智能模式識別方法

第一章 緒論
第一節(jié) 模式識別的含義
一、模式與模式識別的概念
二、模式識別系統(tǒng)
三、模式識別的主要研究內(nèi)容
第二節(jié) 模式識別的主要方法
第三節(jié) 模式識別的應(yīng)用領(lǐng)域
一、文字識別
二、語音識別
三、醫(yī)學上的應(yīng)用
四、狀態(tài)監(jiān)測與故障診斷
五、人臉識別
六、身份識別
第二章 統(tǒng)計模式識別基本理論
第一節(jié) 貝葉斯決策
一、最小錯誤率貝葉斯分類
二、最小風險率貝葉斯分類
第二節(jié) 概率密度函數(shù)估計
一、參數(shù)估計
二、非參數(shù)技術(shù)
第三節(jié) 線性分類器
一、線性判別函數(shù)的基本概念
二、最小距離分類器
三、感知器準則函數(shù)
四、Fisher線性判別函數(shù)
第四節(jié) 近鄰法
一、最近鄰法
二、K一近鄰法
第五節(jié) 聚類分析
一、模式相似性測度和聚類準則
二、層次聚類法
三、c一均值算法
四、ISODATA算法
第六節(jié) 特征選擇與提取的基本方法
一、特征評判標準——類別可分性判據(jù)
二、特征選擇及搜索算法
三、基于K—L變換的特征提取
第三章 特征選擇與提取中的智能方法
第一節(jié) 基于神經(jīng)網(wǎng)絡(luò)的特征選擇與提取
一、神經(jīng)網(wǎng)絡(luò)理論
二、前向多層神經(jīng)網(wǎng)絡(luò)、BP算法
三、基于神經(jīng)網(wǎng)絡(luò)的特征選擇與提取方法
第二節(jié) 基于粗糙集的特征選擇與提取
一、粗糙集基本理論
二、基于粗糙集的屬性約簡
三、連續(xù)屬性的離散化方法
四、粗糙集理論屬性約簡中的三個問題
五、基于啟發(fā)式知識的屬性約簡方法
第三節(jié) 基于遺傳算法的特征選擇與提取
一、基本遺傳算法
二、遺傳算法的基本實現(xiàn)技術(shù)
三、遺傳算法與特征選擇、提取
第四章 神經(jīng)網(wǎng)絡(luò)模式識別
第一節(jié) 基于多層前饋神經(jīng)網(wǎng)絡(luò)的模式識別
一、多層前饋神經(jīng)網(wǎng)絡(luò)在模式識別中的應(yīng)用方法
二、基于遺傳神經(jīng)網(wǎng)絡(luò)的科研立項評審方法
第二節(jié) 雙向聯(lián)想記憶(趾M)
一、M矩陣的確定
二、雙向聯(lián)想功能的實現(xiàn)
三、EAM在故障診斷中的應(yīng)用例子
第三節(jié) 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)
一、插值問題
二、正規(guī)化問題
三、邢F網(wǎng)絡(luò)學習方法
第四節(jié) 自組織特征映射神經(jīng)網(wǎng)絡(luò)
一、網(wǎng)絡(luò)的拓撲結(jié)構(gòu)
二、網(wǎng)絡(luò)自組織算法
三、有教師學習
四、自組織網(wǎng)絡(luò)用于模式識別的一個例子
第五章 模糊模式識別
第一節(jié) 模糊數(shù)學的基本理論
一、模糊集合
二、模糊關(guān)系
三、模糊變換與模糊綜合評判
第二節(jié) 模糊模式識別的基本方法
一、最大隸屬原則
二、擇近原則
第三節(jié) 模糊神經(jīng)網(wǎng)絡(luò)
一、模糊神經(jīng)元
二、模糊神經(jīng)網(wǎng)絡(luò)
三、模糊BP網(wǎng)絡(luò)
四、模糊聯(lián)想記憶
第四節(jié) 模糊聚類分析
第五節(jié) 模糊‘一均值算法
第六節(jié) 模糊模式識別技術(shù)在故障診斷中的應(yīng)用
一、柴油機系統(tǒng)故障的模糊邏輯診斷
二、模糊神經(jīng)網(wǎng)絡(luò)在汽輪發(fā)電機組故障診斷中的應(yīng)用
第六章 基于核方法的特征提取技術(shù)
第一節(jié) 核方法
第二節(jié) 基于核的主成分分析方法
一、KPCA的基本原理
二、算例分析
第三節(jié) 基于核的Fisher判別方法
一、Fisher判別方法
二、基于核的Fisher判別方法
三、算例分析
第四節(jié) 基于核的投影尋蹤方法
一、PP方法總體思路與PP指標
二、PP主成分分析
三、基于核的PP方法
四、算例分析
第五節(jié) 主動學習在基于核的特征提取中的應(yīng)用
一、主動學習方法簡介
二、KPCA中樣本篩選的可行性研究
三、KPCA中樣本篩選的具體方法
四、算例分析
第七章 支持向量機模式識別
第一節(jié) 統(tǒng)計學習理論基本內(nèi)容
一、一般機器學習方法所遇到的問題
二、統(tǒng)計學習理論
第二節(jié) 支持向量機
一、最優(yōu)分類面
二、支持向量機模型
三、多類情況下的SVM模型
四、算例分析
五、SVM的初步討論
第三節(jié) 線性規(guī)劃支持向量機
一、不同范數(shù)下超平面之間的距離計算
二、LI范數(shù)下的線性規(guī)劃支持向量機模型
三、L。范數(shù)下的線性規(guī)劃支持向量機模機
四、線性規(guī)劃支持向量機模型的幾何性質(zhì)
第四節(jié) 等損失SVM模型
一、基于等風險的SVM模型
二、診斷算例
三、小結(jié)
第五節(jié) 樣本數(shù)目相差懸殊時的SVM模型
一、樣本數(shù)目相差懸殊時的SVM模型概述
二、算例分析
三、小結(jié)
第六節(jié) SVM中先驗知識的應(yīng)用
第七節(jié) 主動學習與支持向量機
第八章 基于核方法的奇異狀態(tài)檢測方法
第一節(jié) 野點的定義與類型
第二節(jié) 野點檢測的常規(guī)方法
一、基于統(tǒng)計的野點檢測方法
二、基于距離的野點檢測方法
三、基于偏離的野點檢測方法
四、基于神經(jīng)網(wǎng)絡(luò)的野點檢測方法
第三節(jié) 核方法下基于邊界的野點檢測
第四節(jié) 野點檢測在機械設(shè)備運行狀態(tài)實時監(jiān)測中的應(yīng)用
一、實時監(jiān)測原理
二、仿真算例分析
第五節(jié) 基于距離的樣本點選擇方法
一、原理
二、仿真算例
第九章 模式識別應(yīng)用實例
第一節(jié) 支持向量機在滾動軸承質(zhì)量分類中的應(yīng)用
一、軸承檢測裝置的硬件設(shè)計
二、檢測參數(shù)的確定
三、基于支持向量機的滾動軸承質(zhì)量檢測方法
第二節(jié) 基于SVDD的多類分類算法及其在人臉識別中的應(yīng)用
一、基于SVDD的多類分類算法
二、在人臉識別中的應(yīng)用
第三節(jié) 基于州N的肺癌細胞識別與分類
一、涂片圖像的預(yù)處理
二、參數(shù)的提取
三、基于神經(jīng)網(wǎng)絡(luò)的識別與分類
四、實驗結(jié)果
參考文獻