资源名称：模式识别与智能计算MATLAB技术实现(第三版) 中文pdf

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统计模式识别
1.3.1统计模式识别研究的主要问题
1.3.2统计模式识别方法简介
1.4分类分析
1.4.1分类器设计
1.4.2判别函数
1.4.3分类器的选择
1.4.4训练与学习
1.5聚类分析
1.5.1聚类的设计
1.5.2基于试探法的聚类设计
1.5.3基于群体智能优化算法的聚类设计
1.6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
3.2.4马氏距离分类
3.2.5夹角余弦距离分类
3.2.6二值化的夹角余弦距离法分类
3.2.7二值化的Tanimoto测度分类
本章小结
习题3
第4章基于概率统计的贝叶斯分类器设计
4.1贝叶斯决策的基本概念
4.1.1贝叶斯决策所讨论的问题
4.1.2贝叶斯公式
4.2基于最小错误率的贝叶斯决策
4.3基于最小风险的贝叶斯决策
4.4贝叶斯决策比较
4.5基于二值数据的贝叶斯分类实现
4.6基于最小错误率的贝叶斯分类实现
4.7基于最小风险的贝叶斯分类实现
本章小结
习题4
第5章判别函数分类器设计
5.1判别函数的基本概念
5.2线性判别函数
5.3线性判别函数的实现
5.4感知器算法
5.5增量校正算法
5.6LMSE验证可分性
5.7LMSE分类算法
5.8Fisher分类
5.9基于核的Fisher分类
5.10势函数法
5.11支持向量机
本章小结
习题5
第6章神经网络分类器设计
6.1人工神经网络的基本原理
6.1.1人工神经元
6.1.2人工神经网络模型
6.1.3神经网络的学习过程
6.1.4人工神经网络在模式识别问题上的优势
6.2BP神经网络
6.2.1BP神经网络的基本概念
6.2.2BP神经网络分类器设计
6.3径向基函数神经网络(RBF)
6.3.1径向基函数神经网络的基本概念
6.3.2径向基函数神经网络分类器设计
6.4自组织竞争神经网络
6.4.1自组织竞争神经网络的基本概念
6.4.2自组织竞争神经网络分类器设计
6.5概率神经网络(PNN) 
6.5.1概率神经网络的基本概念
6.5.2概率神经网络分类器设计
6.6对向传播神经网络(CPN)
6.6.1对向传播神经网络的基本概念
6.6.2对向传播神经网络分类器设计
6.7反馈型神经网络(Hopfield)
6.7.1Hopfield网络的基本概念
6.7.2Hopfield神经网络分类器设计
本章小结
习题6
第7章决策树分类器设计

.........

资源截图：