展开全部

主编推荐语

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。

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
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

电子工业出版社

电子工业出版社成立于1982年10月,是国务院独资、工信部直属的中央级科技与教育出版社,是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展,已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域,综合出版能力位居全国出版行业前列。