　　《模式識彆與智能計算―MATLAB技術實現（第3版）》廣泛吸取統計學、神經網絡、數據挖掘、機器學習、人工智能、群智能計算等學科的先進思想和理論，將其應用到模式識彆領域中；以一種新的體係，係統、全麵地介紹模式識彆的理論、方法及應用。全書分為14章，內容包括：模式識彆概述，特徵的選擇與優化，模式相似性測度，基於概率統計的貝葉斯分類器設計，判彆函數分類器設計，神經網絡分類器設計（BP神經網絡、徑嚮基函數神經網絡、自組織競爭神經網絡、概率神經網絡、對嚮傳播神經網絡、反饋型神經網絡），決策樹分類器設計，粗糙集分類器設計，聚類分析，模糊聚類分析，禁忌搜索算法聚類分析，遺傳算法聚類分析，蟻群算法聚類分析，粒子群算法聚類分析。
　　《模式識彆與智能計算―MATLAB技術實現（第3版）》內容新穎，實用性強，理論與實際應用密切結閤，以手寫數字識彆為應用實例，介紹理論運用於實踐的實現步驟及相應的Matlab代碼，為廣大研究工作者和工程技術人員對相關理論的應用提供藉鑒。

作者簡介

　　楊淑瑩，天津理工大學計算機係教授，天津大學電子信息學院博士，發錶相關的論文近20篇，其中四篇被EI檢索。齣版的多本著作被清華大學等多所大學選為研究生或本科生教材。齣版方嚮：計算機視覺，模式識彆，圖像處理及應用，計算機控製和機器人視覺控製。

第1章模式識彆概述
1.1模式識彆的基本概念
1.2模式識彆的基本方法
1.3統計模式識彆
1.3.1統計模式識彆研究的主要問題
1.3.2統計模式識彆方法簡介
1.4分類分析
1.4.1分類器設計
1.4.2判彆函數
1.4.3分類器的選擇
1.4.4訓練與學習
1.5聚類分析
1.5.1聚類的設計
1.5.2基於試探法的聚類設計
1.5.3基於群體智能優化算法的聚類設計
1.6模式識彆的應用
本章小結
習題1
第2章特徵的選擇與優化
2.1特徵空間優化設計問題
2.2樣本特徵庫初步分析
2.3樣品篩選處理
2.4特徵篩選處理
2.5特徵評估
2.6基於主成分分析的特徵提取
2.7特徵空間描述與分析
2.7.1特徵空間描述
2.7.2特徵空間分布分析
2.8手寫數字特徵提取與分析
2.8.1手寫數字特徵提取
2.8.2手寫數字特徵空間分布分析
本章小結
習題2
第3章模式相似性測度
3.1模式相似性測度的基本概念
3.2距離測度分類法
3.2.1模闆匹配法
3.2.2基於PCA的模闆匹配法
3.2.3基於類中心的歐式距離法分類
3.2.4馬氏距離分類
3.2.5夾角餘弦距離分類
3.2.6二值化的夾角餘弦距離法分類
3.2.7二值化的Tanimoto測度分類
本章小結
習題3
第4章基於概率統計的貝葉斯分類器設計
4.1貝葉斯決策的基本概念
4.1.1貝葉斯決策所討論的問題
4.1.2貝葉斯公式
4.2基於最小錯誤率的貝葉斯決策
4.3基於最小風險的貝葉斯決策
4.4貝葉斯決策比較
4.5基於二值數據的貝葉斯分類實現
4.6基於最小錯誤率的貝葉斯分類實現
4.7基於最小風險的貝葉斯分類實現
本章小結
習題4
第5章判彆函數分類器設計
5.1判彆函數的基本概念
5.2綫性判彆函數
5.3綫性判彆函數的實現
5.4感知器算法
5.5增量校正算法
5.6LMSE驗證可分性
5.7LMSE分類算法
5.8Fisher分類
5.9基於核的Fisher分類
5.10勢函數法
5.11支持嚮量機
本章小結
習題5
第6章神經網絡分類器設計
6.1人工神經網絡的基本原理
6.1.1人工神經元
6.1.2人工神經網絡模型
6.1.3神經網絡的學習過程
6.1.4人工神經網絡在模式識彆問題上的優勢
6.2BP神經網絡
6.2.1BP神經網絡的基本概念
6.2.2BP神經網絡分類器設計
6.3徑嚮基函數神經網絡(RBF)
6.3.1徑嚮基函數神經網絡的基本概念
6.3.2徑嚮基函數神經網絡分類器設計
6.4自組織競爭神經網絡
6.4.1自組織競爭神經網絡的基本概念
6.4.2自組織競爭神經網絡分類器設計
6.5概率神經網絡(PNN)
6.5.1概率神經網絡的基本概念
6.5.2概率神經網絡分類器設計
6.6對嚮傳播神經網絡(CPN)
6.6.1對嚮傳播神經網絡的基本概念
6.6.2對嚮傳播神經網絡分類器設計
6.7反饋型神經網絡(Hopfield)
6.7.1Hopfield網絡的基本概念
6.7.2Hopfield神經網絡分類器設計
本章小結
習題6
第7章決策樹分類器設計
7.1決策樹的基本概念
7.2決策樹分類器設計
本章小結
習題7
第8章粗糙集分類器設計
8.1粗糙集理論的基本概念
8.2粗糙集在模式識彆中的應用
8.3粗糙集分類器設計
本章小結
習題8
第9章聚類分析
9.1聚類的設計
9.2基於試探的未知類彆聚類算法
9.2.1最臨近規則的試探法
9.2.2最大最小距離算法
9.3層次聚類算法
9.3.1最短距離法
9.3.2最長距離法
9.3.3中間距離法
9.3.4重心法
9.3.5類平均距離法
9.4動態聚類算法
9.4.1K均值算法
9.4.2迭代自組織的數據分析算法（ISODATA）
9.5模擬退火聚類算法
9.5.1模擬退火的基本概念
9.5.2基於模擬退火思想的改進K均值聚類算法
本章小結
習題9
第10章模糊聚類分析
10.1模糊集的基本概念
10.２模糊集運算
10.２.1模糊子集運算
10.２.2模糊集運算性質
10.３模糊關係
10.4模糊集在模式識彆中的應用
10.5基於模糊的聚類分析
本章小結
習題10
第11章禁忌搜索算法聚類分析
11.1禁忌搜索算法的基本原理
11.2禁忌搜索的關鍵參數和相關操作
11.3基於禁忌搜索算法的聚類分析
本章小結
習題11
第12章遺傳算法聚類分析
12.1遺傳算法的基本原理
12.2遺傳算法的構成要素
12.2.1染色體的編碼
12.2.2適應度函數
12.2.3遺傳算子
12.3控製參數的選擇
12.４基於遺傳算法的聚類分析
本章小結
習題12
第13章蟻群算法聚類分析
13.1蟻群算法的基本原理
13.2聚類數目已知的蟻群聚類算法
13.3聚類數目未知的蟻群聚類算法
本章小結
習題13
第14章粒子群算法聚類分析
14.1粒子群算法的基本原理
14.2基於粒子群算法的聚類分析
本章小結
習題14
參考文獻