本书是在《模式识别与人工智能（基于MATLAB）》（周润景编著）的基础上编写而成的，为了适应模式识别算法的新发展、满足各层次读者的学习需求，在原有基础上增加了大量新内容，包括细化各章的内容并增加三种新算法。本书涉及统计学、模糊控制、神经网络、人工智能等学科的思想和理论，将模式识别与人工智能理论和实际应用相结合，针对具体案例进行算法设计和分析，并运用MATLAB程序实现。
全书共分为12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、免疫算法、禁忌搜索算法，覆盖了各种常用的模式识别技术。
本书可作为高等学校自动化、计算机、电子信息类等专业高年级本科生和研究生的教材，也可作为各行各业学习模式识别和机器学习的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 贝叶斯决策简介
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MATLAB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MATLAB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算法分类
3.4.4 LMSE算法步骤
3.4.5 实现LMSE算法的详细过程
3.4.6 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判别法的基本原理
3.5.3 Fisher分类器设计
3.5.4 Fisher算法实现
3.5.5 识别待测样本类别
3.5.6 结论
3.6 基于支持向量机的分类法
3.6.1 支持向量机简介
3.6.2 支持向量机的基本思想
3.6.3 线性可分支持向量机
3.6.4 非线性可分支持向量机
3.6.5 L1软间隔支持向量机
3.6.6 支持向量机的几个主要优点
3.6.7 多类分类问题
3.6.8 基于SVM的数据分类
3.6.9 结论
习题
第4章 聚类分析
4.1 聚类分析
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均值聚类的原理
4.2.3 K均值算法的主要流程
4.2.4 K均值算法的优缺点
4.2.5 K均值聚类的MATLAB实现
4.2.6 待聚类样本的分类结果
4.2.7 结论
4.3 数据聚类——基于取样思想的改进K均值聚类
4.3.1 K均值改进算法的思想
4.3.2 基于取样思想的改进K均值算法
4.3.3 结论
4.4 数据聚类——K近邻法聚类
4.4.1 近邻法简介
4.4.2 K近邻法的概念
4.4.3 K近邻法的算法研究
4.4.4 K近邻法数据分类器的MATLAB实现
4.4.5 结论
4.5 数据聚类——PAM聚类
4.5.1 PAM算法概述
4.5.2 PAM算法的主要流程
4.5.3 PAM算法的实现
4.5.4 PAM算法的特点
4.5.5 K均值和PAM算法分析比较
4.5.6 结论
4.6 数据聚类——层次聚类
4.6.1 层次聚类方法简介
4.6.2 凝聚的和分裂的层次聚类
4.6.3 聚合层次聚类算法的原理
4.6.4 簇间距离度量方法
4.6.5 层次聚类方法存在的不足
4.6.6 层次聚类的MATLAB实现
4.6.7 结论
4.7 数据聚类——ISODATA算法
4.7.1 ISODATA算法应用背景
4.7.2 用MATLAB实现ISODATA算法
4.7.3 结论
习题
第5章 模糊聚类分析
5.1 模糊逻辑的发展
5.2 模糊集合
5.2.1 由经典集合到模糊集合
5.2.2 模糊集合的基本概念
5.2.3 隶属度函数
5.2.4 模糊与概率
5.3 模糊集合的运算
5.3.1 模糊集合的基本运算
5.3.2 模糊集合的基本运算规律
5.3.3 模糊集合与经典集合的联系
5.4 模糊关系与模糊关系的合成
5.4.1 模糊关系的基本概念
5.4.2 模糊关系的合成
5.4.3 模糊关系的性质
5.4.4 模糊变换
5.5 模糊逻辑及模糊推理
5.5.1 模糊逻辑技术
5.5.2 语言控制策略
5.5.3 模糊语言变量
5.5.4 模糊命题与模糊条件语句
5.5.5 判断与推理
5.5.6 模糊推理
5.6 数据聚类——模糊聚类
5.6.1 模糊聚类的应用背景
5.6.2 基于MATLAB的GUI工具的模糊算法构建——数据模糊化
5.6.3 基于MATLAB的GUI工具的模糊算法构建——FIS实现
5.6.4 模糊聚类的结果分析
5.7 数据聚类——模糊C均值聚类
5.7.1 模糊C均值聚类的应用背景
5.7.2 模糊C均值算法
5.7.3 模糊C均值聚类的MATLAB实现
5.7.4 模糊C均值聚类的结果分析
5.8 数据聚类——模糊ISODATA聚类
5.8.1 模糊ISODATA聚类的应用背景
5.8.2 模糊ISODATA算法的基本原理
5.8.3 模糊ISODATA算法的基本步骤
5.8.4 模糊ISODATA算法的MATLAB程序实现
5.8.5 结论
5.9 模糊神经网络
5.9.1 模糊神经网络的应用背景
5.9.2 模糊神经网络算法的原理
5.9.3 模糊系统与神经网络的比较
5.9.4 模糊神经网络