掃一掃
關(guān)注中圖網(wǎng)
官方微博
包郵 模式識(shí)別與人工智能(基于MATLAB)(第2版)
開(kāi)本：
其他
頁(yè)數(shù)：
452
本類(lèi)榜單：計(jì)算機(jī)/網(wǎng)絡(luò)銷(xiāo)量榜
本類(lèi)五星書(shū)更多>
-
>
全國(guó)計(jì)算機(jī)等級(jí)考試最新真考題庫(kù)模擬考場(chǎng)及詳解·二級(jí)MSOffice高級(jí)應(yīng)用
-
>
決戰(zhàn)行測(cè)5000題(言語(yǔ)理解與表達(dá))
-
>
軟件性能測(cè)試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(shū)(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥72.3
加入購(gòu)物車(chē)
模式識(shí)別與人工智能(基于MATLAB)(第2版) 版權(quán)信息
- ISBN：9787302660873
- 條形碼：9787302660873 ; 978-7-302-66087-3
- 裝幀：平裝-膠訂
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類(lèi)：>
模式識(shí)別與人工智能(基于MATLAB)(第2版) 本書(shū)特色
經(jīng)典暢銷(xiāo)書(shū)全新升級(jí)，內(nèi)容全面提升，增加蟻群算法聚類(lèi)設(shè)計(jì)、免疫算法、禁忌搜索算法等
模式識(shí)別與人工智能(基于MATLAB)(第2版) 內(nèi)容簡(jiǎn)介
隨著模式識(shí)別技術(shù)的迅猛發(fā)展，目前該技術(shù)已經(jīng)成為當(dāng)代高科技研究的重要領(lǐng)域之一，不僅取得了豐富的理論成果，而且其應(yīng)用范圍越來(lái)越廣泛，幾乎遍及各個(gè)學(xué)科領(lǐng)域.本書(shū)以實(shí)用性為宗旨，將理論與實(shí)踐相結(jié)合，介紹了各種相關(guān)分類(lèi)器設(shè)計(jì)。第1章介紹模式識(shí)別的概念、模式識(shí)別的方法及其應(yīng)用。第2章討論貝葉斯分類(lèi)器的設(shè)計(jì)。首先介紹貝葉斯決策的概念，讓讀者對(duì)貝葉斯理論有所了解，然后介紹基于*小錯(cuò)誤率和*小風(fēng)險(xiǎn)的貝葉斯分類(lèi)器的設(shè)計(jì)，將理論應(yīng)用到實(shí)踐，讓讀者真正學(xué)會(huì)運(yùn)用該算法解決實(shí)際問(wèn)題。第3章討論判別函數(shù)分類(lèi)器的設(shè)計(jì)。判別函數(shù)包括線(xiàn)性判別函數(shù)和非線(xiàn)性判別函數(shù)，本章首先介紹判別函數(shù)的相關(guān)概念，然后介紹線(xiàn)性判別函數(shù)LMSE和Fisher分類(lèi)器的設(shè)計(jì)及非線(xiàn)性判別函數(shù)SVM分類(lèi)器的設(shè)計(jì)。第4章討論聚類(lèi)分析。聚類(lèi)分析作為*基礎(chǔ)的分類(lèi)方法，涵蓋了大量經(jīng)典的聚類(lèi)算法及衍生出來(lái)的改進(jìn)算法。本章首先介紹相關(guān)理論知識(shí)，然后依次介紹K均值聚類(lèi)、K均值改進(jìn)算法、KNN聚類(lèi)、PAM聚類(lèi)、層次聚類(lèi)及ISODATA分類(lèi)器設(shè)計(jì)。第5章討論模糊聚類(lèi)分析。首先介紹模糊邏輯的發(fā)展、模糊數(shù)學(xué)理論、模糊邏輯與模糊推理等一整套模糊控制理論，然后介紹模糊分類(lèi)器、模糊C均值分類(lèi)器、模糊ISODATA分類(lèi)器設(shè)計(jì)。第6章討論模擬退火算法聚類(lèi)設(shè)計(jì)。首先介紹模擬退火算法的基本原理、基本過(guò)程，然后介紹其分類(lèi)器的設(shè)計(jì)。第7章介紹遺傳算法聚類(lèi)設(shè)計(jì)，包括遺傳算法原理及遺傳算法分類(lèi)器設(shè)計(jì)的詳細(xì)過(guò)程。第8章介紹蟻群算法聚類(lèi)設(shè)計(jì)，包括蟻群算法的基本原理、基于蟻群基本算法的分類(lèi)器設(shè)計(jì)和改進(jìn)的蟻群算法MMAS的分類(lèi)器設(shè)計(jì)。第9章介紹粒子群算法聚類(lèi)設(shè)計(jì)，包括粒子群算法的運(yùn)算過(guò)程、進(jìn)化模型、原理及其模式分類(lèi)的設(shè)計(jì)過(guò)程。第10章介紹免疫算法聚類(lèi)設(shè)計(jì)，包括免疫算法的原理、流程、特點(diǎn)、關(guān)鍵參數(shù)說(shuō)明和實(shí)現(xiàn)。第11章介紹禁忌搜索算法，包括禁忌搜索算法的理論和應(yīng)用。第12章討論神經(jīng)網(wǎng)絡(luò)聚類(lèi)設(shè)計(jì)。首先介紹神經(jīng)網(wǎng)絡(luò)的概念及其模型等理論知識(shí)，然后介紹基于BP網(wǎng)絡(luò)、Hopfield網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)、GRNN、小波神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)、自組織競(jìng)爭(zhēng)網(wǎng)絡(luò)、SOM網(wǎng)絡(luò)、LVQ網(wǎng)絡(luò)、PNN、CPN的分類(lèi)器設(shè)計(jì)。在讀者掌握基礎(chǔ)理論后,通過(guò)實(shí)例可以了解算法的實(shí)現(xiàn)思路和方法; 進(jìn)一步掌握核心代碼編寫(xiě),就可以很快掌握模式識(shí)別技術(shù)。
模式識(shí)別與人工智能(基于MATLAB)(第2版) 目錄
第1章模式識(shí)別概述
1.1模式識(shí)別的基本概念
1.1.1模式的描述方法
1.1.2模式識(shí)別系統(tǒng)
1.2模式識(shí)別的基本方法
1.3模式識(shí)別的應(yīng)用
習(xí)題
第2章貝葉斯分類(lèi)器設(shè)計(jì)
2.1貝葉斯決策及貝葉斯公式
2.1.1貝葉斯決策簡(jiǎn)介
2.1.2貝葉斯公式
2.2基于*小錯(cuò)誤率的貝葉斯決策
2.2.1基于*小錯(cuò)誤率的貝葉斯決策理論
2.2.2*小錯(cuò)誤率貝葉斯分類(lèi)的計(jì)算過(guò)程
2.2.3*小錯(cuò)誤率貝葉斯分類(lèi)的MATLAB實(shí)現(xiàn)
2.2.4結(jié)論
2.3*小風(fēng)險(xiǎn)貝葉斯決策
2.3.1*小風(fēng)險(xiǎn)貝葉斯決策理論
2.3.2*小錯(cuò)誤率與*小風(fēng)險(xiǎn)貝葉斯決策的比較
2.3.3貝葉斯算法的計(jì)算過(guò)程
2.3.4*小風(fēng)險(xiǎn)貝葉斯分類(lèi)的MATLAB實(shí)現(xiàn)
2.3.5結(jié)論
習(xí)題
第3章判別函數(shù)分類(lèi)器設(shè)計(jì)
3.1判別函數(shù)簡(jiǎn)介
3.2線(xiàn)性判別函數(shù)
3.3線(xiàn)性判別函數(shù)的實(shí)現(xiàn)
3.4基于LMSE的分類(lèi)器設(shè)計(jì)
3.4.1LMSE分類(lèi)法簡(jiǎn)介
3.4.2LMSE算法的原理
3.4.3LMSE算法分類(lèi)
3.4.4LMSE算法步驟
3.4.5實(shí)現(xiàn)LMSE算法的詳細(xì)過(guò)程
3.4.6結(jié)論
3.5基于Fisher的分類(lèi)器設(shè)計(jì)
3.5.1Fisher判別法簡(jiǎn)介
3.5.2Fisher判別法的基本原理
3.5.3Fisher分類(lèi)器設(shè)計(jì)
3.5.4Fisher算法實(shí)現(xiàn)
3.5.5識(shí)別待測(cè)樣本類(lèi)別
3.5.6結(jié)論
3.6基于支持向量機(jī)的分類(lèi)法
3.6.1支持向量機(jī)簡(jiǎn)介
3.6.2支持向量機(jī)的基本思想
3.6.3線(xiàn)性可分支持向量機(jī)
3.6.4非線(xiàn)性可分支持向量機(jī)
3.6.5L1軟間隔支持向量機(jī)
3.6.6支持向量機(jī)的幾個(gè)主要優(yōu)點(diǎn)
3.6.7多類(lèi)分類(lèi)問(wèn)題
3.6.8基于 SVM 的數(shù)據(jù)分類(lèi)
3.6.9結(jié)論
習(xí)題
第4章聚類(lèi)分析
4.1聚類(lèi)分析
4.1.1聚類(lèi)的定義
4.1.2聚類(lèi)準(zhǔn)則
4.1.3基于試探法的聚類(lèi)設(shè)計(jì)
4.2數(shù)據(jù)聚類(lèi)——K均值聚類(lèi)
4.2.1K均值聚類(lèi)簡(jiǎn)介
4.2.2K均值聚類(lèi)的原理
4.2.3K均值算法的主要流程
4.2.4K均值算法的優(yōu)缺點(diǎn)
4.2.5K均值聚類(lèi)的MATLAB實(shí)現(xiàn)
4.2.6待聚類(lèi)樣本的分類(lèi)結(jié)果
4.2.7結(jié)論
4.3數(shù)據(jù)聚類(lèi)——基于取樣思想的改進(jìn)K均值聚類(lèi)
4.3.1K均值改進(jìn)算法的思想
4.3.2基于取樣思想的改進(jìn)K均值算法
4.3.3結(jié)論
4.4數(shù)據(jù)聚類(lèi)——K近鄰法聚類(lèi)
4.4.1近鄰法簡(jiǎn)介
4.4.2K近鄰法的概念
4.4.3K近鄰法的算法研究
4.4.4K近鄰法數(shù)據(jù)分類(lèi)器的MATLAB實(shí)現(xiàn)
4.4.5結(jié)論
4.5數(shù)據(jù)聚類(lèi)——PAM聚類(lèi)
4.5.1PAM算法概述
4.5.2PAM算法的主要流程
4.5.3PAM算法的實(shí)現(xiàn)
4.5.4PAM算法的特點(diǎn)
4.5.5K均值和PAM算法分析比較
4.5.6結(jié)論
4.6數(shù)據(jù)聚類(lèi)——層次聚類(lèi)
4.6.1層次聚類(lèi)方法簡(jiǎn)介
4.6.2凝聚的和分裂的層次聚類(lèi)
4.6.3聚合層次聚類(lèi)算法的原理
4.6.4簇間距離度量方法
4.6.5層次聚類(lèi)方法存在的不足
4.6.6層次聚類(lèi)的MATLAB實(shí)現(xiàn)
4.6.7結(jié)論
4.7數(shù)據(jù)聚類(lèi)——ISODATA算法
4.7.1ISODATA算法應(yīng)用背景
4.7.2用MATLAB實(shí)現(xiàn)ISODATA算法
4.7.3結(jié)論
習(xí)題
第5章模糊聚類(lèi)分析
5.1模糊邏輯的發(fā)展
5.2模糊集合
5.2.1由經(jīng)典集合到模糊集合
5.2.2模糊集合的基本概念
5.2.3隸屬度函數(shù)
5.2.4模糊與概率
5.3模糊集合的運(yùn)算
5.3.1模糊集合的基本運(yùn)算
5.3.2模糊集合的基本運(yùn)算規(guī)律
5.3.3模糊集合與經(jīng)典集合的聯(lián)系
5.4模糊關(guān)系與模糊關(guān)系的合成
5.4.1模糊關(guān)系的基本概念
5.4.2模糊關(guān)系的合成
5.4.3模糊關(guān)系的性質(zhì)
5.4.4模糊變換
5.5模糊邏輯及模糊推理
5.5.1模糊邏輯技術(shù)
5.5.2語(yǔ)言控制策略
5.5.3模糊語(yǔ)言變量
5.5.4模糊命題與模糊條件語(yǔ)句
5.5.5判斷與推理
5.5.6模糊推理
5.6數(shù)據(jù)聚類(lèi)——模糊聚類(lèi)
5.6.1模糊聚類(lèi)的應(yīng)用背景
5.6.2基于 MATLAB的GUI工具的模糊算法構(gòu)建——數(shù)據(jù)模糊化
5.6.3基于MATLAB的GUI工具的模糊算法構(gòu)建——FIS實(shí)現(xiàn)
5.6.4模糊聚類(lèi)的結(jié)果分析
5.7數(shù)據(jù)聚類(lèi)——模糊C均值聚類(lèi)
5.7.1模糊C均值聚類(lèi)的應(yīng)用背景
5.7.2模糊C均值算法
5.7.3模糊C均值聚類(lèi)的MATLAB實(shí)現(xiàn)
5.7.4模糊C均值聚類(lèi)的結(jié)果分析
5.8數(shù)據(jù)聚類(lèi)——模糊ISODATA聚類(lèi)
5.8.1模糊ISODATA聚類(lèi)的應(yīng)用背景
5.8.2模糊ISODATA算法的基本原理
5.8.3模糊ISODATA算法的基本步驟
5.8.4模糊ISODATA算法的MATLAB程序?qū)崿F(xiàn)
5.8.5結(jié)論
5.9模糊神經(jīng)網(wǎng)絡(luò)
5.9.1模糊神經(jīng)網(wǎng)絡(luò)的應(yīng)用背景
5.9.2模糊神經(jīng)網(wǎng)絡(luò)算法的原理
5.9.3模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的比較
5.9.4模糊神經(jīng)網(wǎng)絡(luò)分類(lèi)器的MATLAB實(shí)現(xiàn)
5.9.5結(jié)論
習(xí)題
第6章神經(jīng)網(wǎng)絡(luò)及聚類(lèi)設(shè)計(jì)
6.1什么是神經(jīng)網(wǎng)絡(luò)
6.1.1神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程
6.1.2生物神經(jīng)系統(tǒng)的結(jié)構(gòu)及沖動(dòng)的傳遞過(guò)程
6.1.3人工神經(jīng)網(wǎng)絡(luò)的定義
6.2人工神經(jīng)網(wǎng)絡(luò)模型
6.2.1人工神經(jīng)元的基本模型
6.2.2人工神經(jīng)網(wǎng)絡(luò)的基本構(gòu)架
6.2.3人工神經(jīng)網(wǎng)絡(luò)的工作過(guò)程
6.2.4人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)
6.3前饋神經(jīng)網(wǎng)絡(luò)
6.3.1感知器網(wǎng)絡(luò)
6.3.2BP網(wǎng)絡(luò)
6.3.3BP網(wǎng)絡(luò)的建立及執(zhí)行
6.3.4BP網(wǎng)絡(luò)應(yīng)用于模式分類(lèi)
6.3.5BP網(wǎng)絡(luò)的其他學(xué)習(xí)算法的應(yīng)用
6.4反饋神經(jīng)網(wǎng)絡(luò)
6.4.1離散Hopfield網(wǎng)絡(luò)的結(jié)構(gòu)
6.4.2離散Hopfield網(wǎng)絡(luò)的工作方式
6.4.3Hopfield網(wǎng)絡(luò)的穩(wěn)定性和吸引子
6.4.4Hopfield網(wǎng)絡(luò)的連接權(quán)設(shè)計(jì)
6.4.5Hopfield網(wǎng)絡(luò)應(yīng)用于模式分類(lèi)
6.5徑向基函數(shù)
6.5.1徑向基函數(shù)的網(wǎng)絡(luò)結(jié)構(gòu)及工作方式
6.5.2徑向基函數(shù)網(wǎng)絡(luò)的特點(diǎn)及作用
6.5.3徑向基函數(shù)網(wǎng)絡(luò)的參數(shù)選擇
6.5.4RBF網(wǎng)絡(luò)應(yīng)用于模式分類(lèi)
6.6廣義回歸神經(jīng)網(wǎng)絡(luò)
6.6.1GRNN的結(jié)構(gòu)
6.6.2GRNN的理論基礎(chǔ)
6.6.3GRNN的特點(diǎn)及作用
6.6.4GRNN用于模式分類(lèi)
6.7小波神經(jīng)網(wǎng)絡(luò)
6.7.1小波神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)
6.7.2小波神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法
6.7.3小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)
6.7.4小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于模式分類(lèi)
6.8卷積神經(jīng)網(wǎng)絡(luò)
6.8.1卷積神經(jīng)網(wǎng)絡(luò)的背景
6.8.2卷積神經(jīng)網(wǎng)絡(luò)的原理
6.8.3卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖片分類(lèi)
6.8.4卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于顏色分類(lèi)
6.9其他形式的神經(jīng)網(wǎng)絡(luò)
6.9.1競(jìng)爭(zhēng)型人工神經(jīng)網(wǎng)絡(luò)——自組織競(jìng)爭(zhēng)
6.9.2競(jìng)爭(zhēng)型人工神經(jīng)網(wǎng)絡(luò)——自組織特征映射(SOM)神經(jīng)網(wǎng)絡(luò)
6.9.3競(jìng)爭(zhēng)型人工神經(jīng)網(wǎng)絡(luò)——學(xué)習(xí)向量量化(LVQ)神經(jīng)網(wǎng)絡(luò)
6.9.4概率神經(jīng)網(wǎng)絡(luò)
6.9.5對(duì)向傳播網(wǎng)絡(luò)
習(xí)題
第7章模擬退火算法聚類(lèi)設(shè)計(jì)
7.1模擬退火算法簡(jiǎn)介
7.1.1物理退火過(guò)程
7.1.2Metropolis準(zhǔn)則
7.1.3模擬退火算法的基本原理
7.1.4模擬退火算法的組成
7.1.5模擬退火算法新解的產(chǎn)生和接受
7.1.6模擬退火算法的基本過(guò)程
7.1.7模擬退火算法的參數(shù)控制問(wèn)題
7.1.8模擬退火算法的特點(diǎn)
7.2基于模擬退火思想的聚類(lèi)算法
7.2.1K均值算法的局限性
7.2.2基于模擬退火思想的改進(jìn)K均值聚類(lèi)算法
7.2.3幾個(gè)重要參數(shù)的選擇
7.3模擬退火算法實(shí)現(xiàn)
7.3.1實(shí)現(xiàn)步驟
7.3.2模擬退火實(shí)現(xiàn)模式分類(lèi)的MATLAB程序
7.4結(jié)論
習(xí)題
第8章遺傳算法聚類(lèi)設(shè)計(jì)
8.1遺傳算法的產(chǎn)生與發(fā)展
8.2遺傳算法的原理
8.2.1遺傳算法的基本術(shù)語(yǔ)
8.2.2遺傳算法問(wèn)題的求解過(guò)程
8.2.3遺傳算法的特點(diǎn)
8.2.4遺傳算法的基本要素
8.3與其他優(yōu)化技術(shù)結(jié)合的遺傳算法
8.4遺傳算法的實(shí)現(xiàn)
8.4.1種群初始化
8.4.2適應(yīng)度函數(shù)的設(shè)計(jì)
8.4.3選擇操作
8.4.4交叉操作
8.4.5變異操作
8.4.6完整程序及仿真結(jié)果
8.5結(jié)論
習(xí)題
第9章蟻群算法聚類(lèi)設(shè)計(jì)
9.1蟻群算法簡(jiǎn)介
9.2蟻群算法原理
9.2.1基本蟻群算法的原理
9.2.2蟻群算法模型的建立
9.2.3蟻群算法的特點(diǎn)
9.3基本蟻群算法的實(shí)現(xiàn)
9.4蟻群算法的改進(jìn)
9.4.1MMAS算法簡(jiǎn)介
9.4.2完整程序及仿真結(jié)果
9.5蟻群算法與其他仿生優(yōu)化算法的異同
9.6結(jié)論
習(xí)題
第10章粒子群算法聚類(lèi)設(shè)計(jì)
10.1粒子群算法簡(jiǎn)介
10.2經(jīng)典粒子群算法的運(yùn)算過(guò)程
10.3兩種基本的進(jìn)化模型
10.4改進(jìn)的粒子群優(yōu)化算法
10.4.1粒子群優(yōu)化算法的原理
10.4.2粒子群優(yōu)化算法的優(yōu)缺點(diǎn)
10.4.3粒子群優(yōu)化算法的基本流程
10.5粒子群算法與其他算法的比較
10.6粒子群算法應(yīng)用到模式分類(lèi)
10.6.1設(shè)定參數(shù)
10.6.2初始化
10.6.3完整程序及仿真結(jié)果
10.7結(jié)論
習(xí)題
第11章免疫算法
11.1免疫算法的產(chǎn)生和發(fā)展
11.2免疫算法理論
11.2.1免疫算法的概念
11.2.2免疫算法的特點(diǎn)
11.2.3免疫算法算子
11.3免疫算法的流程
11.4免疫算法的關(guān)鍵參數(shù)說(shuō)明
11.5MATLAB仿真實(shí)例
11.6結(jié)論
習(xí)題
第12章禁忌搜索算法
12.1禁忌搜索算法簡(jiǎn)介
12.2禁忌搜索算法的相關(guān)理論
12.2.1局部鄰域搜索
12.2.2禁忌搜索與局部鄰域搜索
12.2.3禁忌搜索
12.2.4禁忌搜索算法的特點(diǎn)
12.2.5禁忌搜索算法的改進(jìn)方向
12.3禁忌搜索算法的流程
12.4禁忌搜索算法的關(guān)鍵參數(shù)
12.5基于禁忌搜索算法的旅行商問(wèn)題
12.5.1問(wèn)題的提出及解決步驟
12.5.2仿真結(jié)果
12.5.3結(jié)論
習(xí)題
展開(kāi)全部
書(shū)友推薦
- >
煙與鏡
- >
羅曼·羅蘭讀書(shū)隨筆-精裝
- >
朝聞道
- >
名家?guī)阕x魯迅:故事新編
- >
人文閱讀與收藏·良友文學(xué)叢書(shū):一天的工作
- >
中國(guó)歷史的瞬間
- >
姑媽的寶刀
- >
山海經(jīng)
本類(lèi)暢銷(xiāo)
