《MATLAB R2017a人工智慧算法》是2018年電子工業出版社出版的圖書、作者是張德豐。
基本介紹
- 中文名：MATLAB R2017a人工智慧算法
- 作者：張德豐
- 出版社：電子工業出版社
- 出版時間：2018年5月
- 頁數：412 頁
- 定價：69 元
- 開本：16 開
- 裝幀：平裝-膠訂
- ISBN：9787121340611
內容簡介,圖書目錄,作者簡介,
內容簡介
本書以MATLAB R2017a為平台，以智慧型算法為背景，全面詳細地介紹了人工智慧的各種新型算法。本書內容以理論為基礎，以實際套用為主導，循序漸進地向讀者講解怎樣利用MATLAB智慧型算法解決實際問題。全書共13章，主要內容包括MATLAB R2017a軟體的基礎知識、智慧型算法的理論、人工神經網路算法、模糊邏輯控制算法、粒子群算法、蟻群算法、模擬退火算法、遺傳算法、免疫算法、禁忌搜尋算法、支持向量機算法及小波分析算法等。
圖書目錄
目 錄
第1章 初識MATLAB R2017a 1
1.1 MATLAB的套用領域和優勢 1
1.2 MATLAB R2017a的新功能 3
1.3 MATLAB的編程風格 4
1.4 MATLAB的接口技術 5
1.5 MATLAB與C/C 混合編程 5
1.6 MATLAB的工作環境 6
1.6.1 選單/工具列 7
1.6.2 命令行視窗 7
1.6.3 工作區 8
1.7 MATLAB的常用命令 9
1.8 MATLAB的幫助系統 10
1.8.1 純文本幫助 10
1.8.2 演示幫助 12
1.9 MATLAB的數據類型 13
1.9.1 數值類型 13
1.9.2 字元與字元串 16
1.9.3 邏輯類型 18
1.9.4 函式句柄 19
1.9.5 結構數組 21
1.9.6 元胞數組 24
1.10 MATLAB的運算符 28
1.10.1 算術運算符 28
1.10.2 關係運算符 29
1.10.3 邏輯運算符 30
1.10.4 運算優先權 31
第2章 MATLAB的編程基礎 32
2.1 數組及其運算 32
2.1.1 數組的創建 32
2.1.2 數組的運算 33
2.2 矩陣及其運算 35
2.2.1 矩陣的創建 35
2.2.2 特殊矩陣的生成 37
2.2.3 矩陣的操作 39
2.2.4 矩陣的基本運算 41
2.2.5 矩陣的相關運算 42
2.3 MATLAB控制語句 44
2.3.1 循環結構 44
2.3.2 分支控制語句 46
2.4 m檔案 49
2.4.1 m檔案的分類 49
2.4.2 m檔案的結構 51
2.5 圖形可視化 51
2.5.1 MATLAB的繪圖步驟 52
2.5.2 在工作空間直接繪圖 52
2.5.3 二維圖形繪製 53
2.5.4 圖形的修飾 55
2.5.5 三維繪圖 58
第3章 人工智慧概述 62
3.1 什麼是智慧型 62
3.1.1 智慧型的定義 62
3.1.2 人工智慧的定義 63
3.2 人工智慧的發展 64
3.3 人工智慧的研究方法 64
3.4 人工智慧的危機 66
3.5 人工智慧的套用 67
3.6 人工智慧的發展趨勢 67
3.7 人工智慧對人類的深遠影響 68
3.7.1 人工智慧對經濟的影響 68
3.7.2 人工智慧對社會的影響 68
3.7.3 人工智慧對文化的影響 70
3.8 各種常用智慧型算法 71
3.8.1 群智慧型算法 71
3.8.2 模擬退火算法 72
3.8.3 禁忌搜尋算法 72
3.8.4 神經網路算法 72
第4章 人工神經網路算法 74
4.1 人工神經網路概述 74
4.1.1 神經網路研究的方向 74
4.1.2 人腦工作原理 75
4.1.3 人工神經網路的工作原理 75
4.1.4 人工神經網路的基本特徵 76
4.1.5 人工神經網路的特點 77
4.2 神經網路算法的理論 78
4.2.1 人工神經元模型 78
4.2.2 常用激活函式 79
4.2.3 神經網路模型 80
4.2.4 神經網路工作方式 81
4.2.5 幾種常見的神經網路 81
4.3 BP神經網路 84
4.3.1 BP神經網路的拓撲結構 84
4.3.2 BP神經網路的訓練 85
4.3.3 BP神經網路的學習方法 86
4.3.4 BP神經網路的實現 90
4.4 徑向基神經網路 93
4.4.1 RBF的基本思想 94
4.4.2 RBF的網路模型 94
4.4.3 RBF的網路輸出 94
4.4.4 RBF網路的學習過程 95
4.4.5 RBF網路有關的幾個問題 97
4.4.6 RBF神經網路的套用 98
4.5 自組織神經網路 106
4.5.1 自組織競爭神經網路的基本概念 107
4.5.2 自組織特徵映射神經網路 108
4.5.3 自組織競爭神經網路的套用 110
4.6 對向傳播神經網路 114
4.6.1 CPN的基本概念 114
4.6.2 CPN網路的學習算法 115
4.7 廣義回歸神經網路 115
4.7.1 廣義回歸神經網路的結構 116
4.7.2 廣義回歸神經網路的優點 116
4.7.3 廣義回歸神經網路的套用 117
4.8 機率神經網路 118
4.8.1 機率神經網路的結構 118
4.8.2 機率神經網路的優缺點 119
4.8.3 機率神經網路的套用 120
4.9 Hopfield神經網路 125
4.9.1 Hopfield神經網路的結構 125
4.9.2 Hopfield神經網路的學習算法 126
4.9.3 Hopfield神經網路的套用 126
第5章 模糊邏輯控制算法 132
5.1 模糊邏輯控制概述 132
5.1.1 模糊、神經網路、人工智慧間的關係 132
5.1.2 神經網路和模糊系統的比較 133
5.1.3 模糊和神經網路的結合 135
5.2 模糊邏輯控制理論 136
5.2.1 模糊邏輯控制的基本概念 136
5.2.2 模糊邏輯的組成 137
5.2.3 模糊邏輯控制原理 137
5.2.4 模糊邏輯控制器的設計內容 139
5.2.5 模糊邏輯控制的規則 139
5.2.6 模糊邏輯控制的套用領域 140
5.3 模糊邏輯控制工具箱 141
5.3.1 模糊邏輯控制工具箱的功能特點 141
5.3.2 模糊系統的基本類型 142
5.3.3 模糊推理系統的基本函式 143
5.4 模糊邏輯工具箱的圖形用戶界面 158
5.4.1 FIS編輯器 158
5.4.2 隸屬度函式編輯器 159
5.4.3 模糊規則編輯器 160
5.4.4 模糊規則瀏覽器 161
5.4.5 輸入/輸出曲面視圖 161
5.4.6 模糊推理界面的套用 162
5.5 基於Simulink的模糊邏輯控制 164
5.6 模糊推理系統在控制系統中的套用 170
第6章 粒子群算法 174
6.1 粒子群概述 174
6.1.1 人工生命 174
6.1.2 粒子群算法的基本原理 175
6.1.3 全局與局部模式 176
6.1.4 粒子群的算法建模 176
6.1.5 粒子群的特點 176
6.1.6 粒子群算法與其他進化算法的異同 177
6.2 粒子群的種類 177
6.2.1 基本粒子群 177
6.2.2 標準粒子群 178
6.2.3 壓縮因子粒子群 179
6.2.4 離散粒子群 179
6.3 基於粒子群的聚類分析 180
6.4 粒子群算法的MATLAB實現 181
6.5 改進權重粒子群算法 187
6.5.1 自適應權重法 187
6.5.2 隨機權重法 190
6.5.3 線性遞減權重法 192
6.6 混合粒子群算法 194
6.6.1 混合粒子群協同最佳化的設計思想 194
6.6.2 基於雜交的算法 194
6.6.3 基於自然選擇的算法 197
6.6.4 基於模擬退火的算法 199
6.7 粒子群的套用 202
第7章 蟻群算法 208
7.1 蟻群的基本概念 208
7.1.1 蟻群的覓食過程 208
7.1.2 人工螞蟻與真實螞蟻的異同 208
7.1.3 人工蟻群的最佳化過程 209
7.1.4 蟻群算法的基本原理 210
7.2 改進的蟻群算法 211
7.2.1 蟻群系統 211
7.2.2 精英蟻群系統 212
7.2.3 小蟻群系統 212
7.2.4 排序的蟻群系統 213
7.2.5 幾種改進蟻群算法的比較 213
7.3 自適應蟻群算法 213
7.4 蟻群算法的重要規則 215
7.5 蟻群算法的套用進展及發展趨勢 216
7.5.1 套用進展 216
7.5.2 存在的問題 216
7.5.3 發展趨勢 216
7.5.4 蟻群算法的MATLAB實現 217
7.6 蟻群算法的套用 219
第8章 模擬退火算法 234
8.1 模擬退火算法的理論 234
8.1.1 模擬退火算法的思想 234
8.1.2 物理退火的過程 235
8.1.3 模擬退火的原理 236
8.1.4 模擬退火算法的終止準則 236
8.1.5 模擬退火算法的特點 236
8.2 模擬退火算法的改進 237
8.2.1 模擬退火算法的改進方式 237
8.2.2 模擬退火算法的改進新解 238
8.3 模擬退火算法的MATLAB工具箱 238
8.4 模擬退火算法的套用 242
第9章 遺傳算法 249
9.1 遺傳算法概述 249
9.1.1 遺傳算法的生物學基礎 249
9.1.2 遺傳算法的名稱解釋 250
9.1.3 遺傳算法的運算過程 251
9.1.4 遺傳算法的特點 252
9.1.5 遺傳算法的改進方向 253
9.2 遺傳算法的構成要素 254
9.2.1 染色體的編碼 254
9.2.2 適應度函式 255
9.2.3 遺傳運算元 256
9.3 控制參數的選擇 258
9.4 遺傳算法的研究現狀 258
9.5 遺傳算法的套用領域 260
9.6 遺傳算法工具箱 260
9.6.1 遺傳算法的程式設計 261
9.6.2 MATLAB自帶的遺傳算法函式 265
9.6.3 遺傳算法的GUI 268
9.7 遺傳算法的套用 270
9.7.1 遺傳算法求解極值問題 270
9.7.2 遺傳算法求解TSP問題 280
9.7.3 遺傳算法的BP神經網路實現 286
第10章 免疫算法 294
10.1 免疫算法概述 294
10.1.1 免疫算法的發展史 295
10.1.2 生物免疫系統 295
10.1.3 免疫算法的基本原理 297
10.1.4 免疫算法流程 298
10.1.5 免疫算法運算元 299
10.1.6 免疫算法的特點 301
10.1.7 免疫算法的發展趨勢 301
10.2 免疫遺傳算法 302
10.2.1 免疫遺傳算法的幾個基本概念 303
10.2.2 免疫遺傳算法的原理 304
10.2.3 免疫遺傳算法的MATLAB實現 305
10.3 免疫算法的套用 313
10.3.1 免疫算法在最佳化中的套用 313
10.3.2 免疫算法在TSP中的套用 316
10.3.3 免疫算法在物流選址中的套用 320
10.3.4 免疫算法在故障檢測中的套用 327
第11章 禁忌搜尋算法 335
11.1 禁忌搜尋的相關理論 335
11.1.1 啟發式搜尋算法與傳統的方法 335
11.1.2 禁忌搜尋與局部鄰域搜尋 336
11.1.3 局部鄰域搜尋 336
11.1.4 禁忌搜尋的基本思想 337
11.1.5 禁忌搜尋算法的特點 338
11.1.6 禁忌搜尋算法的改進方向 339
11.2 禁忌算法的關鍵參數 339
11.3 禁忌搜尋算法的套用 343
第12章 支持向量機算法 349
12.1 支持向量機的相關理論 349
12.1.1 統計學理論 349
12.1.2 數據挖掘分類 350
12.1.3 線性分類器 351
12.2 支持向量機的理論 353
12.2.1 支持向量機的支持技術 353
12.2.2 分類面 354
12.2.3 支持向量機的模型 354
12.2.4 支持向量機的算法 355
12.2.5 核函式 356
12.3 支持向量機的套用 357
第13章 小波分析算法 361
13.1 傅立葉變換 361
13.1.1 一維傅立葉變換 361
13.1.2 二維傅立葉變換 366
13.2 小波變換的基本定義 367
13.2.1 一維離散小波變換 368
13.2.2 二維離散小波變換 368
13.3 Mallat算法 370
13.3.1 Mallat算法的原理 371
13.3.2 常用小波函式 373
13.3.3 Mallat算法的套用 375
13.4 小1
作者簡介
張德豐，男， 1963年9月生，遼寧大連人。1993年畢業於哈爾濱工業大學航天學院，獲得工學碩士學位。現佛山科學技術學院，電子信息工程學院計算機系，計算機套用技術教授。學院數字圖像處理與識別學術帶頭人。
