模式识别与智能计算——Matlab技术实现（第2版）

    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。全书共分为l4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、白组织竞争神经网络、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。
    本书可作为高等院校计算机工程、信息工程、生物医学工程、智能机器入学、工业自动化、模式识别等学科本科生、研究生的教材或教学参考书，也可供相关工程技术人员参考。

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
　　……
第4章　基于概率统计的贝叶斯分类器设计
第5章　判别函数分类器设计
第6章　神经网络分类器设计
第7章　决策树分类器设计
第8章　粗糙集分类器设计
第9章　聚类分析
第10　章模糊聚类分析
第11章　禁忌搜索算法聚类分析
第12章　遗传算法聚类分析
第13章　蚁群算法聚类分析
第14章　粒子群算法聚类分析
参考文献