模式識別與人工智能（基於Python）

目錄

第1章模式識別概述

1.1模式識別的基本概念

1.1.1模式的描述方法

1.1.2模式識別系統

1.2模式識別的基本方法

1.3模式識別的應用

習題

第2章貝葉斯分類器設計

2.1貝葉斯決策及貝葉斯公式

2.1.1貝葉斯決策

2.1.2貝葉斯公式

2.2基於最小錯誤率的貝葉斯決策

2.2.1基於最小錯誤率的貝葉斯決策理論

2.2.2最小錯誤率貝葉斯分類的計算過程

2.2.3最小錯誤率貝葉斯分類的Python實現

2.2.4結論

2.3最小風險貝葉斯決策

2.3.1最小風險貝葉斯決策理論

2.3.2最小錯誤率與最小風險貝葉斯決策的比較

2.3.3貝葉斯算法的計算過程

2.3.4最小風險貝葉斯分類的Python實現

2.3.5結論

習題

第3章判別函數分類器設計

3.1判別函數簡介

3.2線性判別函數

3.3線性判別函數的實現

3.4基於LMSE的分類器設計

3.4.1LMSE分類法簡介

3.4.2LMSE算法的原理

3.4.3LMSE算法的步驟

3.4.4LMSE算法的Python實現

3.4.5結論

3.5基於Fisher的分類器設計

3.5.1Fisher判別法簡介

3.5.2Fisher分類器設計

3.5.3Fisher算法的Python實現

3.5.4識別待測樣本類別

3.5.5結論

3.6基於支持向量機的分類法

3.6.1支持向量機的基本思想

3.6.2支持向量機的主要優點

3.6.3訓練集為非線性情況

3.6.4核函數

3.6.5多類分類問題

3.6.6基於SVM的Python實現

3.6.7結論

習題

第4章聚類分析

4.1聚類分析簡介

4.1.1聚類的定義

4.1.2聚類準則

4.1.3基於試探法的聚類設計

4.2數據聚類——K均值聚類

4.2.1K均值聚類簡介

4.2.2K均值聚類算法的優缺點

4.2.3K均值聚類算法的Python實現

4.2.4待聚類樣本的分類結果

4.2.5結論

4.3數據聚類——基於取樣思想的K均值算法的改進

4.3.1K均值算法的改進

4.3.2基於取樣思想的改進K均值聚類算法的Python實現

4.3.3結論

4.4數據聚類——K近鄰法聚類

4.4.1K近鄰法簡介

4.4.2K近鄰法的算法研究

4.4.3K近鄰法數據分類器的Python實現

4.4.4結論

4.5數據聚類——PAM聚類

4.5.1PAM算法的主要流程

4.5.2PAM算法的Python實現

4.5.3K均值聚類算法與PAM算法的分析比較

4.5.4結論

4.6數據聚類——層次聚類

4.6.1層次聚類方法和分類簡介

4.6.2簇間距離度量方法

4.6.3層次聚類方法存在的不足

4.6.4層次聚類的Python實現

4.6.5結論

4.7數據聚類——ISODATA算法概述

4.7.1ISODATA算法簡介

4.7.2ISODATA算法的Python實現

4.7.3結論

習題

第5章模糊聚類分析

5.1模糊邏輯的發展

5.2模糊集合

5.2.1由經典集合到模糊集合

5.2.2模糊集合的基本概念

5.2.3隸屬度函數

5.3模糊集合的運算

5.3.1模糊集合的基本運算

5.3.2模糊集合與經典集合的聯系

5.4模糊關系與模糊關系的合成

5.4.1模糊關系的基本概念

5.4.2模糊關系的合成

5.4.3模糊關系的性質

5.4.4模糊變換

5.5模糊邏輯與模糊推理

5.5.1模糊邏輯技術

5.5.2語言控制策略

5.5.3模糊語言變量

5.5.4模糊命題與模糊條件語句

5.5.5判斷與推理

5.5.6模糊推理

5.6數據聚類——模糊聚類

5.6.1模糊聚類應用背景

5.6.2基於Python的模糊算法構建——數據模糊化

5.6.3基於Python的模糊算法構建

5.6.4結論

5.7數據聚類——模糊C均值聚類

5.7.1模糊C均值算法

5.7.2模糊C均值聚類的Python實現

5.7.3模糊C均值聚類結果分析

5.7.4結論

5.8數據聚類——模糊ISODATA聚類

5.8.1模糊ISODATA聚類的應用背景

5.8.2模糊ISODATA算法的基本原理

5.8.3模糊ISODATA算法的基本步驟

5.8.4模糊ISODATA算法的Python實現

5.8.5結論

5.9模糊神經網絡

5.9.1模糊神經網絡的應用背景

5.9.2模糊神經網絡簡介

5.9.3模糊神經網絡分類器的Python實現

5.9.4結論

習題

第6章神經網絡聚類設計

6.1什麽是神經網絡

6.1.1神經網絡的發展歷程

6.1.2生物神經系統的結構及沖動的傳遞過程

6.1.3人工神經網絡的定義

6.2人工神經網絡模型

6.2.1人工神經元的基本模型

6.2.2人工神經網絡的基本構架

6.2.3人工神經網絡的工作過程

6.2.4人工神經網絡的特點

6.3前饋神經網絡

6.3.1感知器網絡

6.3.2BP網絡

6.3.3BP網絡的建立及執行

6.3.4BP網絡分類器的Python實現

6.3.5BP網絡其他學習算法的應用

6.4反饋神經網絡

6.4.1離散Hopfield網絡的結構

6.4.2離散Hopfield網絡的工作方式

6.4.3離散Hopfield網絡的穩定性和吸引子

6.4.4離散Hopfield網絡的連接權設計

6.4.5離散Hopfield網絡分類器的Python實現

6.4.6結論

6.5徑向基函數

6.5.1RBF的網絡結構及工作方式

6.5.2RBF網絡參數選擇

6.5.3RBF網絡分類器的Python實現

6.5.4結論

6.6廣義回歸神經網絡

6.6.1GRNN的結構

6.6.2GRNN的理論基礎

6.6.3GRNN的特點及作用

6.6.4GRNN分類器的Python實現

6.6.5結論

6.7小波神經網絡

6.7.1小波神經網絡的基本結構

6.7.2小波神經網絡的訓練算法

6.7.3小波神經網絡的結構設計

6.7.4小波神經網絡分類器的Python實現

6.7.5結論

6.8其他形式的神經網絡

6.8.1競爭型人工神經網絡——自組織競爭

6.8.2競爭型人工神經網絡——自組織特徵映射神經網絡

6.8.3競爭型人工神經網絡——學習向量量化神經網絡

6.8.4概率神經網絡

6.8.5CPN分類器的Python實現

習題

第7章模擬退火算法聚類設計

7.1模擬退火算法簡介

7.1.1物理退火過程

7.1.2Metropolis準則

7.1.3模擬退火算法的基本原理

7.1.4模擬退火算法的組成

7.1.5模擬退火算法新解的產生和接受

7.1.6模擬退火算法的基本過程

7.1.7模擬退火算法的參數控制問題

7.2基於模擬退火思想的聚類算法

7.2.1K均值聚類算法的局限性

7.2.2基於模擬退火思想的改進K均值聚類算法

7.2.3幾個重要參數的選擇

7.3算法的實現

7.3.1實現步驟

7.3.2模擬退火實現模式分類的Python程序

7.4結論

習題

第8章遺傳算法聚類設計

8.1遺傳算法簡介

8.2遺傳算法原理

8.2.1遺傳算法的基本術語

8.2.2遺傳算法進行問題求解的過程

8.2.3遺傳算法的基本要素

8.3算法實現

8.3.1種群初始化

8.3.2適應度函數的設計

8.3.3選擇操作

8.3.4交叉操作

8.3.5變異操作

8.3.6完整Python程序及模擬結果

8.4結論

習題

第9章蟻群算法聚類設計

9.1蟻群算法簡介

9.2蟻群算法原理

9.2.1基本蟻群算法的原理

9.2.2模型建立

9.2.3蟻群算法的特點

9.3基本蟻群算法的實現

9.4算法改進

9.4.1MMAS算法簡介

9.4.2完整Python程序及模擬結果

9.5結論

習題

第10章粒子群算法聚類設計

10.1粒子群算法簡介

10.2經典的粒子群算法的運算過程

10.3兩種基本的進化模型

10.4改進的粒子群優化算法

10.4.1粒子群優化算法的原理

10.4.2粒子群優化算法的基本流程

10.5粒子群算法與其他算法的比較

10.6粒子群算法分類器的Python實現

10.6.1設定參數

10.6.2初始化

10.6.3完整Python程序及模擬結果

10.7結論

習題

參考文獻