编辑推荐
《模式识别与智能计算的MATLAB实现(第2版)》可作为高等院校计算机工程、信息工程、生物医学工程、智能机器人、工业自动化、地质、水利、化学和环境等专业研究生、本科生的教材或教学参考书，亦可供有关工程技术人员参考。
作者简介
许国根，毕业于南京大学分析化学专业，长期奋斗在一线的高校资深化学教师。为了实现“数学化学”梦想，一直致力于数学在化学中的应用，热衷于MATLAB、模式识别、数据挖掘、化学计量学等相关知识的学习与应用，撰写过多部介绍MATLAB在化学中应用技巧的书籍。
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
2.2.2 Fisher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
2.3.4 SIMCA 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
3.2 BP人工神经网络
3.2.1 BP人工神经网络学习算法
3.2.2 BP人工神经网络MATLAB实现
3.3 径向基函数神经网络RBF
3.3.1 RBF的结构与学习算法
3.3.2 RBF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CPN
3.5.1 CPN 的基本概念
3.5.2 CPN 网络的学习算法
3.6 反馈型神经网络Hopfield
3.6.1 Hopfield网络的基本概念
3.6.2 Hopfield网络的学习算法
3.6.3 Hopfield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
4.1.4 If…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
5.3.1 Fisher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 遗传算法及其模式识别
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
第14章 人工鱼群等群体智能算法
第15章 仿生模式识别
第16章 模式识别的特征及确定
参考文献
文摘
版权页：
插图：
引领蜂的数量一般是与食物源相对应的，它能够记录自己已经搜索到的食物源的有关信息（如距离蜂巢的方向、远近，食物丰富程度等），选择比较好的蜜源作为初始蜜源并标记，再释放与标记的蜜源成正比的路径信息，以招募其他的跟随蜂。而侦察蜂通常在蜂巢周围搜索附近的食物源，在算法的初始化和搜索过程中，始终伴随着侦察蜂对食物源的“探索”行为，依据经验，蜂群中的侦察蜂数量占整个种群数目的5%～20%。跟随蜂是在蜂巢附近等待引领蜂共享食物源信息的蜜蜂，它们通过观察引领蜂的舞蹈，选择自己认为合适的蜜蜂进行跟随，同时在其附近搜索新的蜜源，与初始引领蜂标记蜜源进行比较，选取其中较好的收益度较大的蜜源，更改本次循环的初始标记蜜源。假如在采蜜过程中，蜜源经过一段时间后它的蜜源搜索方式还不变，则相应的引领蜂就变成侦察蜂，随机搜索去寻找新蜜源来代替初始标记蜜源中的相应位置，确定最终蜜源位置地点。
在群体智能中，信息交换扮演着重要的角色，正是通过个体之间的信息交换才使得群体的整体智慧得以提高，从而表现出群体智能现象。蜂群中蜜蜂进行信息交换的主要场所就是蜂巢附近的舞蹈区，同时在这里也频繁发生着各种蜂的角色转换。蜜蜂是通过舞蹈来共享相关信息、进行信息交互的。侦察蜂寻找到食物源并飞同蜂巢，在舞蹈区通过摇摆舞的形式将食物源的信息传递给其他蜜蜂，周围的蜜蜂通过观察进行选择，选定自己要成为的角色并进行转换。食物源的收益率越大，被选择的可能性就越大。所以，蜜蜂被吸引到某一食物源的概率与这一食物源处的食物丰富程度成正比，越丰富的食物源，吸引到的蜜蜂越多。在自然界的生物模型中，这三种蜜蜂的角色是可以互换的。
《模式识别与智能计算的MATLAB实现(第2版)》可作为高等院校计算机工程、信息工程、生物医学工程、智能机器人、工业自动化、地质、水利、化学和环境等专业研究生、本科生的教材或教学参考书，亦可供有关工程技术人员参考。
作者简介
许国根，毕业于南京大学分析化学专业，长期奋斗在一线的高校资深化学教师。为了实现“数学化学”梦想，一直致力于数学在化学中的应用，热衷于MATLAB、模式识别、数据挖掘、化学计量学等相关知识的学习与应用，撰写过多部介绍MATLAB在化学中应用技巧的书籍。
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
2.2.2 Fisher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
2.3.4 SIMCA 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
3.2 BP人工神经网络
3.2.1 BP人工神经网络学习算法
3.2.2 BP人工神经网络MATLAB实现
3.3 径向基函数神经网络RBF
3.3.1 RBF的结构与学习算法
3.3.2 RBF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CPN
3.5.1 CPN 的基本概念
3.5.2 CPN 网络的学习算法
3.6 反馈型神经网络Hopfield
3.6.1 Hopfield网络的基本概念
3.6.2 Hopfield网络的学习算法
3.6.3 Hopfield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
4.1.4 If…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
5.3.1 Fisher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 遗传算法及其模式识别
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
第14章 人工鱼群等群体智能算法
第15章 仿生模式识别
第16章 模式识别的特征及确定
参考文献
文摘
版权页：
插图：
引领蜂的数量一般是与食物源相对应的，它能够记录自己已经搜索到的食物源的有关信息（如距离蜂巢的方向、远近，食物丰富程度等），选择比较好的蜜源作为初始蜜源并标记，再释放与标记的蜜源成正比的路径信息，以招募其他的跟随蜂。而侦察蜂通常在蜂巢周围搜索附近的食物源，在算法的初始化和搜索过程中，始终伴随着侦察蜂对食物源的“探索”行为，依据经验，蜂群中的侦察蜂数量占整个种群数目的5%～20%。跟随蜂是在蜂巢附近等待引领蜂共享食物源信息的蜜蜂，它们通过观察引领蜂的舞蹈，选择自己认为合适的蜜蜂进行跟随，同时在其附近搜索新的蜜源，与初始引领蜂标记蜜源进行比较，选取其中较好的收益度较大的蜜源，更改本次循环的初始标记蜜源。假如在采蜜过程中，蜜源经过一段时间后它的蜜源搜索方式还不变，则相应的引领蜂就变成侦察蜂，随机搜索去寻找新蜜源来代替初始标记蜜源中的相应位置，确定最终蜜源位置地点。
在群体智能中，信息交换扮演着重要的角色，正是通过个体之间的信息交换才使得群体的整体智慧得以提高，从而表现出群体智能现象。蜂群中蜜蜂进行信息交换的主要场所就是蜂巢附近的舞蹈区，同时在这里也频繁发生着各种蜂的角色转换。蜜蜂是通过舞蹈来共享相关信息、进行信息交互的。侦察蜂寻找到食物源并飞同蜂巢，在舞蹈区通过摇摆舞的形式将食物源的信息传递给其他蜜蜂，周围的蜜蜂通过观察进行选择，选定自己要成为的角色并进行转换。食物源的收益率越大，被选择的可能性就越大。所以，蜜蜂被吸引到某一食物源的概率与这一食物源处的食物丰富程度成正比，越丰富的食物源，吸引到的蜜蜂越多。在自然界的生物模型中，这三种蜜蜂的角色是可以互换的。
| ISBN | 9787512425 |
|---|---|
| 出版社 | 北京航空航天大学出版社 |
| 作者 | 许国根 |
| 尺寸 | 16 |