MATLAB R2017a模式識別與智能計算

第1章 走進MATLAB R2017a 1
1.1 瞭解MATLAB 1
1.1.1 MATLAB的優勢 1
1.1.2 MATLAB R2017a的新功能 2
1.1.3 MATLAB R2017a的安裝與啟動 4
1.1.4 MATLAB R2017a的工作介面 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 設定陳述式 23
1.3.2 矩陣及其元素表示 24
1.3.3 矩陣的變換函數 27
1.3.4 矩陣的代數運算 29
1.3.5 矩陣函數 30
1.4 MATLAB的視覺化 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 模式識別的應用 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應用 56
2.5 距離判別分析 67
2.6 貝葉斯判別 71
2.7 智慧計算 75
2.8 基於群體智慧優化的聚類分析 76
第3章 神經網路的演算法分析 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 單層感知器的演算法 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神經網路的學習演算法 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網的學習演算法 106
3.4.4 學習向量量化網路 108
3.4.5 自組織競爭網路的實現 109
3.5 回饋神經網路 118
3.5.1 Hopfield神經網路 118
3.5.2 Elman神經網路 124
第4章 RBF網路的演算法分析 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 自我調整RBF神經網路 135
4.1.6 RBF神經網路的直接魯棒自我調整 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 概率神經網路 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 模糊系統的演算法分析 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 判別函數的演算法分析 201
6.1 核函數方法 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演算法的應用 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 勢函數法 224
6.6 支持向量機 229
第7章 最優化的智慧計算 241
7.1 最優問題的數學描述 241
7.2 線性規劃智慧計算 243
7.2.1 線性規劃問題的求解 245
7.2.2 線性規劃的智慧計算的實現 248
7.3 整數規劃智慧計算 251
7.3.1 整數規劃的數學模型 252
7.3.2 整數規劃的智慧計算實現 256
7.4 非線性規劃智慧計算 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計算的方法 259
7.4.3 非線性規劃智慧計算的實現 264
7.5 二次規劃智慧計算 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 二次規劃的智慧計算應用 269
7.6 多目標規劃的智慧計算 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 多目標規劃智慧計算的實例 277
第8章 遺傳演算法分析 281
8.1 遺傳演算法的基本概述 281
8.1.1 遺傳演算法的特點 282
8.1.2 遺傳演算法的不足 283
8.1.3 遺傳演算法的構成要素 283
8.1.4 遺傳演算法的應用步驟 284
8.1.5 遺傳演算法的應用領域 286
8.2 遺傳演算法的分析 287
8.2.1 染色的編碼 287
8.2.2 適應度函數 288
8.2.3 遺傳運算元 289
8.3 控制參數的選擇 291
8.4 遺傳演算法的MATLAB實現 292
8.5 遺傳演算法的尋優計算 293
8.6 遺傳演算法求極大值 298
8.6.1 二進位編碼求極大值 299
8.6.2 實數編碼求極大值 303
8.7 基於GA_PSO演算法的尋優 307
8.8 GA的旅行商問題求解 309
8.8.1 定義TSP 310
8.8.2 遺傳演算法中的TSP演算法步驟 310
8.8.3 地圖TSP的求解 311
8.9 遺傳演算法在實際領域中的應用 313
第9章 粒子群演算法分析 316
9.1 PSO演算法的尋優計算 316
9.1.1 基本粒子群的演算法 317
9.1.2 粒子群演算法的優化 318
9.2 粒子群優化 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 粒子演算法的研究現狀 334
9.2.5 粒子群演算法研究的發展趨勢 335
9.2.6 粒子群的應用 335
9.3 PSO改進策略 339
9.3.1 粒子群演算法的改進 339
9.3.2 加快粒子群演算法的效率 340
第10章 蟻群優化演算法分析 352
10.1 人工螞蟻與真實螞蟻的異同 352
10.2 蟻群優化演算法理論的研究現狀 353
10.3 蟻群優化演算法的基本原理 354
10.3.1 蟻群優化演算法的基本思想 354
10.3.2 蟻群優化演算法的基本模型 355
10.3.3 蟻群優化演算法的特點 357
10.3.4 蟻群優化演算法的優缺點 358
10.4 蟻群優化演算法的改進 359
10.4.1 自我調整蟻群優化演算法 359
10.4.2 融合遺傳演算法與蟻群優化演算法 359
10.4.3 蟻群神經網路 359
10.5 聚類問題的蟻群優化演算法 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演算法的TSP求解 363
第11章 模擬退火演算法分析 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 類比退火演算法的基本原理 376
11.3 類比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均值演算法的局限性 379
……..