11章粒子群算法及其模式识别
11.1粒子群算法的基本原理
11.2全局模式与局部模式
11.3粒子群算法的特点
11.4基于粒子群算法的聚类分析
11.4.1算法描述
11.4.2实现步骤
11.5粒子群算法在科学研究中的应用
第12章可视化模式识别技术
12.1高维数据的图形表示方法
12.1.1轮廓图
12.1.2雷达图
12.1.3树形图
12.1.4三角多项式图
12.1.5散点图
12.1.6星座图
12.1.7脸谱图
12.2图形特征参数计算
12.3显示方法
12.3.1线性映射
12.3.2非线性映射
第13章灰色系统方法及应用
13.1灰色系统的基本概念
13.1.1灰数
13.1.2灰数白化与灰度
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累减生成算子
13.3灰色分析
13.3.1灰色关联度分析
13.3.2无量纲化的关键算子
13.3.3关联分析的主要步骤
13.3.4其他几种灰色关联度
13.4灰色聚类
13.5灰色系统建模
13.5.1GM(1,1)模型
13.5.2GM(1,1)模型检验
13.5.3残差GM(1,1)模型
13.5.4GM(1,N)模型
13.6灰色灾变预测
13.7灰色系统的应用
第14章模式识别的特征及确定
14.1基本概念
14.1.1特征的特点
14.1.2特征的类别
14.1.3特征的形成
14.1.4特征选择与提取
14.2样本特征的初步分析
14.3特征筛选处理
14.4特征提取
14.4.1特征提取的依据
14.4.2特征提取的方法
14.5基于K—L变换的特征提取
14.5.1离散K—L变换
14.5.2离散K—L变换的特征提取
14.5.3吸收类均值向量信息的特征提取
14.5.4利用总体熵吸收方差信息的特征提取
14.6因子分析
14.6.1因子分析的一般数学模型
14.6.2Q型和R型因子分析
参考文献

文摘
版权页:

模式识别与智能计算的MATLAB实现

插图:

模式识别与智能计算的MATLAB实现

(2)可拓性
物元和事元都具有可拓性,包括发散性、相关性、蕴涵性、可扩性和共轭性。可拓性是进行可拓变换的依据。
(3)可拓变换
可拓变换包括元素的变换(物元变换和事元变换)、关联函数的变换和论域的变换,它们都有4种基本变换,即增删变换、扩缩变换、置换变换和分解变换。可以进行变换的运算有积变换、“与”变换、“或”变换和逆变换及复合变换。利用可拓变换,可以将矛盾问题化为相容问题提供多条途经。
(4)可拓方程与物元方程
根据给定的两个要素F1和F2,Fi∈{Ri,Ii,ki,Ui),求未知变换Tx,使TxF1=Fz。这类含有未知变换的等式称为可拓方程,求Tx的过程称为解可拓方程,该变换称为该方程的解变换。
把含有未知物元的物元等式称为物元方程,求物元方程的过程称为解该方程,满足上述方程的物元称为该方程的解。通过解可拓方程和物元方程,使解不相容问题成为可能。
2.定量工具
(1)可拓集合
可拓集合是描述事物具有某种性质的程度和量变与质变的定量化工具,其定义如下:设U为论域,k是U到实域u的一个映射,T=(Tu,Tk,Tu)为给定的变换,称
A(T)={(u,y,y′)|u∈Tv U,y=k(U)∈I,y′=Tkk(Tuu)∈I)
为论域TUU上的可拓集合,y=k(u)为A(T)关联函数,y′=Tkk(Tuu为A(T)的可拓函数,其中Tv、Ti、Tu分别为对论域U、关联准则k、元素u的变换。
当可拓集合的元素u是物元时,就形成物元可拓集合。物元可拓集每个元素——物元都有自己的内部结构。它们是既描述事物量的方面,又体现事物质的方面,并将两者有机结合的统一体,其内部结构是可变的。由于物元内部结构的可变性、关联函数的可变性及论域的可变性,导致物元在集合中的“地位”是可变的。因此,物元可拓集合能较合理地描述自然现象和社会现象中各种事物的内部结构、彼此关系及它们的变化,从而描述解决矛盾问题的过程。
(2)关联函数
在可拓集合中,建立了关联函数的概念。通过关联函数,可以定量地描述U中任一元素u属于正域、负域或零界在一个域中的哪一个;就是同属于一个域中的元素,也可以由关联函数的大小区分出不同的层次。为了建立实数域上的关联函数,首先把实变函数中距离的概念拓广为距的概念,作为把定性扩大为定量描述的基础。

内容简介
《模式识别与智能计算的MATLAB实现》既介绍了模式识别和智能计算的基础知识,又较为详细地介绍了现代模式识别和智能计算在科学研究中的应用方法和各算法的MATLAB源程序。《模式识别与智能计算的MATLAB实现》内容基本涵盖了目前模式识别和智能计算的重要理论和方法,包括了最近十几年来刚刚发展起来的并被实践证明有用的新技术、新理论,如支持向量机、神经网络、决策树、粗糙集理论、模糊集理论和遗传算法等。

购买书籍

当当网购书 京东购书 卓越购书

PDF电子书下载地址

相关书籍

搜索更多