实验数据多元统计分析PDF|Epub|txt|kindle电子书版本网盘下载

实验数据多元统计分析PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第一章 绪论1

1.1模式和模式识别1

1.2模式识别系统2

1.2.1原始数据获取3

1.2.2原始数据的预处理3

1.2.3特征提取和选择6

1.2.4分类决策6

1.3数据矩阵与样本空间9

1.3.1数据矩阵与样本空间9

1.3.2模式的相似性度量11

1.3.3样本点的权重和特征向量数据的预处理12

1.4主成分分析15

1.4.1主成分分析的基本思想16

1.4.2主成分分析算法17

1.4.3降维处理及信息损失19

第二章 贝叶斯决策21

2.1基于最小错误率的贝叶斯决策21

2.1.1决策规则21

2.1.2错误率23

2.1.3分类器设计25

2.2Neyman-Pearson决策26

2.3正态分布时的贝叶斯决策28

2.4分类器的效率和错误率30

2.4.1分类器的效率、错误率和判选率矩阵30

2.4.2错误率的上界32

2.4.3利用检验样本集估计判选率矩阵和错误率33

2.4.4训练样本集和检验样本集的划分35

2.4.5利用判选率矩阵估计各类“真实”样本数37

2.4.6分类器判定的“信号”样本中错判事例的扣除39

2.5讨论41

第三章 线性判别方法43

3.1线性判别函数43

3.1.1线性判别函数的基本概念43

3.1.2广义线性判别函数46

3.1.3线性分类器的设计48

3.2Fisher线性判别48

3.3感知准则函数54

3.3.1几个基本概念54

3.3.2感知准则函数56

3.4最小错分样本数准则函数58

3.5最小平方误差准则函数60

3.5.1平方误差准则函数及其MSE解60

3.5.2MSE准则函数的梯度下降算法62

3.5.3随机MSE准则函数及其随机逼近算法63

3.6多类问题65

第四章 决策树判别68

4.1超长方体分割法68

4.1.1超长方体分割法的基本思想68

4.1.2超长方体分割法中阈值的确定69

4.1.3超长方体分割法的优缺点及其改进71

4.1.4超长方体分割法用于高能物理实验分析73

4.2决策树法79

4.2.1决策树法的基本思想79

4.2.2信号/本底二元决策树的构建81

4.2.3决策树的修剪83

4.3决策树林法84

4.3.1决策树林的构建85

4.3.2决策树林对输入事例的分类86

4.3.3重抽样法构建决策树林87

第五章 人工神经网络88

5.1概述88

5.1.1生物神经元和人工神经元88

5.1.2人工神经网络的构成和学习规则90

5.2感知器93

5.2.1单输出单元感知器93

5.2.2多输出单元感知器94

5.3多层前向神经网络和误差逆传播算法96

5.3.1BP网络学习算法97

5.3.2BP网络学习算法的改进100

5.4Hopfield神经网络103

5.4.1离散Hopfield网络103

5.4.2连续Hopfield网络109

5.4.3Hopfield网络在优化计算中的应用111

5.5随机神经网络115

5.5.1随机神经网络的基本思想115

5.5.2模拟退火算法116

5.5.3Boltzmann机及其工作规则118

5.5.4Boltzmann机学习规则120

5.5.5随机神经网络小结126

5.6神经网络用于粒子鉴别127

5.6.1用于带电粒子鉴别的特征变量127

5.6.2带电粒子鉴别的神经网络的架构130

5.6.3网络的训练和粒子鉴别效果132

第六章 近邻法135

6.1最近邻法135

6.2k近邻法136

6.3剪辑近邻法138

6.3.1两分剪辑近邻法139

6.3.2重复剪辑近邻法141

6.4可作拒绝决策的近邻法143

6.4.1具有拒绝决策的k近邻法143

6.4.2具有拒绝决策的剪辑近邻法144

第七章 其他非线性判别方法146

7.1概率密度估计量方法146

7.1.1基本思想146

7.1.2总体概率密度的非参数估计147

7.1.3投影似然比估计153

7.1.4多维概率密度估计155

7.1.5近邻体积中样本数的确定155

7.1.6概率密度估计法与神经网络的性能对比157

7.2H矩阵判别161

7.3函数判别分析162

7.4支持向量机165

7.4.1最优分类面165

7.4.2广义最优分类面168

7.4.3支持向量机169

第八章 不同判别方法的比较173

8.1不同判别方法的特点173

8.2多元统计分析程序包TMVA简介178

参考文献186