本书将模式识别与人工智能理论和实际应用相结合，以酒瓶颜色分类为例，介绍各种算法理论及相应的Python实现程序。全书共10章，内容包括模式识别概述、贝叶斯分类器设计、判别函数分类器设计、聚类分析、模糊聚类分析、神经网络聚类设计、模拟退火算法聚类设计、遗传算法聚类设计、蚁群算法聚类设计、粒子群算法聚类设计，涵盖各种常用的模式识别技术。 本书可作为高等院校自动化、计算机、电子和通信等专业研究生和高年级本科生的教材，也可作为计算机信息处理、自动控制等相关领域工程技术人员的参考用书。

第1章 模式识别概述
1.1 模式识别的基本概念
1.1.1 模式的描述方法
1.1.2 模式识别系统
1.2 模式识别的基本方法
1.3 模式识别的应用
习题
第2章 贝叶斯分类器设计
2.1 贝叶斯决策及贝叶斯公式
2.1.1 贝叶斯决策
2.1.2 贝叶斯公式
2.2 基于最小错误率的贝叶斯决策
2.2.1 基于最小错误率的贝叶斯决策理论
2.2.2 最小错误率贝叶斯分类的计算过程
2.2.3 最小错误率贝叶斯分类的Python实现
2.2.4 结论
2.3 最小风险贝叶斯决策
2.3.1 最小风险贝叶斯决策理论
2.3.2 最小错误率与最小风险贝叶斯决策的比较
2.3.3 贝叶斯算法的计算过程
2.3.4 最小风险贝叶斯分类的Python实现
2.3.5 结论
习题
第3章 判别函数分类器设计
3.1 判别函数简介
3.2 线性判别函数
3.3 线性判别函数的实现
3.4 基于LMSE的分类器设计
3.4.1 LMSE分类法简介
3.4.2 LMSE算法的原理
3.4.3 LMSE算法的步骤
3.4.4 LMSE算法的Python实现
3.4.5 结论
3.5 基于Fisher的分类器设计
3.5.1 Fisher判别法简介
3.5.2 Fisher分类器设计
3.5.3 Fisher算法的Python实现
3.5.4 识别待测样本类别
3.5.5 结论
3.6 基于支持向量机的分类法
3.6.1 支持向量机的基本思想
3.6.2 支持向量机的主要优点
3.6.3 训练集为非线性情况
3.6.4 核函数
3.6.5 多类分类问题
3.6.6 基于SVM的Python实现
3.6.7 结论
习题
第4章 聚类分析
4.1 聚类分析简介
4.1.1 聚类的定义
4.1.2 聚类准则
4.1.3 基于试探法的聚类设计
4.2 数据聚类——K均值聚类
4.2.1 K均值聚类简介
4.2.2 K均值聚类算法的优缺点
4.2.3 K均值聚类算法的Python实现
4.2.4 待聚类样本的分类结果
4.2.5 结论
4.3 数据聚类——基于取样思想的K均值算法的改进
4.3.1 K均值算法的改进
4.3.2 基于取样思想的改进K均值聚类算法的Python实现
4.3.3 结论
4.4 数据聚类——K近邻法聚类
……
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