内容介绍：
　　《模式识别与智能计算——matlab技术实现（第2版）》广泛吸取统计学、神经网络、数据挖掘、机器学习、人工智能、群智能计算等学科的先进思想和理论，将其应用到模式识别领域中；以一种新的体系，系统、全面地介绍模式识别的理论、方法及应用。全书共分为14章，内容包括：模式识别概述，特征的选择与优化，模式相似性测度，基于概率统计的贝叶斯分类器设计，判别函数分类器设计，神经网络分类器设计（bp神经网络、径向基函数神经网络、自组织竞争神经网络、概率神经网络、对向传播神经网络、反馈型神经网络），决策树分类器设计，粗糙集分类器设计，聚类分析，模糊聚类分析，禁忌搜索算法聚类分析，遗传算法聚类分析,蚁群算法聚类分析,粒子群算法聚类分析。
　　 《模式识别与智能计算——matlab技术实现（第2版）》内容新颖，实用性强，理论与实际应用密切结合，以手写数字识别为应用实例，介绍理论运用于实践的实现步骤及相应的matlab代码，为广大研究工作者和工程技术人员对相关理论的应用提供借鉴。
　　 《模式识别与智能计算——matlab技术实现（第2版）》可作为高等院校计算机工程、信息工程、生物医学工程、智能机器人学、工业自动化、模式识别等学科研究生、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。

  

目录:


第1章模式识别概述
1.1模式识别的基本概念
1.2特征空间优化设计问题
1.3分类器设计
1.3.1分类器设计基本方法
1.3.2判别函数
1.3.3分类器的选择
1.3.4训练与学习
1.4聚类设计
1.5模式识别的应用
本章小结
习题1
第2章特征的选择与优化
2.1特征空间优化设计问题
2.2样本特征库初步分析
2.3样品筛选处理
2.4特征筛选处理
2.5特征评估
2.6基于主成分分析的特征提取
.2.7特征空间描述与分析
2.7.1特征空间描述
2.7.2特征空间分布分析
2.8手写数字特征提取与分析
2.8.1手写数字特征提取
2.8.2手写数字特征空间分布分析
本章小结
习题2
第3章模式相似性测度
3.1模式相似性测度的基本概念
3.2距离测度分类法
3.2.1模板匹配法
3.2.2基于pca的模板匹配法
3.2.3基于类中心的欧式距离法分类
3.2.4马氏距离分类
3.2.5夹角余弦距离分类
3.2.6二值化的夹角余弦距离法分类
3.2.7二值化的tanimoto测度分类
本章小结
习题3
第4章基于概率统计的贝叶斯分类器设计
4.1贝叶斯决策的基本概念
4.1.1贝叶斯决策所讨论的问题
4.1.2贝叶斯公式
4.2基于最小错误率的贝叶斯决策
4.3基于最小风险的贝叶斯决策
4.4贝叶斯决策比较
4.5基于二值数据的贝叶斯分类实现
4.6基于最小错误率的贝叶斯分类实现
4.7基于最小风险的贝叶斯分类实现
本章小结
习题4
第5章判别函数分类器设计
5.1判别函数的基本概念
5.2线性判别函数
5.3线性判别函数的实现
5.4感知器算法
5.5增量校正算法
5.6lmse验证可分性
5.7lmse分类算法
5.8fisher分类
5.9基于核的fisher分类
5.10线性分类器实现分类的局限
5.11非线性判别函数
5.12分段线性判别函数
5.13势函数法
5.14支持向量机
本章小结
习题5
第6章神经网络分类器设计
6.1人工神经网络的基本原理
6.1.1人工神经元
6.1.2人工神经网络模型
6.1.3神经网络的学习过程
6.1.4人工神经网络在模式识别问题上的优势
6.2bp神经网络
6.2.1bp神经网络的基本概念
6.2.2bp神经网络分类器设计
6.3径向基函数神经网络(rbf)
6.3.1径向基函数神经网络的基本概念
6.3.2径向基函数神经网络分类器设计
6.4自组织竞争神经网络
6.4.1自组织竞争神经网络的基本概念
6.4.2自组织竞争神经网络分类器设计
6.5概率神经网络(pnn)
6.5.1概率神经网络的基本概念
6.5.2概率神经网络分类器设计
6.6对向传播神经网络(cpn)
6.6.1对向传播神经网络的基本概念
6.6.2对向传播神经网络分类器设计
6.7反馈型神经网络(hopfield)
6.7.1hopfield网络的基本概念
6.7.2hopfield神经网络分类器设计
本章小结
习题6
第7章决策树分类器设计
7.1决策树的基本概念
7.2决策树分类器设计
本章小结
习题7
第8章粗糙集分类器设计
8.1粗糙集理论的基本概念
8.2粗糙集在模式识别中的应用
8.3粗糙集分类器设计
本章小结
习题8
第9章聚类分析
9.1聚类的设计
9.2基于试探的未知类别聚类算法
9.2.1最临近规则的试探法
9.2.2最大最小距离算法
9.3层次聚类算法
9.3.1最短距离法
9.3.2最长距离法
9.3.3中间距离法
9.3.4重心法
9.3.5类平均距离法
9.4动态聚类算法
9.4.1k均值算法
9.4.2迭代自组织的数据分析算法(isodata)
9.5模拟退火聚类算法
9.5.1模拟退火的基本概念
9.5.2基于模拟退火思想的改进k均值聚类算法
本章小结
习题9
第10章模糊聚类分析
10.1模糊集的基本概念
10.2模糊集运算
10.2.1模糊子集运算
10.2.2模糊集运算性质
10.3模糊关系
10.4模糊集在模式识别中的应用
10.5基于模糊的聚类分析
本章小结
习题10
第11章禁忌搜索算法聚类分析
11.1禁忌搜索算法的基本原理
11.2禁忌搜索的关键参数和相关操作
11.3基于禁忌搜索算法的聚类分析
本章小结
习题11
第12章遗传算法聚类分析
12.1遗传算法的基本原理
12.2遗传算法的构成要素
12.2.1染色体的编码
12.2.2适应度函数
12.2.3遗传算子
12.3控制参数的选择
12.４基于遗传算法的聚类分析
本章小结
习题12
第13章蚁群算法聚类分析
13.1蚁群算法的基本原理
13.2聚类数目已知的蚁群聚类算法
13.3聚类数目未知的蚁群聚类算法
本章小结
习题13
第14章粒子群算法聚类分析
14.1粒子群算法的基本原理
14.2基于粒子群算法的聚类分析
本章小结
习题14
参考文献