模式识别与智能计算的 MATLAB实现（第2版）

图书标准信息

• 作者 许国根、贾瑛、韩启龙 著
• 出版社 北京航空航天大学出版社
• 出版时间 2017-07
• 版次 2
• ISBN 9787512424005
• 定价 49.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 371页

【内容简介】

　　模式识别与智能计算的MATLAB实现（第2版）

 

　　针对各学科数据信息的特点以及科学工作者对信息处理和数据挖掘技术的要求,本书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。

 

　　本书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,具有较高的理论和实用价值。本书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。

 

【作者简介】

   许国根，毕业于南京大学分析化学专业，长期奋斗在一线的高校资深化学教师。为了实现“数学化学”梦想， 一直致力于数学在化学中的应用，热衷于MATLAB、模式识别、数据挖掘、化学计量学等相关知识的学习与应用，撰写过多部介绍MATLAB在化学中应用技巧的书籍。

 

【目录】

第1章 绪 论…………………………………………………………………………………… 1

 

1.1 模式识别的基本概念…………………………………………………………………… 1

 

1.1.1 模式与模式识别的概念…………………………………………………………… 1

 

1.1.2 模式的特征………………………………………………………………………… 1

 

1.1.3 模式识别系统……………………………………………………………………… 2

 

1.2 模式识别的主要方法…………………………………………………………………… 2

 

1.3 模式识别的主要研究内容……………………………………………………………… 3

 

1.4 模式识别在科学研究中的应用………………………………………………………… 3

 

1.4.1 化合物的构效分析………………………………………………………………… 3

 

1.4.2 谱图解析…………………………………………………………………………… 4

 

1.4.3 材料研究…………………………………………………………………………… 4

 

1.4.4 催化剂研究………………………………………………………………………… 5

 

1.4.5 机械故障诊断与监测……………………………………………………………… 5

 

1.4.6 化学物质源产地判断……………………………………………………………… 6

 

1.4.7 疾病的诊断与预测………………………………………………………………… 6

 

1.4.8 矿藏勘探…………………………………………………………………………… 7

 

1.4.9 考古及食品工业中的应用………………………………………………………… 7

 

第2章 统计模式识别技术………………………………………………………………… 8

 

2.1 基于概率统计的贝叶斯分类方法…………………………………………………… 8

 

2.1.1 最小错误率贝叶斯分类…………………………………………………………… 9

 

2.1.2 最小风险率贝叶斯分类…………………………………………………………… 10

 

2.2 线性分类器………………………………………………………………………………12

 

2.2.1 线性判别函数……………………………………………………………………… 12

 

2.2.2 Fisher线性判别函数……………………………………………………………… 13

 

2.2.3 感知器算法………………………………………………………………………… 14

 

2.3 非线性分类器…………………………………………………………………………315

 

2.3.1 分段线性判别函数………………………………………………………………… 15

 

2.3.2 近邻法……………………………………………………………………………… 17

 

2.3.3 势函数法…………………………………………………………………………… 19

 

2.3.4 SIMCA 方法……………………………………………………………………… 20

 

2.4 聚类分析………………………………………………………………………………22

 

2.4.1 模式相似度………………………………………………………………………… 22

 

2.4.2 聚类准则…………………………………………………………………………… 24

 

2.4.3 层次聚类法………………………………………………………………………… 25

 

2.4.4 动态聚类法………………………………………………………………………… 25

 

2.4.5 决策树分类器……………………………………………………………………… 28

 

2.5 统计模式识别在科学研究中的应用…………………………………………………29

 

第3章 人工神经网络及模式识别…………………………………………………………43

 

3.1 人工神经网络的基本概念………………………………………………………… 43

 

3.1.1 人工神经元………………………………………………………………………… 43

 

3.1.2 传递函数…………………………………………………………………………… 43

 

3.1.3 人工神经网络分类和特点………………………………………………………… 44

 

3.2 BP人工神经网络……………………………………………………………………… 44

 

3.2.1 BP人工神经网络学习算法……………………………………………………… 44

 

3.2.2 BP人工神经网络MATLAB实现……………………………………………… 46

 

3.3 径向基函数神经网络RBF …………………………………………………………… 47

 

3.3.1 RBF的结构与学习算法…………………………………………………………… 47

 

3.3.2 RBF的MATLAB实现…………………………………………………………… 48

 

3.4 自组织竞争人工神经网络……………………………………………………………48

 

3.4.1 自组织竞争人工神经网络的基本概念…………………………………………… 48

 

3.4.2 自组织竞争神经网络的学习算法………………………………………………… 49

 

3.4.3 自组织竞争网络的MATLAB实现……………………………………………… 49

 

3.5 对向传播神经网络CPN ……………………………………………………………… 50

 

3.5.1 CPN 的基本概念………………………………………………………………… 50

 

3.5.2 CPN 网络的学习算法…………………………………………………………… 50

 

3.6 反馈型神经网络Hopfield ……………………………………………………………51

 

3.6.1 Hopfield网络的基本概念………………………………………………………… 51

 

3.6.2 Hopfield网络的学习算法………………………………………………………… 52

 

3.6.3 Hopfield网络的MATLAB实现………………………………………………… 53

 

3.7 人工神经网络技术在科学研究中的应用………………………………………………53

 

第4章 模糊系统理论及模式识别……………………………………………………………72

 

4.1 模糊系统理论基础………………………………………………………………………72

 

4.1.1 模糊集合…………………………………………………………………………… 72

 

4.1.2 模糊关系…………………………………………………………………………… 75

 

4.1.3 模糊变换与模糊综合评判………………………………………………………… 77

 

4.1.4 If…then规则……………………………………………………………………… 78

 

4.1.5 模糊推理…………………………………………………………………………… 78

 

4.2 模糊模式识别的基本方法………………………………………………………………79

 

4.2.1 最大隶属度原则…………………………………………………………………… 79

 

4.2.2 择近原则…………………………………………………………………………… 79

 

4.2.3 模糊聚类分析……………………………………………………………………… 81

 

4.3 模糊神经网络……………………………………………………………………………85

 

4.3.1 模糊神经网络……………………………………………………………………… 85

 

4.3.2 模糊BP神经网络………………………………………………………………… 86

 

4.4 模糊逻辑系统及其在科学研究中的应用……………………………………………… 86

 

第5章 核函数方法及应用…………………………………………………………………… 107

 

5.1 核函数方法…………………………………………………………………………… 107

 

5.2 基于核的主成分分析方法…………………………………………………………… 108

 

5.2.1 主成分分析……………………………………………………………………… 108

 

5.2.2 基于核的主成分分析…………………………………………………………… 110

 

5.3 基于核的Fisher判别方法…………………………………………………………… 112

 

5.3.1 Fisher判别方法………………………………………………………………… 112

 

5.3.2 基于核的Fisher判别方法分析………………………………………………… 113

 

5.4 基于核的投影寻踪方法……………………………………………………………… 114

 

5.4.1 投影寻踪分析…………………………………………………………………… 114

 

5.4.2 基于核的投影寻踪分析………………………………………………………… 118

 

5.5 核函数方法在科学研究中的应用…………………………………………………… 119

 

第6章 支持向量机及其模式识别…………………………………………………………… 130

 

6.1 统计学习理论基本内容……………………………………………………………… 130

 

6.2 支持向量机…………………………………………………………………………… 131

 

6.2.1 最优分类面……………………………………………………………………… 131

 

6.2.2 支持向量机模型………………………………………………………………… 132

 

6.3 支持向量机在模式识别中的应用…………………………………………………… 134

 

第7章 可拓学及其模式识别………………………………………………………………… 142

 

7.1 可拓学概论…………………………………………………………………………… 142

 

7.1.1 可拓工程基本思想……………………………………………………………… 142

 

7.1.2 可拓工程使用的基本工具……………………………………………………… 143

 

7.2 可拓集合……………………………………………………………………………… 145

 

7.2.1 可拓集合含义…………………………………………………………………… 145

 

7.2.2 物元可拓集合…………………………………………………………………… 146

 

7.3 可拓聚类预测的物元模型…………………………………………………………… '3146

 

7.4 可拓学在科学研究中的应用………………………………………………………… 147

 

第8章 粗糙集理论及其模式识别…………………………………………………………… 154

 

8.1 粗糙集理论基础……………………………………………………………………… 154

 

8.1.1 分类规则的形成………………………………………………………………… 156

 

8.1.2 知识的约简……………………………………………………………………… 157

 

8.2 粗糙神经网络………………………………………………………………………… 158

 

8.3 系统评估粗糙集方法………………………………………………………………… 158

 

8.3.1 模型结构………………………………………………………………………… 159

 

8.3.2 综合评估方法…………………………………………………………………… 159

 

8.4 粗糙集聚类方法……………………………………………………………………… 160

 

8.5 粗糙集理论在科学研究中的应用…………………………………………………… 161

 

第9章 遗传算法及其模式识别……………………………………………………………… 170

 

9.1 遗传算法的基本原理………………………………………………………………… 170

 

9.2 遗传算法分析………………………………………………………………………… 173

 

9.2.1 染色体的编码…………………………………………………………………… 173

 

9.2.2 适应度函数……………………………………………………………………… 174

 

9.2.3 遗传算子………………………………………………………………………… 175

 

9.3 控制参数的选择……………………………………………………………………… 177

 

9.4 模拟退火算法………………………………………………………………………… 178

 

9.4.1 模拟退火的基本概念…………………………………………………………… 178

 

9.4.2 模拟退火算法的基本过程……………………………………………………… 179

 

9.4.3 模拟退火算法中的控制参数…………………………………………………… 180

 

9.5 基于遗传算法的模式识别在科学研究中的应用…………………………………… 180

 

9.5.1 遗传算法的MATLAB实现…………………………………………………… 180

 

9.5.2 遗传算法在科学研究中的应用实例…………………………………………… 185

 

第10章 蚁群算法及其模式识别…………………………………………………………… 201

 

10.1 蚁群算法原理………………………………………………………………………… 201

 

10.1.1 基本概念………………………………………………………………………… 201

 

10.1.2 蚁群算法的基本模型…………………………………………………………… 202

 

10.1.3 蚁群算法的特点………………………………………………………………… 203

 

10.2 蚁群算法的改进……………………………………………………………………… 203

 

10.2.1 自适应蚁群算法………………………………………………………………… 203

 

10.2.2 遗传算法与蚁群算法的融合…………………………………………………… 204

 

10.2.3 蚁群神经网络…………………………………………………………………… 204

 

10.3 聚类问题的蚁群算法………………………………………………………………… 205

 

10.3.1 聚类数目已知的聚类问题的蚁群算法………………………………………… 205

 

10.3.2 聚类数目未知的聚类问题的蚁群算法………………………………………… 206

 

10.4 蚁群算法在科学研究中的应用……………………………………………………… 207

 

第11章 粒子群算法及其模式识别………………………………………………………… 217

 

11.1 粒子群算法的基本原理……………………………………………………………… 217

 

11.2 全局模式与局部模式………………………………………………………………… 218

 

11.3 粒子群算法的特点…………………………………………………………………… 218

 

11.4 基于粒子群算法的聚类分析………………………………………………………… 219

 

11.4.1 算法描述………………………………………………………………………… 219

 

11.4.2 实现步骤………………………………………………………………………… 220

 

11.5 粒子群算法在科学研究中的应用…………………………………………………… 221

 

第12章 可视化模式识别技术……………………………………………………………… 229

 

12.1 高维数据的图形表示方法…………………………………………………………… 229

 

12.1.1 轮廓图…………………………………………………………………………… 229

 

12.1.2 雷达图…………………………………………………………………………… 230

 

12.1.3 树形图…………………………………………………………………………… 230

 

12.1.4 三角多项式图…………………………………………………………………… 231

 

12.1.5 散点图…………………………………………………………………………… 231

 

12.1.6 星座图…………………………………………………………………………… 232

 

12.1.7 脸谱图…………………………………………………………………………… 233

 

12.2 图形特征参数计算…………………………………………………………………… 235

 

12.3 显示方法……………………………………………………………………………… 237

 

12.3.1 线性映射………………………………………………………………………… 237

 

12.3.2 非线性映射……………………………………………………………………… 237

 

第13章 灰色系统方法及应用……………………………………………………………… 241

 

13.1 灰色系统的基本概念………………………………………………………………… 241

 

13.1.1 灰 数…………………………………………………………………………… 241

 

13.1.2 灰数白化与灰度………………………………………………………………… 242

 

13.2 灰色序列生成算子…………………………………………………………………… 242

 

13.2.1 均值生成算子…………………………………………………………………… 242

 

13.2.2 累加生成算子…………………………………………………………………… 243

 

13.2.3 累减生成算子…………………………………………………………………… 243

 

13.3 灰色分析……………………………………………………………………………… 244

 

13.3.1 灰色关联度分析………………………………………………………………… 244

 

13.3.2 无量纲化的关键算子…………………………………………………………… 244

 

13.3.3 关联分析的主要步骤…………………………………………………………… 245

 

13.3.4 其他几种灰色关联度…………………………………………………………… 246

 

13.4 灰色聚类……………………………………………………………………………… 247

 

13.5 灰色系统建模………………………………………………………………………… 247

 

13.5.1 GM(1,1)模型…………………………………………………………………… 247

 

13.5.2 GM(1,1)模型检验……………………………………………………………… 248

 

13.5.3 残差GM(1,1)模型…………………………………………………………… 250

 

13.5.4 GM(1,N )模型………………………………………………………………… 250

 

13.6 灰色灾变预测………………………………………………………………………… 251

 

13.7 灰色系统的应用……………………………………………………………………… 252

 

第14章 人工鱼群等群体智能算法………………………………………………………… 258

 

第15章 仿生模式识别……………………………………………………………………… 328

 

第16章 模式识别的特征及确定…………………………………………………………… 348