第五章 判别函数分类器设计

  • 5.1 判别函数
  • 5.2 线性判别函数和几何性质
  • 5.3 感知器算法
  • 5.4 梯度法
  • 5.5 Fisher线性判别

第六章 神经网络分类器设计

  • 6.1 人工神经元的数学模型
  • 6.2 人工神经元的基本概念和基本原理
  • 6.3 前馈神经网络
  • 6.4 径向基函数神经网络

6.1 人工神经元模型

人工神经元间的互连 : 信息传递路径轴突 —- 突触 —- 树突的简化

连接的权值 :两个互连的神经元之间相互作用的强弱。人工神经元相当于多输入单输出非线性阈值器件。

6.2 人工神经网络

神经网络的学习
  • 有导师的学习方法:主要采用误差学习方法

  • 无导师的学习方法:主要采用Hebb学习规则

    ​ a) Hebb学习规则

    ​ 如果神经网络中某个神经元与另一直接与其相连的神经元同时处于兴奋状态,那么这两个神经元之间的连接强度应该加强。

误差学习方法

误差学习方法

6.3 前馈神经网络

1. 感知器网络
  • 单程感知器网络结构特点
    • a) 双层(输入层,输出层)
    • b) 两层之间全互连
    • c) 连接权值可调
    • d) 输出层神经元个数等于类别数(两类问题时输出层为一个神经元)
  • 单层感知器网络算法描述
2.BP网络
  • BP神经网络的基本概念
    • BP神经网络是一种多层前向神经网络,其神经元的激励函数采用连续可导函数,因此输出量为连续量,从而实现输入输出任意非线性映射。
  • BP神经网络的算法两个阶段
  • BP神经网络算法的特点

6.4 径向基函数神经网络

1. 径向基函数神经网络
  • 径向基神经网络的概念
  • 径向基神经网络的特点
2.径向基函数神经网络的拓扑结构

第七章 决策树分类器设计

  • 7.1 决策树的基本概念
  • 7.2 属性选择的几个度量

7.1 决策树的基本概念

1. 决策树的基本原理
  • 决策树的概念
  • 决策树的基本组成
  • 决策树分类步骤
  • 决策树基本算法
  • 决策树的优点

第九章 聚类分析

  • 9.1 聚类分析的基本概念
  • 9.2 相似性度量和聚类准则
  • 9.1 基于距离阈值的聚类算法
  • 9.1 层次聚类法