MATLAB R2017a模式識別與智慧型計算
叢書名 ：MATLAB仿真套用精品叢書
作 譯 者：辛煥平
出版時間：2018-07千 字 數：652
版 次：01-01頁 數：408
開 本：16開
裝 幀：
I S B N ：9787121335402
換 版：
所屬分類：科技 >> 計算機 >> 程式語言
本書以模式識別、智慧型算法套用為主線，以分析工程案例為輔助，做到了理論與實際算法相結合，詳解設計思路和設計步驟，向讀者展示了怎樣運用MATLAB R2017a進行算法的設計與開發。全書共12章，包括MATLAB的基礎知識、模式識別與智慧型計算的概念、神經網路的算法分析、RBF網路的算法分析、模糊系統的算法分析、判別函式的算法分析、最最佳化的智慧型計算、遺傳算法分析、粒子群算法分析、蟻群最佳化算法分析、模擬退火的算法分析、禁忌搜尋的算法分析，讓讀者輕鬆利用MATLAB解決模式識別與智慧型計算等問題，領略到利用MATLAB實現模式識別與智慧型計算的簡單、易學、易上手。本書可作為廣大在校本科生和研究生的學習用書，也可作為科研人員和工程技術人員的參考用書。
目 錄
第1章 走進MATLAB R2017a1
1.1 了解MATLAB1
1.1.1 MATLAB的優勢1
1.1.2 MATLAB R2017a的新功能2
1.1.3 MATLAB R2017a的安裝與激活4
1.1.4 MATLAB R2017a的工作界面8
1.1.5 MATLAB的快速入門9
1.1.6 MATLAB的程式設計13
1.2 MATLAB的幫助文檔17
1.2.1 常用幫助命令18
1.2.2 其他幫助命令21
1.3 MATLAB的基本元素23
1.3.1 賦值語句23
1.3.2 矩陣及其元素表示24
1.3.3 矩陣的變換函式27
1.3.4 矩陣的代數運算29
1.3.5 矩陣函式30
1.4 MATLAB的可視化33
1.4.1 二維平面圖形33
1.4.2 三維繪圖38
第2章 模式識別與智慧型計算43
2.1 模式識別43
2.1.1 模式識別的定義43
2.1.2 模式識別的分類43
2.1.3 模式識別的方法44
2.1.4 統計模式識別45
2.1.5 模式識別的套用45
2.1.6 模式識別的發展潛力46
2.2 分類分析47
2.2.1 分類器的設計47
2.2.2 分類器的構造和實施48
2.2.3 分類器的基本類型49
2.2.4 分類器的準確度評估方法50
2.3 聚類分析51
2.3.1 聚類與分類的區別51
2.3.2 聚類的定義51
2.3.3 模式相似度52
2.3.4 聚類準則53
2.3.5 層次聚類法55
2.3.6 動態聚類法55
2.4 模式識別在科學研究中的套用56
2.5 距離判別分析67
2.6 貝葉斯判別71
2.7 智慧型計算75
2.8 基於群體智慧型最佳化的聚類分析76
第3章 神經網路的算法分析83
3.1 神經網路的基本概念83
3.1.1 生物神經元的結構及功能特點83
3.1.2 人工神經元模型85
3.1.3 神經網路的分類86
3.1.4 神經網路的學習89
3.2 感知器神經網路90
3.2.1 單層感知器90
3.2.2 單層感知器的算法91
3.2.3 感知器的實現93
3.3 BP神經網路95
3.3.1 BP神經網路的結構96
3.3.2 BP神經網路的學習算法97
3.3.3 BP神經網路的局限性98
3.3.4 BP神經網路的實現99
3.4 自組織競爭神經網路102
3.4.1 自組織競爭神經網路的結構103
3.4.2 自組織競爭網路的學習策略104
3.4.3 SOM網的學習算法106
3.4.4 學習矢量量化網路108
3.4.5 自組織競爭網路的實現109
3.5 反饋神經網路118
3.5.1 Hopfield神經網路118
3.5.2 Elman神經網路124
第4章 RBF網路的算法分析131
4.1 徑向基神經網路131
4.1.1 RBF神經網路結構131
4.1.2 RBF神經網路的訓練133
4.1.3 RBF神經網路逼近133
4.1.4 RBF自校正控制134
4.1.5 自適應RBF神經網路135
4.1.6 RBF神經網路的直接魯棒自適應137
4.1.7 徑向基神經網路的優缺點139
4.1.8 徑向基神經網路的實現140
4.2 機率神經網路144
4.3 廣義回歸神經網路150
4.3.1 廣義回歸神經網路的理論150
4.3.2 廣義回歸神經網路的結構151
4.3.3 廣義回歸神經網路的優點152
4.3.4 廣義神經網路的實現153
第5章 模糊系統的算法分析155
5.1 模糊系統的理論基礎155
5.1.1 模糊系統的研究領域155
5.1.2 模糊集合156
5.1.3 模糊規則160
5.1.4 模糊推理160
5.2 模糊邏輯工具箱167
5.2.1 模糊邏輯工具箱的功能和特點167
5.2.2 模糊推理系統的基本類型168
5.2.3 模糊邏輯系統的構成169
5.2.4 模糊邏輯系統的實現169
5.3 模糊模式識別的方法177
5.3.1 最大隸屬度原則177
5.3.2 選擇原則178
5.4 模糊神經網路179
5.4.1 模糊神經網路的發展動向180
5.4.2 Mamdani模型的模糊神經網路180
5.4.3 Takagi-Sugeno模型的模糊神經網路181
5.4.4 模糊神經系統的實現182
5.5 模糊聚類分析188
5.6 模糊逼近194
5.6.1 模糊系統的設計194
5.6.2 模糊系統的逼近精度195
5.6.3 模糊逼近的實現195
第6章 判別函式的算法分析201
6.1 核函式方法201
6.2 基於核的主成分分析方法203
6.2.1 主成分分析204
6.2.2 基於核的主成分分析206
6.2.3 核主成分分析的實現208
6.3 基於核的FISHER判別方法214
6.3.1 Fisher判別方法214
6.3.2 基於核的Fisher算法的套用214
6.4 基於核的投影尋蹤法217
6.4.1 投影尋蹤法217
6.4.2 基於核的投影尋蹤分析220
6.5 勢函式法224
6.6 支持向量機229
第7章 最最佳化的智慧型計算241
7.1 最優問題的數學描述241
7.2 線性規劃智慧型計算243
7.2.1 線性規劃問題的求解245
7.2.2 線性規劃的智慧型計算的實現248
7.3 整數規劃智慧型計算251
7.3.1 整數規劃的數學模型252
7.3.2 整數規劃的智慧型計算實現256
7.4 非線性規劃智慧型計算259
7.4.1 非線性規劃的數學模型259
7.4.2 求解非線性規劃智慧型計算的方法259
7.4.3 非線性規劃智慧型計算的實現264
7.5 二次規劃智慧型計算268
7.5.1 二次規劃問題的數學模型268
7.5.2 二次規劃問題的方法269
7.5.3 二次規劃的智慧型計算套用269
7.6 多目標規劃的智慧型計算272
7.6.1 多目標規劃的數學模型272
7.6.2 多目標規劃問題的處理方法272
7.6.3 多目標規劃智慧型計算的實例277
第8章 遺傳算法分析281
8.1 遺傳算法的基本概述281
8.1.1 遺傳算法的特點282
8.1.2 遺傳算法的不足283
8.1.3 遺傳算法的構成要素283
8.1.4 遺傳算法的套用步驟284
8.1.5 遺傳算法的套用領域286
8.2 遺傳算法的分析287
8.2.1 染色的編碼287
8.2.2 適應度函式288
8.2.3 遺傳運算元289
8.3 控制參數的選擇291
8.4 遺傳算法的MATLAB實現292
8.5 遺傳算法的尋優計算293
8.6 遺傳算法求極大值298
8.6.1 二進制編碼求極大值299
8.6.2 實數編碼求極大值303
8.7 基於GA_PSO算法的尋優307
8.8 GA的旅行商問題求解309
8.8.1 定義TSP310
8.8.2 遺傳算法中的TSP算法步驟310
8.8.3 地圖TSP的求解311
8.9 遺傳算法在實際領域中的套用313
第9章 粒子群算法分析316
9.1 PSO算法的尋優計算316
9.1.1 基本粒子群的算法317
9.1.2 粒子群算法的最佳化318
9.2 粒子群最佳化332
9.2.1 粒子群的基本原則332
9.2.2 粒子的基本原理332
9.2.3 參數分析334
9.2.4 粒子算法的研究現狀334
9.2.5 粒子群算法研究的發展趨勢335
9.2.6 粒子群的套用335
9.3 PSO改進策略339
9.3.1 粒子群算法的改進339
9.3.2 加快粒子群算法的效率340
第10章 蟻群最佳化算法分析352
10.1 人工螞蟻與真實螞蟻的異同352
10.2 蟻群最佳化算法理論的研究現狀353
10.3 蟻群最佳化算法的基本原理354
10.3.1 蟻群最佳化算法的基本思想354
10.3.2 蟻群最佳化算法的基本模型355
10.3.3 蟻群最佳化算法的特點357
10.3.4 蟻群最佳化算法的優缺點358
10.4 蟻群最佳化算法的改進359
10.4.1 自適應蟻群最佳化算法359
10.4.2 融合遺傳算法與蟻群最佳化算法359
10.4.3 蟻群神經網路359
10.5 聚類問題的蟻群最佳化算法360
10.5.1 聚類數目已知的聚類問題361
10.5.2 聚類數目未知的聚類問題362
10.6 ACO算法的TSP求解363
第11章 模擬退火算法分析375
11.1 模擬退火的基本概念375
11.1.1 物理退火過程375
11.1.2 Metropolis準則376
11.2 模擬退火算法的基本原理376
11.3 模擬退火尋優的實現步驟377
11.4 模擬退火的控制參數377
11.5 模擬退火改進K均值聚類法379
11.5.1 K均值算法的局限性379
11.5.2 模擬退火改進K均值聚類380
11.5.3 幾個重要參數的選擇380
11.5.4 算法流程380
11.5.6 算法步驟381
11.6 模擬退火的MATLAB實現382
第12章 禁忌搜尋算法分析386
12.1 局部鄰域搜尋386
12.2 禁忌搜尋的基本原理387
12.3 禁忌搜尋的關鍵技術389
12.4 禁忌搜尋的MATLAB實現391
參考文獻397
