模式识别与智能计算―MATLAB技术实现（第3版） pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

杨淑莹，张桦 著

图书标签:

• 模式识别
• 机器学习
• MATLAB
• 智能计算
• 算法
• 数据分析
• 人工智能
• 图像处理
• 信号处理
• 模式分类

出版社： 电子工业出版社

ISBN：9787121257902

版次：01

商品编码：11681538

包装：平装

开本：16开

出版时间：2015-04-01

用纸：胶版纸

页数：376

正文语种：中文

产品特色

内容简介

　　《模式识别与智能计算―MATLAB技术实现（第3版）》广泛吸取统计学、神经网络、数据挖掘、机器学习、人工智能、群智能计算等学科的先进思想和理论，将其应用到模式识别领域中；以一种新的体系，系统、全面地介绍模式识别的理论、方法及应用。全书分为14章，内容包括：模式识别概述，特征的选择与优化，模式相似性测度，基于概率统计的贝叶斯分类器设计，判别函数分类器设计，神经网络分类器设计（BP神经网络、径向基函数神经网络、自组织竞争神经网络、概率神经网络、对向传播神经网络、反馈型神经网络），决策树分类器设计，粗糙集分类器设计，聚类分析，模糊聚类分析，禁忌搜索算法聚类分析，遗传算法聚类分析，蚁群算法聚类分析，粒子群算法聚类分析。
　　《模式识别与智能计算―MATLAB技术实现（第3版）》内容新颖，实用性强，理论与实际应用密切结合，以手写数字识别为应用实例，介绍理论运用于实践的实现步骤及相应的Matlab代码，为广大研究工作者和工程技术人员对相关理论的应用提供借鉴。

作者简介

　　杨淑莹，天津理工大学计算机系教授，天津大学电子信息学院博士，发表相关的论文近20篇，其中四篇被EI检索。出版的多本著作被清华大学等多所大学选为研究生或本科生教材。出版方向：计算机视觉，模式识别，图像处理及应用，计算机控制和机器人视觉控制。

目录

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
7.1决策树的基本概念
7.2决策树分类器设计
本章小结
习题7
第8章粗糙集分类器设计
8.1粗糙集理论的基本概念
8.2粗糙集在模式识别中的应用
8.3粗糙集分类器设计
本章小结
习题8
第9章聚类分析
9.1聚类的设计
9.2基于试探的未知类别聚类算法
9.2.1最临近规则的试探法
9.2.2最大最小距离算法
9.3层次聚类算法
9.3.1最短距离法
9.3.2最长距离法
9.3.3中间距离法
9.3.4重心法
9.3.5类平均距离法
9.4动态聚类算法
9.4.1K均值算法
9.4.2迭代自组织的数据分析算法（ISODATA）
9.5模拟退火聚类算法
9.5.1模拟退火的基本概念
9.5.2基于模拟退火思想的改进K均值聚类算法
本章小结
习题9
第10章模糊聚类分析
10.1模糊集的基本概念
10.２模糊集运算
10.２.1模糊子集运算
10.２.2模糊集运算性质
10.３模糊关系
10.4模糊集在模式识别中的应用
10.5基于模糊的聚类分析
本章小结
习题10
第11章禁忌搜索算法聚类分析
11.1禁忌搜索算法的基本原理
11.2禁忌搜索的关键参数和相关操作
11.3基于禁忌搜索算法的聚类分析
本章小结
习题11
第12章遗传算法聚类分析
12.1遗传算法的基本原理
12.2遗传算法的构成要素
12.2.1染色体的编码
12.2.2适应度函数
12.2.3遗传算子
12.3控制参数的选择
12.４基于遗传算法的聚类分析
本章小结
习题12
第13章蚁群算法聚类分析
13.1蚁群算法的基本原理
13.2聚类数目已知的蚁群聚类算法
13.3聚类数目未知的蚁群聚类算法
本章小结
习题13
第14章粒子群算法聚类分析
14.1粒子群算法的基本原理
14.2基于粒子群算法的聚类分析
本章小结
习题14
参考文献

前言/序言

图像的秘密：色彩、纹理与形状的对话 简介 在浩瀚的数字世界中，信息如潮水般涌来，而我们常常被其表面的光鲜所迷惑，忽视了潜藏在像素深处的语言。图像，作为信息传递的直观载体，其内在的规律和信息被层层包裹，等待着被发掘和解读。这本书，并非关于代码的炫技，也非关于算法的堆砌，而是带领读者踏上一段探索“图像的秘密”的旅程，深入理解构成图像的本质元素——色彩、纹理与形状——如何交织对话，共同诉说着隐藏的故事。 我们日常所见的万物，从一朵娇嫩的花瓣到繁华的都市街景，再到复杂精密的医学影像，它们之所以能被我们辨识，正是因为它们拥有独特的视觉特征。这些特征，归根结底，便是由色彩的分布、纹理的肌理以及形状的轮廓所共同构建。本书将以一种回归本源、强调感知的方式，引导读者重新审视这些基础的视觉元素，并理解它们在构成一幅幅生动图像中的关键作用。 色彩：不止是红黄蓝绿 提及色彩，人们往往联想到颜料的混合或屏幕的发光。然而，在图像识别的语境下，色彩的意义远不止于此。它是一种能量的映射，是物体与光线相互作用的直接体现。本书将深入探讨： 色彩空间的多样性： 从最直观的RGB（红绿蓝）三原色，到更符合人类视觉感知的HSV（色相、饱和度、明度）或HSL（色相、饱和度、亮度），再到适合特定应用的Lab色彩空间，我们将理解不同色彩空间如何从不同维度捕捉和描述颜色信息。我们不会止步于理论的介绍，而是会通过具体的视觉案例，展示不同色彩空间在突出物体特征、分离背景、实现色彩校正等方面的独特优势。 颜色在图像中的信息载体： 颜色不仅能区分物体，更能传达情感、指示状态。例如，农作物成熟的颜色变化，病变组织呈现的异常色泽，甚至是艺术作品中色彩的情感表达。本书将分析颜色如何承载这些丰富的语义信息，并探讨如何提取和利用这些颜色特征来辅助图像的理解。 色彩的统计学分析： 颜色的分布并非随机。通过对图像中颜色分布的统计分析，例如直方图的构建与解读，我们可以了解图像的整体色调、是否存在明显的色彩倾向，以及特定颜色区域的出现频率。这些统计信息，将成为后续分析的重要基础。 色彩的感知与增强： 人类的视觉系统对色彩的感知是复杂且主观的。本书将触及一些基础的色彩感知原理，并探讨如何通过图像处理技术，如亮度/对比度调整、色彩平衡、直方图均衡化等，来增强图像中色彩的对比度和信息量，使其更易于人类理解或被后续的分析算法捕捉。 纹理：指尖下的万千世界 纹理，是指图像中物体表面重复出现的微小模式，它赋予了物体质感、粗糙度、光滑度等触觉意义的视觉信息。一块粗糙的岩石，一块光滑的丝绸，一片茂密的森林，它们各自拥有独一无二的纹理特征，正是这些纹理，让我们能够区分和识别它们。本书将聚焦于： 纹理的几何学与统计学描述： 纹理的产生源于物体表面微观结构的重复排列。我们将从几何学的角度，分析不同纹理的构成元素（如点、线、区域）及其排列方式。更重要的是，我们将深入探讨统计学方法在纹理描述中的强大能力。例如，灰度共生矩阵（GLCM）如何通过分析像素对之间的灰度关系来量化纹理的均匀性、对比度、能量等属性；局部二值模式（LBM）如何捕捉局部纹理的细节信息；以及其他基于滤波、傅里叶变换的纹理分析方法。 纹理在物体识别中的作用： 很多情况下，纹理是区分相似颜色或形状物体的关键。例如，区分两种绿色植物，或者识别不同种类的木材。本书将通过实例，展示如何利用纹理特征来区分不同的表面材质，识别物体，甚至判断物体的状态（如材料的磨损程度）。 纹理的合成与增强： 理解纹理的生成机制，有助于我们对其进行合成，生成逼真的纹理图像，或者对现有图像中的纹理进行增强，使其更具表现力。我们将触及一些基础的纹理合成技术，以及如何通过滤波等手段来突出或平滑纹理。 纹理与分割： 不同的区域往往具有不同的纹理特性。本书将探讨如何利用纹理的差异性来实现图像的分割，即将具有相似纹理的区域划分到同一类，从而将图像分解为有意义的组成部分。 形状：轮廓里的身份证明 形状，是物体最直观、最本质的几何属性，是区分不同物体的重要依据。从简单的圆形、方形，到复杂的生物形态，形状的轮廓和内部结构，共同构成了物体的“身份证明”。本书将带领读者探索： 形状的边界提取： 形状的定义始于其边界。我们将学习和理解各种边缘检测算子（如Sobel、Canny）的原理和应用，它们如何在像素级别的变化中捕捉到物体边界的蛛丝马迹。 形状的几何特征描述： 一旦提取了形状的边界，我们就可以计算其各种几何特征，如面积、周长、质心、长宽比、矩（如Hu矩）等。这些特征如同物体的“指纹”，能够量化其形状的特点。我们将详细分析这些特征的意义，以及它们如何用于区分形状各异的物体。 形状的轮廓分析： 轮廓的曲率、拐点、链码等信息，能够更精细地描述形状的细节。本书将介绍如何分析这些轮廓的特征，以识别具有复杂或非刚性形状的物体。 形状的匹配与识别： 拥有了形状的描述，我们就可以进行形状的匹配和识别。我们将探讨基于形状特征的匹配算法，如何通过比较不同形状的特征向量来判断它们是否相似，从而实现物体的识别和定位。 形状的形态学处理： 形态学操作，如腐蚀、膨胀、开运算、闭运算，能够有效地处理形状的噪声、连接断开的区域、去除小的突出部分等，对形状的提取和分析起到至关重要的作用。 三者融合：看见更深层的含义 色彩、纹理和形状并非孤立存在，它们相互依存，共同构建了我们对图像的完整感知。例如，一种特定的颜色（如红色）可能出现在许多不同的物体上，但其独特的纹理（如丝绸的光滑感）和形状（如玫瑰花瓣的层叠）就能明确地指示出“玫瑰”。 本书的独特之处在于，它将不侧重于算法的抽象实现，而是回归到对这些基础视觉元素的深刻理解。 我们将通过大量的直观示例和可视化分析，让读者亲身感受到色彩、纹理和形状是如何共同作用，传递丰富的图像信息。我们将探讨： 色彩、纹理与形状的互补性： 在实际应用中，单一的特征往往不足以完成复杂的识别任务。理解它们如何互补，以及如何联合使用这些特征，是构建强大图像分析系统的关键。 实例驱动的深入分析： 从识别不同种类的水果、区分不同材质的地面，到分析医学影像中的微小病变，本书将用实际案例来阐释色彩、纹理和形状在这些任务中的具体作用和提取方法。 为更复杂的智能计算打下坚实基础： 尽管本书不直接深入高级的机器学习算法，但它所涵盖的对图像本质特征的深入理解，将为读者后续学习和掌握更复杂的模式识别、图像处理和计算机视觉技术，打下坚实而可靠的根基。它将帮助读者理解那些高级算法“为什么”有效，而不是仅仅知道“如何”使用它们。 本书是一次视觉的探索之旅，旨在唤醒读者对图像背后隐藏信息的敏感度。它适合所有对图像分析、模式识别以及数据可视化充满好奇的读者。无论您是初学者，还是希望加深对图像本质理解的专业人士，都能在这趟旅程中获得宝贵的启示，学会“看见”图像的秘密。

评分☆☆☆☆☆

我在工作中经常需要处理大量的数据，并从中提取有价值的信息，因此对模式识别和智能计算领域的技术非常感兴趣。《模式识别与智能计算—MATLAB技术实现（第3版）》这本书对我来说，就像是为我量身定制的工具手册。它并没有过分地强调理论的严谨性，而是更加注重实际的运用。我特别欣赏书中对于各种算法在实际问题中应用的案例分析，这些案例贴近实际工作场景，让我能够快速地理解这些算法的实用价值。例如，在处理客户细分问题时，书中展示了如何使用聚类算法来对客户进行分组，并提供了完整的MATLAB代码，这直接为我解决实际问题提供了思路和方法。此外，书中关于数据预处理和可视化部分的讲解也十分实用，这对于确保数据分析的质量至关重要。我发现，通过阅读和实践书中的内容，我不仅能够更好地理解各种模式识别和智能计算的技术，还能直接将其应用到我的日常工作中，极大地提高了工作效率和数据分析的深度。这本书是一本真正能够解决实际问题的技术指南。

评分☆☆☆☆☆

这本《模式识别与智能计算—MATLAB技术实现（第3版）》简直是我近期阅读中最大的惊喜！作为一名在人工智能领域摸爬滚打多年的工程师，我一直觉得理论与实践之间的鸿沟，很多时候是靠一本好的参考书来架起的。这本书在这方面做得非常出色，它不仅仅是简单地罗列算法，而是深入浅出地讲解了每一个模式识别和智能计算的核心思想，并且用MATLAB这个强大的工具将其一一落地。我特别欣赏它在讲解过程中，并没有止步于高屋建瓴的理论阐述，而是花了大量的篇幅去展示如何用MATLAB代码来实现这些算法。这对我这种喜欢动手实践的人来说，简直是福音。书中提供的代码示例清晰、规范，并且对关键步骤都有详尽的注释，让我能够迅速理解算法的内在逻辑，并能根据自己的需求进行修改和扩展。我尤其对其中关于深度学习部分的代码实现印象深刻，它展示了如何利用MATLAB的深度学习工具箱构建和训练神经网络，这对于我目前正在进行的项目非常有启发性。总而言之，这本书是一本理论扎实、实践性强、并且非常贴合当下技术发展的优秀著作，强烈推荐给所有在模式识别和智能计算领域深耕的同行者。

评分☆☆☆☆☆

我是一名对人工智能领域充满好奇但又缺乏专业背景的爱好者，这次偶然的机会接触到了《模式识别与智能计算—MATLAB技术实现（第3版）》。虽然我之前对编程了解不多，但是这本书的写作风格非常易于理解。它并没有一开始就抛出晦涩难懂的数学公式，而是从最基本、最直观的例子讲起，例如如何用MATLAB来处理图像、识别简单的模式。我记得在讲到图像识别的入门部分时，书中展示了如何用MATLAB读取一张图片，然后进行一些简单的像素处理，这让我感到非常有趣，也增强了我继续学习的信心。之后，它逐渐深入到更复杂的概念，但每次都会用大量的图例和清晰的代码来说明，即使遇到不熟悉的术语，也能通过上下文和代码的演示来理解。让我特别受启发的是，书中展示了如何用MATLAB实现一些基础的机器学习模型，比如简单的分类器，这让我看到了人工智能并非遥不可及，而是可以通过学习和实践来实现的。这本书为我提供了一个非常友好的起点，让我能够在不畏惧技术门槛的情况下，逐步探索模式识别和智能计算的奇妙世界。

评分☆☆☆☆☆

作为一名刚踏入数据科学领域的研究生，我一直在寻找一本能够帮助我理解并应用复杂算法的教材。《模式识别与智能计算—MATLAB技术实现（第3版）》无疑是我近期最得力的助手。在学习初期，我对诸如支持向量机、聚类分析、降维技术等概念感到有些抽象和难以把握，但是这本书通过翔实的案例和直观的图示，将这些概念变得生动起来。更重要的是，它巧妙地将这些理论与MATLAB编程相结合，我不再是孤立地学习算法，而是能在实际操作中感受算法的魅力。我记得在学习降维技术时，书中详细讲解了PCA和LDA的原理，并通过MATLAB代码展示了如何对高维数据进行可视化，这让我一下子就明白了降维的意义和作用。此外，书中还包含了许多关于特征提取和选择的章节，这对于我理解如何从原始数据中提取有用的信息至关重要。我喜欢它循序渐进的教学方式，即使是初学者也能逐步掌握其中的奥秘。这本书为我打开了一扇通往智能计算世界的大门，我对其严谨的学术态度和卓越的实践指导能力深表赞赏。

评分☆☆☆☆☆

作为一名在高校从事教学工作的教师，我一直致力于寻找能够平衡理论深度与教学实用性的优秀教材。《模式识别与智能计算—MATLAB技术实现（第3版）》恰恰满足了我的这一需求。在课程设计中，我一直希望能够让学生在掌握理论知识的同时，也能熟练运用现代化的工具进行实践。这本书的结构非常清晰，每一章都围绕一个核心的模式识别或智能计算算法展开，并紧随其后提供了相应的MATLAB实现。这使得学生们能够将抽象的理论概念与具体的代码实现联系起来，从而加深理解。我特别喜欢书中关于分类和回归算法的讲解，它不仅阐述了各种算法的数学原理，还提供了详细的MATLAB代码示例，让学生能够亲手运行、调试，并观察不同参数设置对结果的影响。此外，书中还涉及了模式识别中的一些经典问题，如特征工程、模型评估等，这些都是学生在实际应用中必须掌握的关键技能。这本书为我的教学提供了坚实的基础，让学生们在学习过程中能够获得更丰富的实践经验，为他们未来的学术研究或职业发展奠定良好的基础。

评分☆☆☆☆☆

不错

评分☆☆☆☆☆

还不错的一本书

评分☆☆☆☆☆

还没看 感觉还可以

评分☆☆☆☆☆

爱你爱你，好看得书，叮咚咚咚，1234567

评分☆☆☆☆☆

书不错，纠结买第二版还是第三版，后来选了第三版。不错不错！

评分☆☆☆☆☆

可以

评分☆☆☆☆☆

复习下专业课，感觉应该不错

评分☆☆☆☆☆

内容翔实，由浅入深，推荐！

评分☆☆☆☆☆

一样的？？？？？