目录

第1章绪论

1.1模式识别与人工智能概述

1.2模式识别与人工智能发展历史

1.3模式识别的分类、主要方法及应用

1.4人工智能的分类、主要方法及应用

第2章聚类分析

2.1聚类分析概述

2.1.1聚类分析定义

2.1.2聚类分析流程

2.2模式的相似性测度和聚类准则

2.2.1相似性测度

2.2.2聚类准则

2.3聚类方法

2.3.1简单聚类方法

2.3.2层次聚类法

2.3.3动态聚类法

2.4聚类结果评价准则

2.5聚类方法的发展及应用

第3章判别函数

3.1线性判别函数

3.2广义线性判别函数

3.3多类判别与决策树

3.3.1多个两类分类器的组合

3.3.2决策树

3.4非线性判别函数

3.4.1分段线性距离分类器

3.4.2一般的分段线性判别函数

3.4.3二次判别函数

3.5感知器

第4章统计模式识别

4.1贝叶斯决策模型

4.1.1最小错误率贝叶斯决策

4.1.2最小风险贝叶斯决策

4.2贝叶斯分类器的学习训练算法

4.2.1最大似然估计

4.2.2贝叶斯估计与贝叶斯学习

4.2.3非参数估计的基本原理与直方图方法

4.2.4kN近邻估计方法

4.2.5Parzen窗方法

4.3贝叶斯分类决策的错误率分析及估计

4.3.1错误率分析

4.3.2错误率估计

4.4贝叶斯分类举例

第5章特征选择和特征提取

5.1特征选择和特征提取概述

5.2模式类别可分性测度

5.2.1基于类内、类间距离的可分性测度

5.2.2基于概率分布的可分性判据

5.2.3基于熵的可分性判据

5.2.4基于统计检验的可分性判据

5.3特征选择的基本方法

5.3.1特征选择的最优算法

5.3.2特征选择的次优算法(确定性的启发式搜索)

5.4特征提取的基本方法

5.4.1主成分分析法

5.4.2KarhunenLoève变换

5.5特征选择、提取、检测实例

第6章神经网络

6.1神经网络的发展历程

6.2神经网络概述

6.3神经网络分类器结构

6.4神经网络分类器的学习训练算法

6.5几种重要的神经网络结构及学习算法

6.5.1前馈神经网络

6.5.2Hopfield神经网络

6.6神经网络模式识别实例

第7章支持向量机

7.1支持向量机概述

7.2VapnikChervonenkis维概念

7.3结构风险最小化原则

7.4最优化分类界面

7.5支持向量机模式识别算法

7.6支持向量机应用实例

7.7支持向量机的问题与改进方法

第8章知识表示与推理

8.1知识表示与推理概述

8.1.1知识表示

8.1.2推理

8.2经典逻辑推理

8.2.1演绎推理

8.2.2归纳推理

8.2.3类比推理

8.3非单调推理

8.3.1单调逻辑与单调推理

8.3.2非单调逻辑与非单调推理

8.4不确定性推理

8.4.1不确定性推理基础

8.4.2贝叶斯推理

8.4.3模糊推理

8.5知识表示推理的发展与应用

8.5.1知识表示推理的发展

8.5.2知识表示推理的应用前景

第9章智能系统

9.1智能系统概述

9.2专家系统原理

9.2.1专家系统的基本概念

9.2.2专家系统的基本组成

9.2.3专家系统的分类

9.2.4专家系统的应用

9.2.5专家系统的发展趋势

9.2.6专家系统的挑战

9.3搜索策略

9.3.1搜索策略的基本概念

9.3.2搜索策略的分类

9.3.3常见搜索算法

9.3.4搜索策略的应用

9.3.5搜索策略的优化

9.3.6搜索策略的未来发展

9.4遗传算法

9.4.1遗传算法的背景与历史

9.4.2遗传算法的基本概念

9.4.3遗传算法的基本原理

9.4.4遗传算法的实现

9.4.5遗传算法的问题和挑战

9.5进化计算和群智能原理、算法及应用实例

9.5.1进化计算与群智能概述

9.5.2进化算法

9.5.3群智能优化算法

9.5.4遗传算法在旅行商问题中的应用

第10章深度神经网络

10.1深度神经网络原理

10.2卷积神经网络

10.2.1卷积层

10.2.2池化

10.2.3归一化

10.2.4深度卷积神经网络

10.2.5卷积神经网络的问题与改进方法

10.3循环神经网络

10.3.1循环神经网络的原理

10.3.2循环神经网络的训练

10.3.3用循环神经网络建立语言模型

10.3.4长短期记忆网络

10.3.5循环神经网络的问题与改进方法

10.4神经网络的优化与正则化方法

10.4.1不适定问题

10.4.2正则化方法 

10.4.3常见的正则化方法

10.5神经网络中的注意力机制和外部记忆

10.5.1注意力机制

10.5.2外部记忆

10.6深度神经网络模式识别实例

10.6.1SOC估计算法的背景

10.6.2基于神经网络的SOC估计算法的设计步骤

10.6.3基于BP神经网络的SOC估计方法

10.6.4基于扩展卡尔曼网络的SOC估算方法

第11章深度学习前沿

11.1深度强化学习

11.1.1深度强化学习概述

11.1.2深度强化学习的原理与机制

11.1.3深度强化学习模型

11.2元学习

11.2.1元学习概述

11.2.2元学习算法特点

11.2.3元学习算法思想

11.2.4元学习的主要框架

11.2.5元学习的问题与改进方法

11.3图神经网络

11.3.1图概述

11.3.2图神经网络的基本原理

11.3.3应用实例

11.3.4实验仿真

11.4迁移学习

11.4.1迁移学习概述

11.4.2迁移学习方法的主要框架

11.4.3迁移学习的问题与改进方法

11.5小样本学习

11.6深度生成模型： 变分自编码器和生成对抗网络

11.6.1生成式模型概述

11.6.2自编码器

11.6.3变分自编码器

11.6.4VAE运用实例

11.6.5生成对抗网络

11.6.6条件生成对抗网络实例+

11.7相关应用实例

参考文献