普通高等教育人工智能与大数据系列教材模式识别/吴陈

本书特色

[

本书主要介绍了模式识别的相关内容，涉及模式识别的基本概念、聚类分析、线性判别函数、贝叶斯分类器、特征选择和提取、非参数模式识别方法、神经网络模式识别方法、模糊模式识别方法、句法模式识别方法，以及新型模式识别方法，如决策树方法、支持向量机方法、粗糙集方法等一些基本方法，并介绍了基于遗传算法、模拟退火算法和禁忌搜索算法进行特征选择的基本思想。书中算法采用MATLAB语言描述，便于读者编程实验。
本书可读性和实用性强，内容丰富，层次清晰，讲解深入浅出，可作为计算机类专业及相关专业本、专科生以及研究生模式识别课程的教材，也可供从事计算机软件开发和应用的工程技术人员阅读和参考。

]

内容简介

[

本书主要介绍了模式识别的相关内容，涉及模式识别的基本概念、聚类分析、线性判别函数、贝叶斯分类器、特征选择和提取、非参数模式识别方法、神经网络模式识别方法、模糊模式识别方法、句法模式识别方法，以及新型模式识别方法，如决策树方法、支持向量机方法、粗糙集方法等一些基本方法，并介绍了基于遗传算法、模拟退火算法和忌搜索算法进行特征选择的基本思想。书中算法采用MATLAB语言描述，便于读者编程实验。 本书可读性和实用性强，内容丰富，层次清晰，讲解深入浅出，可作为计算机类专业及相关专业本、专科生以及研究生模式识别课程的教材，也可供从事计算机软件开发和应用的工程技术人员阅读和参考。

]

目录

目录前言第1章绪论1.1模式识别的基本概念1.2模式识别的内容、特点和方法1.3模式识别的应用和发展习题1第2章聚类分析2.1引言2.2相似性度量和聚类准则2.3基于距离阈值的聚类算法2.4层次聚类法2.5动态聚类法2.6聚类结果的评价习题2第3章判别函数法3.1概述3.2线性判别函数3.3线性判别函数的几何性质3.4感知器算法3.5梯度法3.6*小平方误差算法3.7费歇尔线性判别法3.8非线性判别函数3.9势函数法3.10分类器应用实例及代码习题3第4章基于统计决策的概率分类4.1贝叶斯决策4.2贝叶斯决策方法的应用4.3贝叶斯分类器的错误率4.4聂曼皮尔逊决策4.5类条件概率密度函数的参数估计4.6概率密度的非参数估计4.7后验概率密度函数的势函数估计法习题4第5章特征选择与特征提取5.1基本概念5.2类别可分性测度5.3基于类内散布矩阵的单类模式特征提取5.4基于KL变换的多类模式特征提取5.5特征选择5.6特征选择的几种全局搜索方法习题5第6章句法模式识别6.1概述6.2形式语言概述6.3模式的描述方法6.4文法推断6.5句法分析及模式识别6.6句法结构的自动机识别习题6第7章模糊模式识别7.1模糊集合7.2模糊集合的运算7.3模糊关系与模糊矩阵7.4模糊模式分类的直接方法和间接方法7.5模糊聚类分析法习题7第8章神经网络模式识别法8.1人工神经网络概述8.2神经网络的基本概念8.3前向神经网络8.4竞争学习神经网络8.5反馈型神经网络习题8第9章决策树9.1什么是决策树9.2属性选择的几个度量9.3决策树的建立算法习题9第10章支持向量机10.1支持向量机的理论基础10.2线性判别函数和判别面10.3线性不可分下的判别面10.4非线性可分下的判别函数习题10第11章粗糙集方法11.1基本概念11.2信息系统和决策表及其约简11.3基于粗糙集的分类器设计习题11参考文献

封面

书名:普通高等教育人工智能与大数据系列教材模式识别/吴陈

作者:吴陈

页数:322

定价:¥52.0

出版社:机械工业出版社

出版日期:2020-03-01

ISBN:9787111642411

PDF电子书大小:139MB 高清扫描完整版