模式识别与人工智能（基于MATLAB） - (EPUB全文下载)

文件大小：1.61 mb。
文件格式：epub 格式。
书籍内容：

模式识别与人工智能（基于MATLAB）
第1章　模式识别概述
第2章　贝叶斯分类器设计
第3章　判别函数分类器设计
第4章　聚类分析
第5章　模糊聚类分析
第6章　神经网络聚类设计
第7章　模拟退火算法聚类设计
第8章　遗传算法聚类设计
第9章　蚁群算法聚类设计
第10章　粒子群算法聚类设计
参考文献
第1章　模式识别概述
1.1　模式识别的基本概念
模式识别（pattern recognition）也称机器识别，就是通过计算机用数学技术方法来进行模式的自动处理和判读。该学科的主要任务是利用计算机进行模拟人的识别能力，提出识别具体客体的基本理论与实用技术。其最基本的方法是计算，即计算要识别的事物与已知的标准事物的相似程度，从而让机器能判别事物。因此，找到度量不同事物差异的有效方法是研究的关键。随着计算机技术的发展，人类有可能研究复杂的信息处理过程。我们把环境与客体统称为“模式”。信息处理过程的一个重要形式是生命体对环境及客体的识别。对人类来说，特别重要的是对光学信息（通过视觉器官来获得）和声学信息（通过听觉器官来获得）的识别。这是模式识别的两个重要方面。模式识别是确定一个样本的类别属性的过程，即把某一样本归属于多个类型中的某个类型。例如，数据分类，结果就是将待分类数据按属性分类；指纹识别，就是使用指纹的总体特征如纹形、三角点等来进行分类，再用局部特征如位置和方向等来进行识别用户身份；还有语音识别、生物认证、字符识别等。
1.1.1　模式的描述方法
对于模式的描述方法有两种：定量描述和结构性描述。其中，定量描述通过对事物的属性进行度量，用一组数据来描述模式；结构性描述是对事物所包含的成分进行分析，用一组基元来描述模式。
针对定量描述方法，一个具体的研究对象称为样品。对于一个样品来说，必须确定一些与识别有关的因素作为研究的根据，毎一个因素称为一个特征。模式用样品的一组数据来描述。模式的特征集一般可以用特征向量表示。特征向量中的每个元素称作特征。假设一个样品X有n个特征，若用小写字母x来表示特征，则可以把X看作一个n维列向量，该向量X称为特征向量，记作：
模式识别问题就是根据X的n个特征来判别模式X属于ω1，ω2，…，ωM类中的哪一类。其目的是在特征空间和解释空间之间建立一种特殊的对应关系。其中，特征空间由特征向量构成，包括模式的度量、属性等，通过对具体对象进行观测得到；解释空间由所属模式类别的集合构成。
1.1.2　模式识别系统
模式识别的关键是如何利用计算机进行模式识别，并对样本进行分类。执行模式识别的基于计算机的系统（可以是各种有计算能力的处理器系统）称为模式识别系统。该系统具有两种工作方式，训练方式和识别方式。
图1-1是一个典型的模式识别系统，由数据获取、预处理、特征提取、分类决策及分类器设计等部分组成。该系统各个组成部分的功能概括如下。
图1-1　模式识别系统
（1）数据获取：一般情况下，获取的信息类型有以下几种。
•　一维波形：心电图、脑电波、声波、震动波形等。
•　二维图像：文字、地图、照片等。
•　物理参量：体温、化验数据、温度、压力、电流、电压等。
（2）预处理：对由于信息获取装置或其他因素所造成的信息退化现象进行复原、去噪，加强有用信息。
（3）特征提取：由信息获取部分获得的原始信息，其数据量一般相当大。为了有效地实现分类识别，应对经过预处理的信息进行选择或变换，得到最能反映分类本质的特征，构成特征向量。其目的是将维数较高的模式空间转换为维数较低的特征空间。
（4）分类决策：在特征空间中用模式识别方法（由分类器设计确定的分类判别规则）对待识别模式进行分类判别，将其归为某一类别，输出分类结果。这一过程对应于特征空间向类别空间的转换。
（5）分类器设计：为了把待识别模式分配到各自的模式类中，必须设计出一套分类判别规则。基本做法是收集一定数量的样本作为训练集，在此基础上确定判别函数、改进判别函数和误差检验。
其中分类器设计在训练方式下完成，利用样本进行训练，确定分类器的具体参数，而分类决策在识别方式下起作用，对待识别的样本进行分类决策。
1.2　模式识别的基本方法
模式识别作为人工智能的一个重要应用领域，目前得到了飞速发展。针对不同的对象和不同的目的，可以使用不同的模式识别理论或方法。目前，基本的技术方法有如下四种。
1．统计模式识别
统计模式识别是首先根据待识别对象所包含的原始数据信息，从中提取出若干能够反映该类对象某方面性质的相应特征参数，并根据识别的实际需要从中选择一些参数的组合作为一个特征向量，根据某种相似性测度，设计一个能够对该向量组表示的模式进行区分的分类器，就可把特征向量相似的对象分为一类。
2．结构模式识别
当需要对待识别对象的各部分之间的联系进行精确识别时，就需要使用结构模式识别方法。结构模式识别是根据识别对象的结构特征，将复杂的模式结构先通过分解划分为多个相对更简单且更容易区分的子模式，若得到的子模式仍有识别难度，则继续对其进行分解，直到最终得到的子模式具有容易表示且容易识别的结构为止，通过这些子模式就可以复原原先比较复杂的模式结构。
3．模糊模式识别
模糊集理论认为，模糊集合中的一个元素，可以不是百分之百地确定属于该集合，而是可以以一定的比例属于该集合，不像传统集合理论中某元素要么属于要么不属于该集合的定义方式，更符合现实当中许多模糊的实际问题，描述起来更加简单合理。在用机器模拟人类智能时模糊数学能更好地描述现实当中具有模糊性的问题，进而更好地进行处理。模糊模式识别就以模糊集理论为基础，根据一定的判定要求建立合适的隶属度函数来对识别对象进行分类。
正是因为模糊模式识别能够很好地解决现实当中许多具有模糊性的概念，使其成为一种重要的模式识别方法。在进行模糊识别时，也需要建立一个识别系统，需要对实际的识别对象的特征参数按照一定的比例进行分类，这些比例往往是根据人为的经验作为参考值，只要符合认可的经验认识就行，之后建立能够处理模糊性问题的分类器对不同类别的特征向量进行判别。
4．人工 ............

以上为书籍内容预览，如需阅读全文内容请下载EPUB源文件，祝您阅读愉快。