模式识别与智能计算的MATLAB实现 著 译 者： ＩＳＢＮ： 出版日期： 出 版 社： 北京航空航天大学 上架时间： 定 && 价：?36.00 当当价：?28.80 卓越价：?28.80 互动价：?30.60 [] [] [] [] [] [] [] [] 目录第1章绪论1.1模式识别的基本概念1.1.1模式与模式识别的概念1.1.2模式的特征1.1.3模式识别系统1.2模式识别的主要方法1.3模式识别的主要研究内容1.4模式识别在科学研究中的应用1.4.1化合物的构效分析1.4.2谱图解析1.4.3材料研究1.4.4催化剂研究1.4.5机械故障诊断与监测1.4.6化学物质源产地判断1.4.7疾病的诊断与预测1.4.8矿藏勘探1.4.9考古及食品工业中的应用第2章统计模式识别技术2.1基于概率统计的贝叶斯分类方法
2.1.1最小错误率贝叶斯分类2.1.2最小风险率贝叶斯分类2.2线性分类器2.2.1线性判别函数2.2.2Fisher线性判别函数2.2.3感知器算法2.3非线性分类器2.3.1分段线性判别函数2.3.2近邻法2.3.3势函数法2.3.4SIMCA方法2.4聚类分析2.4.1模式相似度2.4.2聚类准则2.4.3层次聚类法2.4.4动态聚类法2.4.5决策树分类器2.5统计模式识别在科学研究中的应用第3章人工神经网络及模式识别3.1人工神经网络的基本概念3.1.1人工神经元3.1.2传递函数3.1.3人工神经网络分类和特点3.2BP人工神经网络3.2.1BP人工神经网络学习算法3.2.2BP人工神经网络MATLAB实现3.3径向基函数神经网络RBF3.3.1RBF的结构与学习算法3.3.2RBF的MATLAB实现3.4自组织竞争人工神经网络3.4.1自组织竞争人工神经网络的基本概念3.4.2自组织竞争神经网络的学习算法3.4.3自组织竞争网络的MATLAB实现3.5对向传播神经网络CPN3.5.1CPN的基本概念3.5.2CPN网络的学习算法3.6反馈型神经网络Hopfield3.6.1Hopfield网络的基本概念3.6.2Hopfield网络的学习算法3.6.3Hopfield网络的MATLAB实现3.7人工神经网络技术在科学研究中的应用第4章模糊系统理论及模式识别4.1模糊系统理论基础4.1.1模糊集合4.1.2模糊关系4.1.3模糊变换与模糊综合评判4.1.4If…then规则4.1.5模糊推理4.2模糊模式识别的基本方法4.2.1最大隶属度原则4.2.2择近原则4.2.3模糊聚类分析4.3模糊神经网络4.3.1模糊神经网络4.3.2模糊BP神经网络4.4模糊逻辑系统及其在科学研究中的应用第5章核函数方法及应用5.1核函数方法5.2基于核的主成分分析方法5.2.1主成分分析5.2.2基于核的主成分分析5.3基于核的Fisher判别方法5.3.1Fisher判别方法5.3.2基于核的Fisher判别方法分析5.4基于核的投影寻踪方法5.4.1投影寻踪分析5.4.2基于核的投影寻踪分析5.5核函数方法在科学研究中的应用第6章支持向量机及其模式识别6.1统计学习理论基本内容6.2支持向量机6.2.1最优分类面6.2.2支持向量机模型6.3支持向量机在模式识别中的应用第7章可拓学及其模式识别7.1可拓学概论7.1.1可拓工程基本思想7.1.2可拓工程使用的基本工具7.2可拓集合7.2.1可拓集合含义7.2.2物元可拓集合7.3可拓聚类预测的物元模型7.4可拓学在科学研究中的应用第8章粗糙集理论及其模式识别8.1粗糙集理论基础8.1.1分类规则的形成8.1.2知识的约简8.2粗糙神经网络8.3系统评估粗糙集方法8.3.1模型结构8.3.2综合评估方法8.4粗糙集聚类方法8.5粗糙集理论在科学研究中的应用第9章遗传算法及模式识别9.1遗传算法的基本原理9.2遗传算法分析9.2.1染色体的编码9.2.2适应度函数9.2.3遗传算子9.3控制参数的选择9.4模拟退火算法9.4.1模拟退火的基本概念9.4.2模拟退火算法的基本过程9.4.3模拟退火算法中的控制参数9.5基于遗传算法的模式识别在科学研究中的应用9.5.1遗传算法的MATLAB实现9.5.2遗传算法在科学研究中的应用实例第10章蚁群算法及其模式识别10.1蚁群算法原理10.1.1基本概念10.1.2蚁群算法的基本模型10.1.3蚁群算法的特点10.2蚁群算法的改进10.2.1自适应蚁群算法10.2.2遗传算法与蚁群算法的融合10.2.3蚁群神经网络10.3聚类问题的蚁群算法10.3.1聚类数目已知的聚类问题的蚁群算法10.3.2聚类数目未知的聚类问题的蚁群算法10.4蚁群算法在科学研究中的应用第11章粒子群算法及其模式识别11.1粒子群算法的基本原理11.2全局模式与局部模式11.3粒子群算法的特点11.4基于粒子群算法的聚类分析11.4.1算法描述11.4.2实现步骤11.5粒子群算法在科学研究中的应用第12章可视化模式识别技术12.1高维数据的图形表示方法12.1.1轮廓图12.1.2雷达图12.1.3树形图12.1.4三角多项式图12.1.5散点图12.1.6星座图12.1.7脸谱图12.2图形特征参数计算12.3显示方法12.3.1线性映射12.3.2非线性映射第13章灰色系统方法及应用13.1灰色系统的基本概念13.1.1灰数13.1.2灰数白化与灰度13.2灰色序列生成算子13.2.1均值生成算子13.2.2累加生成算子13.2.3累减生成算子13.3灰色分析13.3.1灰色关联度分析13.3.2无量纲化的关键算子13.3.3关联分析的主要步骤13.3.4其他几种灰色关联度13.4灰色聚类13.5灰色系统建模13.5.1GM(1，1)模型13.5.2GM(1，1)模型检验13.5.3残差GM(1，1)模型13.5.4GM(1，N)模型13.6灰色灾变预测13.7灰色系统的应用第14章模式识别的特征及确定14.1基本概念14.1.1特征的特点14.1.2特征的类别14.1.3特征的形成14.1.4特征选择与提取14.2样本特征的初步分析14.3特征筛选处理14.4特征提取14.4.1特征提取的依据14.4.2特征提取的方法14.5基于K-L变换的特征提取14.5.1离散K-L变换14.5.2离散K-L变换的特征提取14.5.3吸收类均值向量信息的特征提取14.5.4利用总体熵吸收方差信息的特征提取14.6因子分析14.6.1因子分析的一般数学模型14.6.2Q型和R型因子分析参考文献 猜你喜欢的图书 同类热销排行苹果/安卓/wp & 附件下载 模式识别与智能计算：MATLAB技术实现(第2版).pdf 29.28 MB & 游客无法下载， 熟悉论坛请点击&&&  经管之家APP：通过论坛APP下载，免流量费，哇！ & 1.下载一个附件当天只会扣除您一次下载次数和一次流量费。 2.论坛支持迅雷和网际快车等p2p多线程软件下载，请在上面选择下载通道&&单击右健下载即可（不会算多次下载次数）。 3.论坛会定期自动批量更新下载地址,所以请不要浪费时间盗链&&论坛资源,盗链地址会很快失效。 4.本站为非盈利性质的学术交流网站,网站资源仅供&&教学、研究使用,请下载后24小时内自行删除。() 哇!统计软件还可以这样学!!! 视频教学+名师在线互动+权威答疑 你也可以成为统计高手 囊括所有常用统计软件培训： 、、、、、、、、等 联系方式：曾老师 : training@pinggu.org 无限扩大经管职场人脉圈！每天抽选10位免费名额，现在就扫& 论坛VIP& 贵宾会员& 可免费加入   |   |   |   |   |   | 如有投资本站或合作意向，请联系（010-）； 邮箱：service@pinggu.org 投诉或不良信息处理：（010-） 京ICP证090565号 论坛法律顾问：王进律师您所在位置： &  &  &  模式识别与智能计算第5章.doc 4页 本文档一共被下载： 次 ,您可全文免费在线阅读后下载本文档。 下载提示 1.本站不保证该用户上传的文档完整性，不预览、不比对内容而直接下载产生的反悔问题本站不予受理。 2.该文档所得收入(下载+内容+预览三)归上传者、原创者。 3.登录后可充值，立即自动返金币，充值渠道很便利 需要金币：150 && 模式识别与智能计算第5章 你可能关注的文档： ·········· ·········· 例5.2　functionq=my8(a)x=[0.20.70.40.80.10.60.40.30.00.40.20.70.70.30.00.2];[m,n]=size(x);a1=max(x);b=min(x);fori=1:m　　%归一化处理，其中第6、9个指标为越小越优forj=1:nifj==6||j==9,x1(i,j)=(a1(j)-x(i,j))/(a1(j)-b(j));else,x1(i,j)=(x(i,j)-b(j))/(a1(j)-b(j));endendendfori=1:m　　%求z序列z(i)=0;forj=1:n,z(i)=z(i)+a(j)*x1(i,j);endends=std(z);　　　　　　%求SZfori=1:m　　　　%求rforj=1:m,r(i,j)=abs(z(i)-z(j));endendr_max=max(max(r));R=r_max+n/2;%求窗口Rd=0;fori=1:m　　　　　　　%求DZforj=1:m;ifR-r(i,j)&=0,d=d+(R-r(i,j));else,d=d;endendq=-s*d;%将最大化转化为最小化再编写约束文件my9(a)：function[c,ceq]=my9(a)c=[a(1)^2+a(2)^2+a(3)^2+a(4)^2+a(5)^2+a(6)^2+a(7)^2+a(8)^2+...a(9)^2+a(10)^2+a(11)^2+a(12)^2-1];ceq=[];例5.4　&&xx=guiyi(x);[pc,lamda1]=pcacov(cov(xx));&&lamda1(1:4,:)=3.6　0.6　　48.51%　71.57%　83.67%　91.14%　第一主元所占比例太低，降维的效果不理想。　　采用KPCA法进行降维，得到如下的结果，其中特征值的累积贡献率80%：&&opts.KernelType='RBF';opts.gamma=200;　　　%核函数类型及参数&&[y1,y2,y]=myKPCA(x,opts);&&y2=0.0%降为2维function[e_vector,e_value,y]=myKPCA(x,opts)%KPCA函数%x:N×d维样本.%opts:核函数类型及参数，形式为结构体[N,d]=size(x);K=myKernel(x,[],opts);　%核计算函数One_N=ones(N)./N;Kc=K-One_N*K-K*One_N+One_N*K*One_N;ifN&1000&&d%加速计算opts.disp=0;[e_vector,e_value]=eigs(Kc,d,'la',opts);e_value=diag(e_value);else[e_vector,e_value]=eig(Kc);e_value=diag(e_value);[a,index]=sort(-e_value);e_value=e_value(index);e_vector=e_vector(:,index);endifd&length(e_value);e_value=e_value(1:d);e_vector=e_vector(:,1:d);endmax_e_Value=max(abs(e_value));eigIdx=find(abs(e_value)/max_e_Value&1e-6);e_value(eigIdx)=[];e_vector(:,eigIdx)=[];sum_latent=sum(e_value);temp=0;con=0;m=0;fori=1:difcon&0.80;temp=temp+e_value(i);con=temp/sum_m=m+1;endende_vector(:,m+1:d)=[];e_value=e_value(1:m);fori=1:length(e_value);e_vector(:,i)=e_vector(:,i)/sqrt(e_value(i));end%归一化ifnargout 正在加载中，请稍后...}