基于MATLAB的人工智能模式识别

第1章 模式识别概述
1．1 模式识别的基本概念
1．2 模式识别的基本方法
1．3 模式识别的应用
第2章 基于贝叶斯决策理论的分类器设计
2．1 贝叶斯决策简介
2．1．1 贝叶斯决策所讨论的问题
2．1．2 贝叶斯公式
2．2 最小错误率贝叶斯决策
2．2．1 最小错误率贝叶斯决策理论
2．2．2 最小错误率贝叶斯分类的计算过程
2．2．3 最小错误率贝叶斯分类的MATLAB实现
2．3 最小风险贝叶斯决策
2．3．1 最小风险贝叶斯决策理论
2．3．2 最小错误率与最小风险贝叶斯决策的比较
2．3．3 贝叶斯算法的计算过程
2．3．4 最小风险贝叶斯分类的MATLAB实现
第3章 判别函数分类器设计
3．1 判别函数简介
3．2 线性判别函数
3．3 线性判别函数的实现
3．4 费希尔分类器的设计与实现
3．5 LDA判别器的设计与实现
3．6 基于支持向量机算法的新蒙文字母识别系统的研究
3．6．1 支持向量机模型和工作原理
3．6．2 线性可分支持向量机
3．6．3 非线性可分支持向量机
3．6．4 L1软间隔支持向量机
3．6．5 支持向量机的构建、初始化、仿真
3．6．6 支持向量机各层及各层间传输函数的设计选择
3．7 决策树算法与随机森林
3．7．1 决策树算法
3．7．2 ID3算法
3．7．3 随机森林算法
第4章 聚类分析
4．1 聚类分析概述
4．1．1 聚类的定义
4．1．2 聚类准则
4．1．3 基于试探法的聚类设计
4．2 数据聚类――K-均值算法
4．2．1 K-均值算法概述
4．2．2 K-均值算法的主要流程
4．2．3 K-均值算法的特点
4．2．4 K-均值算法的MATLAB实现
4．3 PAM算法的研究
4．3．1 PAM算法概述
4．3．2 PAM算法的主要流程
4．3．3 PAM算法的MATLAB实现
4．4 I SODATA算法
4．4．1 ISODATA算法概述
4．4．2 聚类数据背景
4．4．3 ISODATA算法的MATLAB实现
4．4．4 聚类效果评价
4．4．5 实验结果与分析
4．5 AP算法
4．5．1 AP算法概述
4．5．2 AP算法原理
4．5．3 AP算法步骤
4．5．4 近邻传播聚类相关参数研究
4．5．5 AP算法的MATLAB实现
4．6 基于PCA算法的新蒙文字母识别研究
4．6．1 相关原理
4．6．2 PCA算法步骤
4．6．3 PCA算法实现
4．7 粗糙集聚类
4．7．1 粗糙集的基本理论与方法
4．7．2 粗糙集聚类方法
4．7．3 粗糙集聚类的MATLAB实现
4．8 层次聚类算法
4．8．1 层次聚类理论分析
4．8．2 各函数表示的意义
4．8．3 实例说明
第5章 模糊聚类分析
5．1 模糊逻辑的发展
5．2 模糊集合
5．2．1 由经典集合到模糊集合
5．2．2 模糊集合的基本概念
5．2．3 隶属度函数
5．3 模糊集合的运算
5．3．1 模糊集合的基本运算
5．3．2 模糊集合的基本运算规律
5．3．3 模糊集合与经典集合的联系
5．4 模糊关系与模糊关系的合成
5．4．1 模糊关系的基本概念
5．4．2 模糊关系的合成
5．4．3 模糊关系的性质
5．4．4 模糊变换
5．5 模糊逻辑及模糊推理
5．5．1 模糊逻辑技术
5．5．2 语言控制策略
5．5．3 模糊语言变量
5．5．4 模糊命题与模糊条件语句
5．5．5 判断与推理
5．5．6 模糊推理
5．6 模糊ISODATA算法
5．6．1 模糊ISODATA算法的基本原理
5．6．2 模糊ISODATA算法的基本步骤
5．6．3 模糊ISODATA算法的MATLAB实现
5．7 模糊聚类C均值算法的车牌字符分割
5．7．1 车牌图像识别的预处理
5．7．2 车牌定位
5．7．3 基于FCM算法的车牌字符分割
5．8 利用模糊聚类进行数据分类
5．8．1 利用等价模糊关系进行聚类分析的MATLAB实现
5．8．2 模糊C均值算法（模糊聚类的一种改进方法）
5．8．3 模糊C均值算法的MATLAB实现程序及结果
第6章 神经网络聚类设计
6．1 什么是神经网络
6．1．1 神经网络技术的发展历程
6．1．2 生物神经系统的结构及冲动的传递过程
6．1．3 人工神经网络的定义
6．2 人工神经网络模型
6．3 概率神经网络（PNN）
6．4 BP神经网络
6．4．1 BP网络
6．4．2 BP网络的建立及执行
6．4．3 BP网络在字符识别中的应用
6．4．4 BP算法在分类识别中的应用
6．5 RBF神经网络
6．5．1 径向基函数的网络结构及工作方式
6．5．2 径向基函数网络的特点及作用
6．5．3 径向基函数网络参数选择
6．5．4 径向基网络在分类识别中的应用
6．5．5 RBF网络用于模式分类
6．6 反馈神经网络
6．6．1 离散Hopfield网络（DHNN）的结构
6．6．2 离散Hopfield网络的工作方式
6．6．3 Hopfield网络的稳定性和吸引子
6．6．4 Hopfield网络的连接权设计
6．6．5 Hopfield网络应用于模式分类
6．6．6 离散Hopfield网络应用于分类识别
6．7 卷积神经网络
6．7．1 卷积神经网络的出现背景
6．7．2 卷积神经网络原理
6．7．3 卷积神经网络应用于模式分类
6．8 小波神经网络
6．8．1 小波神经网络的基本结构
6．8．2 小波神经网络的训练算法
6．8．3 小波神经网络结构设计
6．8．4 小波神经网络用于模式分类
6．9 其他形式的神经网络
6．9．1 竞争型人工神经网络――自组织竞争
6．9．2 竞争型人工神经网络――自组织特征映射神经网络（SOM）
6．9．3 竞争型人工神经网络――学习向量量化神经网络（LVQ）
6．9．4 CPN神经网络的设计
第7章 模拟退火算法聚类设计
7．1 模拟退火算法简介
7．2 基于模拟退火思想的聚类算法
7．3 模拟退火算法实现
7．3．1 模拟退火算法实现步骤
7．3．2 模拟退火算法实现模式分类的MATLAB程序
第8章 遗传算法聚类设计
8．1 遗传算法简介
8．2 遗传算法原理
8．3 遗传算法实现
8．3．1 种群初始化
8．3．2 适应度函数的确定
8．3．3 选择操作
8．3．4 交叉操作
8．3．5 变异操作
8．3．6 完整程序及仿真结果
第9章 蚁群算法聚类设计
9．1 蚁群算法简介
9．2 蚁群算法原理
9．2．1 基本蚁群算法的原理
9．2．2 蚁群算法的模型建立
9．2．3 蚁群算法的特点
9．3 基本蚁群算法实现
9．3．1 蚁群算法的实现特点
9．3．2 蚁群算法的实现方法
9．3．3 蚁群算法的MATLAB仿真及对比分析
9．3．4 与C均值聚类对比分析
9．3．5 MATLAB程序代码
第10章 粒子群算法聚类设计
10．1 粒子群算法简介
10．2 经典的粒子群算法的运算过程
10．3 两种基本的进化模型
10．4 改进的粒子群优化算法
10．4．1 粒子群优化算法原理
10．4．2 粒子群优化算法的基本流程
10．5 粒子群算法与其他算法的比较
10．6 粒子群优化算法应用到模式分类
10．7 基于K-均值算法的粒子群优化算法
10．7．1 基于K-均值算法的粒子群算法思想与描述
10．7．2 基于K-均值算法的粒子群算法流程
10．7．3 基于K-均值算法的粒子群优化算法在聚类分析中的应用
第11章 模板匹配法
11．1 基于特征的模板匹配法
11．2 相关匹配法
11．3 模板匹配法的应用
11．3．1 实现字符识别的步骤
11．3．2 图像预处理
11．3．3 模板匹配法识别过程
11．3．4 模板匹配法识别结果
第12章 余弦相似度算法
12．1 余弦相似度算法的原理
12．2 余弦相似度算法的应用
12．2．1 余弦相似度算法的设计流程
12．2．2 余弦相似度算法的识别结果