书名：模式识别与智能计算—MATLAB技术实现（第4版）
定价：78.0
ISBN：9787121358661
作者：杨淑莹
版次：第1版
出版时间：2019-11

内容提要：

    本书广泛吸取统计学、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。 本书内容新颖，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。

作者简介：
杨淑莹 博士学位，天津理工大学计算机科学与工程学院教授，硕士研究生导师，天津市“教学名师”，中国图像图形学学会第五届理事会学术委员会委员。多年来在图像、语音、时间序列等方面进行模式识别相关工作的深入研究，涉及模式识别，数字图像处理、信号与信息处理、智能计算等领域。承担并完成***、市级自然科学基金项目多项，获得天津市科学技术进步奖2项，发表论文50多篇；撰写专著6部。现任***精品课、***精品资源共享课负责人；主编教材获得***“十一五”规划教材和***“十二五”规划教材；获得市级教学成果奖3项。

目录：
目录
第1章模式识别概述
11模式识别的基本概念
12统计模式识别
121统计模式识别研究的主要问题
122统计模式识别方法简介
13分类分析
131分类器设计
132分类器的选择
133训练与学习
14聚类分析
141聚类的设计
142基于试探法的聚类设计
143基于群体智能优化算法的聚类设计
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马氏距离分类
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*小错误率的贝叶斯决策
43基于*小风险的贝叶斯决策
44贝叶斯决策比较
45基于*小错误率的贝叶斯分类实现
46基于*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5Fisher分类
56基于核的Fisher分类
57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*临近规则的试探法
922*大*小距离算法
93层次聚类算法
931*短距离法
932重心法
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章遗传算法聚类分析
111遗传算法的基本原理
11２遗传算法的构成要素
1121染色体的编码
1122适应度函数
1123遗传算子
113控制参数的选择
11４基于遗传算法的聚类分析
本章小结
习题11
第12章粒子群算法聚类分析
121粒子群算法的基本原理
122基于粒子群算法的聚类分析
本章小结
习题12
第13章Memetic算法仿生计算
131Memetic算法
132Memetic算法仿生计算在聚类分析中的应用
本章小结
习题13
参考文献