编辑推荐
MATLAB智能算法设计与应用，涵盖12章: 神经网络、遗传算法等。
内容简介
本书以模式识别、智能算法应用为主线，运用MATLAB R2017a进行算法的设计与开发。全书共分12章，主要包括了MATLAB的基础知识、模式识别与智能计算的概念、神经网络的算法分析、RBF网络的算法分析、模糊系统的算法分析、判别函数的算法分析、最优化的智能计算、遗传算法分析、粒子群算法分析、蚁群算法分析、模拟退火的算法分析、禁忌搜索的算法分析等内容，让读者掌握利用MATLAB解决模式识别与智能计算的问题。
章节目录
封面
版权页
前言
目录
第1章 走进MATLAB R2017a
1.1 了解MATLAB
1.1.1 MATLAB的优势
1.1.2 MATLAB R2017a的新功能
1.1.3 MATLAB R2017a的安装与激活
1.1.4 MATLAB R2017a的工作界面
1.1.5 MATLAB的快速入门
1.1.6 MATLAB的程序设计
1.2 MATLAB的帮助文档
1.2.1 常用帮助命令
1.2.2 其他帮助命令
1.3 MATLAB的基本元素
1.3.1 赋值语句
1.3.2 矩阵及其元素表示
1.3.3 矩阵的变换函数
1.3.4 矩阵的代数运算
1.3.5 矩阵函数
1.4 MATLAB的可视化
1.4.1 二维平面图形
1.4.2 三维绘图
第2章 模式识别与智能计算
2.1 模式识别
2.1.1 模式识别的定义
2.1.2 模式识别的分类
2.1.3 模式识别的方法
2.1.4 统计模式识别
2.1.5 模式识别的应用
2.1.6 模式识别的发展潜力
2.2 分类分析
2.2.1 分类器的设计
2.2.2 分类器的构造和实施
2.2.3 分类器的基本类型
2.2.4 分类器的准确度评估方法
2.3 聚类分析
2.3.1 聚类与分类的区别
2.3.2 聚类的定义
2.3.3 模式相似度
2.3.4 聚类准则
2.3.5 层次聚类法
2.3.6 动态聚类法
2.4 模式识别在科学研究中的应用
2.5 距离判别分析
2.6 贝叶斯判别
2.7 智能计算
2.8 基于群体智能优化的聚类分析
第3章 神经网络的算法分析
3.1 神经网络的基本概念
3.1.1 生物神经元的结构及功能特点
3.1.2 人工神经元模型
3.1.3 神经网络的分类
3.1.4 神经网络的学习
3.2 感知器神经网络
3.2.1 单层感知器
3.2.2 单层感知器的算法
3.2.3 感知器的实现
3.3 BP神经网络
3.3.1 BP神经网络的结构
3.3.2 BP神经网络的学习算法
3.3.3 BP神经网络的局限性
3.3.4 BP神经网络的实现
3.4 自组织竞争神经网络
3.4.1 自组织竞争神经网络的结构
3.4.2 自组织竞争网络的学习策略
3.4.3 SOM网的学习算法
3.4.4 学习矢量量化网络
3.4.5 自组织竞争网络的实现
3.5 反馈神经网络
3.5.1 Hopfield神经网络
3.5.2 Elman神经网络
第4章 RBF网络的算法分析
4.1 径向基神经网络
4.1.1 RBF神经网络结构
4.1.2 RBF神经网络的训练
4.1.3 RBF神经网络逼近
4.1.4 RBF自校正控制
4.1.5 自适应RBF神经网络
4.1.6 RBF神经网络的直接鲁棒自适应
4.1.7 径向基神经网络的优缺点
4.1.8 径向基神经网络的实现
4.2 概率神经网络
4.3 广义回归神经网络
4.3.1 广义回归神经网络的理论
4.3.2 广义回归神经网络的结构
4.3.3 广义回归神经网络的优点
4.3.4 广义神经网络的实现
第5章 模糊系统的算法分析
5.1 模糊系统的理论基础
5.1.1 模糊系统的研究领域
5.1.2 模糊集合
5.1.3 模糊规则
5.1.4 模糊推理
5.2 模糊逻辑工具箱
5.2.1 模糊逻辑工具箱的功能和特点
5.2.2 模糊推理系统的基本类型
5.2.3 模糊逻辑系统的构成
5.2.4 模糊逻辑系统的实现
5.3 模糊模式识别的方法
5.3.1 最大隶属度原则
5.3.2 选择原则
5.4 模糊神经网络
5.4.1 模糊神经网络的发展动向
5.4.2 Mamdani模型的模糊神经网络
5.4.3 Takagi-Sugeno模型的模糊神经网络
5.4.4 模糊神经系统的实现
5.5 模糊聚类分析
5.6 模糊逼近
5.6.1 模糊系统的设计
5.6.2 模糊系统的逼近精度
5.6.3 模糊逼近的实现
第6章 判别函数的算法分析
6.1 核函数方法
6.2 基于核的主成分分析方法
6.2.1 主成分分析
6.2.2 基于核的主成分分析
6.2.3 核主成分分析的实现
6.3 基于核的Fisher判别方法
6.3.1 Fisher判别方法
6.3.2 基于核的Fisher算法的应用
6.4 基于核的投影寻踪法
6.4.1 投影寻踪法
6.4.2 基于核的投影寻踪分析
6.5 势函数法
6.6 支持向量机
第7章 最优化的智能计算
7.1 最优问题的数学描述
7.2 线性规划智能计算
7.2.1 线性规划问题的求解
7.2.2 线性规划的智能计算的实现
7.3 整数规划智能计算
7.3.1 整数规划的数学模型
7.3.2 整数规划的智能计算实现
7.4 非线性规划智能计算
7.4.1 非线性规划的数学模型
7.4.2 求解非线性规划智能计算的方法
7.4.3 非线性规划智能计算的实现
7.5 二次规划智能计算
7.5.1 二次规划问题的数学模型
7.5.2 二次规划问题的方法
7.5.3 二次规划的智能计算应用
7.6 多目标规划的智能计算
7.6.1 多目标规划的数学模型
7.6.2 多目标规划问题的处理方法
7.6.3 多目标规划智能计算的实例
第8章 遗传算法分析
8.1 遗传算法的基本概述
8.1.1 遗传算法的特点
8.1.2 遗传算法的不足
8.1.3 遗传算法的构成要素
8.1.4 遗传算法的应用步骤
8.1.5 遗传算法的应用领域
8.2 遗传算法的分析
8.2.1 染色的编码
8.2.2 适应度函数
8.2.3 遗传算子
8.3 控制参数的选择
8.4 遗传算法的MATLAB实现
8.5 遗传算法的寻优计算
8.6 遗传算法求极大值
8.6.1 二进制编码求极大值
8.6.2 实数编码求极大值
8.7 基于GA_PSO算法的寻优
8.8 GA的旅行商问题求解
8.8.1 定义TSP
8.8.2 遗传算法中的TSP算法步骤
8.8.3 地图TSP的求解
8.9 遗传算法在实际领域中的应用
第9章 粒子群算法分析
9.1 PSO算法的寻优计算
9.1.1 基本粒子群的算法
9.1.2 粒子群算法的优化
9.2 粒子群优化
9.2.1 粒子群的基本原则
9.2.2 粒子的基本原理
9.2.3 参数分析
9.2.4 粒子算法的研究现状
9.2.5 粒子群算法研究的发展趋势
9.2.6 粒子群的应用
9.3 PSO改进策略
9.3.1 粒子群算法的改进
9.3.2 加快粒子群算法的效率
第10章 蚁群优化算法分析
10.1 人工蚂蚁与真实蚂蚁的异同
10.2 蚁群优化算法理论的研究现状
10.3 蚁群优化算法的基本原理
10.3.1 蚁群优化算法的基本思想
10.3.2 蚁群优化算法的基本模型
10.3.3 蚁群优化算法的特点
10.3.4 蚁群优化算法的优缺点
10.4 蚁群优化算法的改进
10.4.1 自适应蚁群优化算法
10.4.2 融合遗传算法与蚁群优化算法
10.4.3 蚁群神经网络
10.5 聚类问题的蚁群优化算法
10.5.1 聚类数目已知的聚类问题
10.5.2 聚类数目未知的聚类问题
10.6 ACO算法的TSP求解
第11章 模拟退火算法分析
11.1 模拟退火的基本概念
11.1.1 物理退火过程
11.1.2 Metropolis准则
11.2 模拟退火算法的基本原理
11.3 模拟退火寻优的实现步骤
11.4 模拟退火的控制参数
11.5 模拟退火改进K均值聚类法
11.5.1 K均值算法的局限性
11.5.2 模拟退火改进K均值聚类
11.5.3 几个重要参数的选择
11.5.4 算法流程
11.5.5 算法步骤
11.6 模拟退火的MATLAB实现
第12章 禁忌搜索算法分析
12.1 局部邻域搜索
12.2 禁忌搜索的基本原理
12.3 禁忌搜索的关键技术
12.4 禁忌搜索的MATLAB实现
参考文献
MATLABR2017a模式识别与智能计算是2018年由电子工业出版社出版,作者辛焕平。
得书感谢您对《MATLABR2017a模式识别与智能计算》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
