《模式识别与智能计算》一书所有源程序分享给大家！

猫头鹰先生

　　《模式识别与智能计算》一书所有源程序分享给大家!希望对坛友有所帮助，共勉之!
　　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RBF
　　3.3.1RBF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CPN
　　3.5.1CPN的基本概念
　　3.5.2CPN网络的学习算法
　　3.6反馈型神经网络Hopfield
　　3.6.1Hopfield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
　　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