介绍模式识别中的基础知识、主要模型及热门应用，使学生掌握模式识别的基本原理、实际应用以及*新研究进展，培养学生在本学科中的视野与独立解决任务的能力，为学生在模式识别的项目开发及相关科研活动打好基础。

本书主要介绍了模式识别的相关内容，涉及模式识别的基本概念、聚类分析、线性判别函数、贝叶斯分类器、特征选择和提取、非参数模式识别方法、神经网络模式识别方法、模糊模式识别方法、句法模式识别方法，以及新型模式识别方法，如决策树方法、支持向量机方法、粗糙集方法等一些基本方法，并介绍了基于遗传算法、模拟退火算法和禁忌搜索算法进行

几十年来，实际需求激发了对模式识别的大量理论和应用研究。在这个过程中，限制因素和恒久问题一直是数据——它的多样性、丰富性和可变质量是模式识别创新的主要挑战。本书关注高级数据分析和数据挖掘，创新之处是对数据质量的重新定位——将数据质量看作一个可以处理的因素，而非当作需要克服的困难。

本书围绕复杂多组分体系分析这一现代分析科学实践中具有代表性的核心问题，主要阐述和讨论了化学模式识别研究过程中涉及的相关理论基础、方法、原理和实际应用。

本书讲述了Markov跳变系统是一种特殊的随机混杂系统，通过时间、事件两种机制共同驱动系统状态的演化,系统在有限集合中各个模态之间的转移服从Markov过程。广义系统是比正常系统更具广泛形式的一类系统。本书采用脉冲比例导数状态反馈控制策略，研究了几类不确定广义Markov跳变系统的鲁棒正常化和混杂脉冲控制问题。本书主要

本书共5章,前4章分别介绍控制系统的状态空间模型及其建立问题、线性系统的状态解和输出响应解、线性系统的能控性和能观性与结构分解及其应用、控制系统的李雅普诺夫稳定性理论，最后一章着重讨论控制系统极点配置、观测器设计、系统解耦镇定等综合理论。

该书是针对理工科高年级学生编写的控制系统基础理论教科书。该书详细论述了控制系统的状态空间分析的基本方法及状态空间综合的基本理论与方法。包括状态空间模型的建立，状态方程的求解，线性控制系统的能控性和能观测性及状态反馈与状态观测器设计，控制系统的李雅普诺夫稳定性分析等基本内容。另外，为了加强实践环节的教学，最后一章是MAT

本书广泛吸取统计学、神经网络、数据挖掘、机器学习、人工智能、群智能计算等学科的先进思想和理论，将其应用到模式识别领域中；以一种新的体系，系统、全面地介绍模式识别的理论、方法及应用。全书分为14章，内容包括：模式识别概述，特征的选择与优化，模式相似性测度，基于概率统计的贝叶斯分类器设计，判别函数分类器设计，神经网络分类器

现代控制理论是联系古典控制理论和智能控制理论的纽带，有着承上启下的作用。机械类专业研究生学好现代控制理论，对解决工程实践问题具有重要的指导意义。本书将以线性定常系统为主要研究对象，介绍了系统建模、求解问题，系统的可控性、可观测性和稳定性问题，还介绍了控制系统的校正和最优控制问题。

本书揭示非高斯系统控制问题的信息学和系统学本质特征，提出随机分布泛函和统计信息集合驱动的反馈控制和估计思想，建立基于动静混合神经网络和泛函算子优化的新型随机分布系统建模、分析、控制、估计和优化理论与故障检测理论框架。本书内容具有以下有别于传统随机控制的特点：被控对象具有非高斯随机变量和非线性动态；控制指标是输出PDF、