本书实用性强，选材新颖，包括了神经网络、模糊集理论、遗传算法等新技术，针对每一种模式识别技术，书中分为理论基础、实现步骤、编程代码三部分，所有算法都用VC++编程实现，程序结构简单，代码简洁，便于初学者很快掌握模式识别技术。本书可作为高等院校计算机工程、信息工程、生物医学工程、智能机器人学、工业自动化、模式识别等学科本科生、研究生的教材或教学参考书，亦可供有关工程技术人员参考。 第1章 模式识别的基本概念1 模式识别的基本概念2 图像识别3 位图基础小结习题第2章 分类器设计1 特征空间优化设计问题2 分类器设计准则3 分类器设计基本方法4 判别函数5 分类器的选择6 训练与学习小结习题第3章 模板匹配分类器1 特征类设计2 待测样品特征提取3 训练集特征库的建立4 模板匹配分类法小结习题第4章 基于概率统计的Bayes分类器1 Bayes决策的基本概念2 基于最小错误率的Bayes决策3 基于最小风险的Bayes决策4 Bayes决策比较5 基于二值数据的Bayes分类实现6 基于最小错误率的Bayes分类实现7 基于最小风险的Bayes分类实现小结习题第5章 几何分类器1 几何分类器的基本概念2 线性判别函数3 线性差别函数的实现4 感知器算法5 增量校正算法6 LMSE验证可分性7 LMSE分类算法8 Fisher分类9 线性分类器实现分类的局限性10 非线性判别函数11 分段线性差别函数12 势函数法小结习题第6章 神经网络分类器1 人工神经网络的基本原理2 BP网络设计3 神经网络分类器设计小结习题第7章 图像分割与特征提取1 聚类简介2 图像阈值分割3 图像的标识及特征提取4 图像的轮廓提取5 图像的测量小结习题第8章 聚类分析第9章 模糊聚类分析第10章 遗传算法聚类分析附录A 几种主要矩阵运算的程序代码参考文献
小璇璇APPLE
