幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

模式識別與人工智慧(基於MATLAB第2版)

  • 作者：編者:徐宏偉//周潤景//劉偉冰//張利軍|責編:袁金敏//薛陽
  • 出版社：清華大學
  • ISBN：9787302660873
  • 出版日期：2024/06/01
  • 裝幀：平裝
  • 頁數：438
人民幣：RMB 99 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書是在《模式識別與人工智慧（基於MATLAB）》（周潤景編著）的基礎上編寫而成的，為了適應模式識別演算法的新發展、滿足各層次讀者的學習需求，在原有基礎上增加了大量新內容，包括細化各章的內容並增加三種新演算法。本書涉及統計學、模糊控制、神經網路、人工智慧等學科的思想和理論，將模式識別與人工智慧理論和實際應用相結合，針對具體案例進行演算法設計和分析，並運用MATLAB程序實現。
    全書共分為12章，內容包括模式識別概述、貝葉斯分類器設計、判別函數分類器設計、聚類分析、模糊聚類分析、神經網路聚類設計、模擬退火演算法聚類設計、遺傳演算法聚類設計、蟻群演算法聚類設計、粒子群演算法聚類設計、免疫演算法、禁忌搜索演算法，覆蓋了各種常用的模式識別技術。
    本書可作為高等學校自動化、電腦、電子信息類等專業高年級本科生和研究生的教材，也可作為各行各業學習模式識別和機器學習的工程技術人員的參考用書。
作者介紹
編者:徐宏偉//周潤景//劉偉冰//張利軍|責編:袁金敏//薛陽
目錄
第1章  模式識別概述
  1.1  模式識別的基本概念
    1.1.1  模式的描述方法
    1.1.2  模式識別系統
  1.2  模式識別的基本方法
  1.3  模式識別的應用
  習題
第2章  貝葉斯分類器設計
  2.1  貝葉斯決策及貝葉斯公式
    2.1.1  貝葉斯決策簡介
    2.1.2  貝葉斯公式
  2.2  基於最小錯誤率的貝葉斯決策
    2.2.1  基於最小錯誤率的貝葉斯決策理論
    2.2.2  最小錯誤率貝葉斯分類的計算過程
    2.2.3  最小錯誤率貝葉斯分類的MATLAB實現
    2.2.4  結論
  2.3  最小風險貝葉斯決策
    2.3.1  最小風險貝葉斯決策理論
    2.3.2  最小錯誤率與最小風險貝葉斯決策的比較
    2.3.3  貝葉斯演算法的計算過程
    2.3.4  最小風險貝葉斯分類的MATLAB實現
    2.3.5  結論
  習題
第3章  判別函數分類器設計
  3.1  判別函數簡介
  3.2  線性判別函數
  3.3  線性判別函數的實現
  3.4  基於LMSE的分類器設計
    3.4.1  LMSE分類法簡介
    3.4.2  LMSE演算法的原理
    3.4.3  LMSE演算法分類
    3.4.4  LMSE演算法步驟
    3.4.5  實現LMSE演算法的詳細過程
    3.4.6  結論
  3.5  基於Fisher的分類器設計
    3.5.1  Fisher判別法簡介
    3.5.2  Fisher判別法的基本原理
    3.5.3  Fisher分類器設計
    3.5.4  Fisher演算法實現
    3.5.5  識別待測樣本類別
    3.5.6  結論
  3.6  基於支持向量機的分類法
    3.6.1  支持向量機簡介
    3.6.2  支持向量機的基本思想
    3.6.3  線性可分支持向量機
    3.6.4  非線性可分支持向量機
    3.6.5  L1軟間隔支持向量機
    3.6.6  支持向量機的幾個主要優點
    3.6.7  多類分類問題
    3.6.8  基於SVM的數據分類

    3.6.9  結論
  習題
第4章  聚類分析
  4.1  聚類分析
    4.1.1  聚類的定義
    4.1.2  聚類準則
    4.1.3  基於試探法的聚類設計
  4.2  數據聚類——K均值聚類
    4.2.1  K均值聚類簡介
    4.2.2  K均值聚類的原理
    4.2.3  K均值演算法的主要流程
    4.2.4  K均值演算法的優缺點
    4.2.5  K均值聚類的MATLAB實現
    4.2.6  待聚類樣本的分類結果
    4.2.7  結論
  4.3  數據聚類——基於取樣思想的改進K均值聚類
    4.3.1  K均值改進演算法的思想
    4.3.2  基於取樣思想的改進K均值演算法
    4.3.3  結論
  4.4  數據聚類——K近鄰法聚類
    4.4.1  近鄰法簡介
    4.4.2  K近鄰法的概念
    4.4.3  K近鄰法的演算法研究
    4.4.4  K近鄰法數據分類器的MATLAB實現
    4.4.5  結論
  4.5  數據聚類——PAM聚類
    4.5.1  PAM演算法概述
    4.5.2  PAM演算法的主要流程
    4.5.3  PAM演算法的實現
    4.5.4  PAM演算法的特點
    4.5.5  K均值和PAM演算法分析比較
    4.5.6  結論
  4.6  數據聚類——層次聚類
    4.6.1  層次聚類方法簡介
    4.6.2  凝聚的和分裂的層次聚類
    4.6.3  聚合層次聚類演算法的原理
    4.6.4  簇間距離度量方法
    4.6.5  層次聚類方法存在的不足
    4.6.6  層次聚類的MATLAB實現
    4.6.7  結論
  4.7  數據聚類——ISODATA演算法
    4.7.1  ISODATA演算法應用背景
    4.7.2  用MATLAB實現ISODATA演算法
    4.7.3  結論
  習題
第5章  模糊聚類分析
  5.1  模糊邏輯的發展
  5.2  模糊集合
    5.2.1  由經典集合到模糊集合
    5.2.2  模糊集合的基本概念

    5.2.3  隸屬度函數
    5.2.4  模糊與概率
  5.3  模糊集合的運算
    5.3.1  模糊集合的基本運算
    5.3.2  模糊集合的基本運算規律
    5.3.3  模糊集合與經典集合的聯繫
  5.4  模糊關係與模糊關係的合成
    5.4.1  模糊關係的基本概念
    5.4.2  模糊關係的合成
    5.4.3  模糊關係的性質
    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
    5.5.2  語言控制策略
    5.5.3  模糊語言變數
    5.5.4  模糊命題與模糊條件語句
    5.5.5  判斷與推理
    5.5.6  模糊推理
  5.6  數據聚類——模糊聚類
    5.6.1  模糊聚類的應用背景
    5.6.2  基於MATLAB的GUI工具的模糊演算法構建——數據模糊化
    5.6.3  基於MATLAB的GUI工具的模糊演算法構建——FIS實現
    5.6.4  模糊聚類的結果分析
  5.7  數據聚類——模糊C均值聚類
    5.7.1  模糊C均值聚類的應用背景
    5.7.2  模糊C均值演算法
    5.7.3  模糊C均值聚類的MATLAB實現
    5.7.4  模糊C均值聚類的結果分析
  5.8  數據聚類——模糊ISODATA聚類
    5.8.1  模糊ISODATA聚類的應用背景
    5.8.2  模糊ISODATA演算法的基本原理
    5.8.3  模糊ISODATA演算法的基本步驟
    5.8.4  模糊ISODATA演算法的MATLAB程序實現
    5.8.5  結論
  5.9  模糊神經網路
    5.9.1  模糊神經網路的應用背景
    5.9.2  模糊神經網路演算法的原理
    5.9.3  模糊系統與神經網路的比較
    5.9.4  模糊神經網路分類器的MATLAB實現
    5.9.5  結論
  習題
第6章  神經網路及聚類設計
  6.1  什麼是神經網路
    6.1.1  神經網路的發展歷程
    6.1.2  生物神經系統的結構及衝動的傳遞過程
    6.1.3  人工神經網路的定義
  6.2  人工神經網路模型
    6.2.1  人工神經元的基本模型
    6.2.2  人工神經網路的基本構架
    6.2.3  人工神經網路的工作過程

    6.2.4  人工神經網路的特點
  6.3  前饋神經網路
    6.3.1  感知器網路
    6.3.2  BP網路
    6.3.3  BP網路的建立及執行
    6.3.4  BP網路應用於模式分類
    6.3.5  BP網路的其他學習演算法的應用
  6.4  反饋神經網路
    6.4.1  離散Hopfield網路的結構
    6.4.2  離散Hopfield網路的工作方式
    6.4.3  Hopfield網路的穩定性和吸引子
    6.4.4  Hopfield網路的連接權設計
    6.4.5  Hopfield網路應用於模式分類
  6.5  徑向基函數
    6.5.1  徑向基函數的網路結構及工作方式
    6.5.2  徑向基函數網路的特點及作用
    6.5.3  徑向基函數網路的參數選擇
    6.5.4  RBF網路應用於模式分類
  6.6  廣義回歸神經網路
    6.6.1  GRNN的結構
    6.6.2  GRNN的理論基礎
    6.6.3  GRNN的特點及作用
    6.6.4  GRNN用於模式分類
  6.7  小波神經網路
    6.7.1  小波神經網路的基本結構
    6.7.2  小波神經網路的訓練演算法
    6.7.3  小波神經網路的結構設計
    6.7.4  小波神經網路應用於模式分類
  6.8  卷積神經網路
    6.8.1  卷積神經網路的背景
    6.8.2  卷積神經網路的原理
    6.8.3  卷積神經網路應用於圖片分類
    6.8.4  卷積神經網路應用於顏色分類
  6.9  其他形式的神經網路
    6.9.1  競爭型人工神經網路——自組織競爭
    6.9.2  競爭型人工神經網路——自組織特徵映射（SOM）神經網路
    6.9.3  競爭型人工神經網路——學習向量量化（LVQ）神經網路
    6.9.4  概率神經網路
    6.9.5  對向傳播網路
  習題
第7章  模擬退火演算法聚類設計
  7.1  模擬退火演算法簡介
    7.1.1  物理退火過程
    7.1.2  Metropolis準則
    7.1.3  模擬退火演算法的基本原理
    7.1.4  模擬退火演算法的組成
    7.1.5  模擬退火演算法新解的產生和接受
    7.1.6  模擬退火演算法的基本過程
    7.1.7  模擬退火演算法的參數控制問題
    7.1.8  模擬退火演算法的特點

  7.2  基於模擬退火思想的聚類演算法
    7.2.1  K均值演算法的局限性
    7.2.2  基於模擬退火思想的改進K均值聚類演算法
    7.2.3  幾個重要參數的選擇
  7.3  模擬退火演算法實現
    7.3.1  實現步驟
    7.3.2  模擬退火實現模式分類的MATLAB程序
  7.4  結論
  習題
第8章  遺傳演算法聚類設計
  8.1  遺傳演算法的產生與發展
  8.2  遺傳演算法的原理
    8.2.1  遺傳演算法的基本術語
    8.2.2  遺傳演算法問題的求解過程
    8.2.3  遺傳演算法的特點
    8.2.4  遺傳演算法的基本要素
  8.3  與其他優化技術結合的遺傳演算法
  8.4  遺傳演算法的實現
    8.4.1  種群初始化
    8.4.2  適應度函數的設計
    8.4.3  選擇操作
    8.4.4  交叉操作
    8.4.5  變異操作
    8.4.6  完整程序及模擬結果
  8.5  結論
  習題
第9章  蟻群演算法聚類設計
  9.1  蟻群演算法簡介
  9.2  蟻群演算法原理
    9.2.1  基本蟻群演算法的原理
    9.2.2  蟻群演算法模型的建立
    9.2.3  蟻群演算法的特點
  9.3  基本蟻群演算法的實現
  9.4  蟻群演算法的改進
    9.4.1  MMAS演算法簡介
    9.4.2  完整程序及模擬結果
  9.5  蟻群演算法與其他仿生優化演算法的異同
  9.6  結論
  習題
第10章  粒子群演算法聚類設計
  10.1  粒子群演算法簡介
  10.2  經典粒子群演算法的運算過程
  10.3  兩種基本的進化模型
  10.4  改進的粒子群優化演算法
    10.4.1  粒子群優化演算法的原理
    10.4.2  粒子群優化演算法的優缺點
    10.4.3  粒子群優化演算法的基本流程
  10.5  粒子群演算法與其他演算法的比較
  10.6  粒子群演算法應用到模式分類
    10.6.1  設定參數

    10.6.2  初始化
    10.6.3  完整程序及模擬結果
  10.7  結論
  習題
第11章  免疫演算法
  11.1  免疫演算法的產生和發展
  11.2  免疫演算法理論
    11.2.1  免疫演算法的概念
    11.2.2  免疫演算法的特點
    11.2.3  免疫演算法運算元
  11.3  免疫演算法的流程
  11.4  免疫演算法的關鍵參數說明
  11.5  MATLAB模擬實例
  11.6  結論
  習題
第12章  禁忌搜索演算法
  12.1  禁忌搜索演算法簡介
  12.2  禁忌搜索演算法的相關理論
    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  禁忌搜索演算法的特點
    12.2.5  禁忌搜索演算法的改進方向
  12.3  禁忌搜索演算法的流程
  12.4  禁忌搜索演算法的關鍵參數
  12.5  基於禁忌搜索演算法的旅行商問題
    12.5.1  問題的提出及解決步驟
    12.5.2  模擬結果
    12.5.3  結論
  習題

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032