MATLAB R2017a人工智能算法 ( 簡體 字) |
| 作者：張德豐 | 類別：1. -> 工程繪圖與工程計算 -> Matlab |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 49223
詢問書籍請說出此書號！【缺書】
NT售價： 345 元 |
| 出版日：5/1/2018 |
| 頁數：412 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787121340611 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：MATLAB平臺為解決工程和科學問題進行了優化，已成為國際公認的最優秀的科技應用軟件之一。基于矩陣的MATLAB語言是世界上最自然的計算數學表示方法，具有編程簡單、數據可視化功能強、可操作性強等特點，而且配有功能強大、專業函數豐富的各領域應用工具箱，是進行各領域問題處理的必備軟件工具。
近年來，隨著計算機技術的快速發展，為了在一定程度上解決大空間、非線性、全局尋優、組合優化等復雜問題，不少智能優化方法不斷涌現。在人工智能的研究領域中，智能算法是其重要的一個分支。目前，智能計算正在蓬勃發展，人工智能領域的研究十分活躍。雖然智能算法研究水平暫時還很難使“智能機器”真正具備人類的智能，但人工腦是人腦和生物腦的結合，這種結合將使人工智能的研究更廣泛、更深入。
智能計算不斷探索智能的新概念、新理論、新方法和新技術，這些研究成果將給人類世界帶來巨大的改變。智能優化算法可應用于電子、通信、計算機、自動化、機器人、經濟學和管理學等眾多學科；對于要用這些算法工具來解決具體問題的理論研究和工程技術人員來說，通過本書可以節省大量查詢資料和編寫程序的時間，通過MATLAB仿真實例可以更深入地理解、快速地掌握這些算法。由于每種算法的優化目標很多，對應的修正算法也很多，感興趣的讀者可以在此基礎上進行深入的研究。
本書具有如下特點：
1. 由淺入深，循序漸進。
本書以新版MATLAB R2017a為平臺，逐漸深入MATLAB軟件，并在MATLAB平臺上利用各種智能算法解決實際問題，讓問題的解決得到了極大的簡化。
2. 內容新穎，應用全面。
本書結合智能算法的使用經驗和實際領域應用問題，將智能算法的原理及其MATLAB實現方法與技術詳細地介紹給讀者，讓讀者做到理論與實踐相結合，學以致用。
3. 輕松易學，方便快捷。
書中通過大量典型的應用例子實操，在講解過程中輔以相應的圖片，使讀者在閱讀時一目了然，從而輕松快速地掌握書中的內容，并且書中的實例都是比較新穎的例子，通過利用算法分析實際問題，使讀者能夠在最短的時間內以最高的效率解決實際中遇到的問題，提升工作效率。
本書分13章講解智能算法在MATLAB R2017a中的實現。
第1章 初識MATLAB R2017a，主要包括MATLAB應用領域、MATLAB R2017a的新功能特性、MATLAB的數據類型等內容。
第2章 MATLAB的編程基礎，主要包括數組、矩陣的創建及運算、MATLAB控制語句、M文件、圖形可視化等內容。
第3章 人工智能概述，主要包括人工智能的定義、人工智能的發展及發展趨勢、人工智能對人類的深遠影響等內容。
第4章 人工神經網絡算法，主要包括人工神經網絡的概述、神經網絡算法的理論、BP神經網絡、徑向神經網絡等內容。
第5章 模糊邏輯控制算法，主要包括模糊邏輯控制的概述、模糊邏輯控制的理論、模糊邏輯控制工具箱、FIS編輯器等內容。
第6章 粒子群算法，主要包括粒子群的概述、粒子群的種類、基于粒子群的聚類分析、改進權重粒子群算法等內容。
第7章 蟻群算法，主要包括蟻群的基本概念、改進的蟻群算法、自適應蟻群算法、蟻群算法的應用進展及發展趨勢等內容。
第8章 模擬退火算法，主要包括模擬退火的理論、模擬退火算法的改進、模擬退火的應用等內容。
第9章 遺傳算法，主要包括遺傳算法的概述、遺傳算法的構成要素、遺傳算法的研究現狀、遺傳算法的應用等內容。
第10章 免疫算法，主要包括免疫算法的概述、免疫遺傳算法、免疫算法的應用等內容。
第11章 禁忌搜索算法，主要包括禁忌搜索的相關理論、禁忌算法的關鍵參數、禁忌搜索算法的應用等內容。
第12章 支持向量機算法，主要包括支持向量機的相關理論、支持向量機的理論、支持向量機的應用等內容。
第13章 小波分析算法，主要包括傅里葉變換、Mallat算法、小波包分析、小波分析的應用等內容。
本書由張德豐編著，參加編寫的還有趙書蘭、王宇華、劉志為、欒穎、吳茂、李曉東、何正風、丁偉雄、李婭、辛煥平、楊文茵、顧艷春、鄧奮發和方清城。
本書實用性強、應用范圍廣，可作為廣大高校本科生和研究生的學習用書，也可作為廣大科研人員、學者、工程技術人員的相關參考用書。
為便于讀者學習，本書提供實例源代碼下載，讀者可登錄華信教育資源網查找本書免費下載。
由于時間倉促，加之作者水平有限，錯誤和疏漏之處在所難免。在此，誠懇地期望得到各領域專家和廣大讀者的批評指正。
編 著 者 |
內容簡介：本書以MATLAB R2017a為平臺，以智能算法為背景，全面詳細地介紹了人工智能的各種新型算法。本書內容以理論為基礎，以實際應用為主導，循序漸進地向讀者講解怎樣利用MATLAB智能算法解決實際問題。全書共13章，主要內容包括MATLAB R2017a軟件的基礎知識、智能算法的理論、人工神經網絡算法、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、禁忌搜索算法、支持向量機算法及小波分析算法等。 |
目錄：第1章 初識MATLAB R2017a 1
1.1 MATLAB的應用領域和優勢 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 菜單/工具欄 7
1.6.2 命令行窗口 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 字符與字符串 16
1.9.3 邏輯類型 18
1.9.4 函數句柄 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 關系運算符 29
1.10.3 邏輯運算符 30
1.10.4 運算優先級 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文件 49
2.4.1 m文件的分類 49
2.4.2 m文件的結構 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 二維圖形繪制 53
2.5.4 圖形的修飾 55
2.5.5 三維繪圖 58
第3章 人工智能概述 62
3.1 什么是智能 62
3.1.1 智能的定義 62
3.1.2 人工智能的定義 63
3.2 人工智能的發展 64
3.3 人工智能的研究方法 64
3.4 人工智能的危機 66
3.5 人工智能的應用 67
3.6 人工智能的發展趨勢 67
3.7 人工智能對人類的深遠影響 68
3.7.1 人工智能對經濟的影響 68
3.7.2 人工智能對社會的影響 68
3.7.3 人工智能對文化的影響 70
3.8 各種常用智能算法 71
3.8.1 群智能算法 71
3.8.2 模擬退火算法 72
3.8.3 禁忌搜索算法 72
3.8.4 神經網絡算法 72
第4章 人工神經網絡算法 74
4.1 人工神經網絡概述 74
4.1.1 神經網絡研究的方向 74
4.1.2 人腦工作原理 75
4.1.3 人工神經網絡的工作原理 75
4.1.4 人工神經網絡的基本特征 76
4.1.5 人工神經網絡的特點 77
4.2 神經網絡算法的理論 78
4.2.1 人工神經元模型 78
4.2.2 常用激活函數 79
4.2.3 神經網絡模型 80
4.2.4 神經網絡工作方式 81
4.2.5 幾種常見的神經網絡 81
4.3 BP神經網絡 84
4.3.1 BP神經網絡的拓撲結構 84
4.3.2 BP神經網絡的訓練 85
4.3.3 BP神經網絡的學習方法 86
4.3.4 BP神經網絡的實現 90
4.4 徑向基神經網絡 93
4.4.1 RBF的基本思想 94
4.4.2 RBF的網絡模型 94
4.4.3 RBF的網絡輸出 94
4.4.4 RBF網絡的學習過程 95
4.4.5 RBF網絡有關的幾個問題 97
4.4.6 RBF神經網絡的應用 98
4.5 自組織神經網絡 106
4.5.1 自組織競爭神經網絡的基本概念 107
4.5.2 自組織特征映射神經網絡 108
4.5.3 自組織競爭神經網絡的應用 110
4.6 對向傳播神經網絡 114
4.6.1 CPN的基本概念 114
4.6.2 CPN網絡的學習算法 115
4.7 廣義回歸神經網絡 115
4.7.1 廣義回歸神經網絡的結構 116
4.7.2 廣義回歸神經網絡的優點 116
4.7.3 廣義回歸神經網絡的應用 117
4.8 概率神經網絡 118
4.8.1 概率神經網絡的結構 118
4.8.2 概率神經網絡的優缺點 119
4.8.3 概率神經網絡的應用 120
4.9 Hopfield神經網絡 125
4.9.1 Hopfield神經網絡的結構 125
4.9.2 Hopfield神經網絡的學習算法 126
4.9.3 Hopfield神經網絡的應用 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、神經網絡、人工智能間的關系 132
5.1.2 神經網絡和模糊系統的比較 133
5.1.3 模糊和神經網絡的結合 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 模糊邏輯控制的應用領域 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數 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 隸屬度函數編輯器 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 模糊推理界面的應用 162
5.5 基于Simulink的模糊邏輯控制 164
5.6 模糊推理系統在控制系統中的應用 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 基于粒子群的聚類分析 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 混合粒子群協同優化的設計思想 194
6.6.2 基于雜交的算法 194
6.6.3 基于自然選擇的算法 197
6.6.4 基于模擬退火的算法 199
6.7 粒子群的應用 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 人工蟻群的優化過程 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 最大最小蟻群系統 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 蟻群算法的應用進展及發展趨勢 216
7.5.1 應用進展 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 蟻群算法的應用 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 模擬退火算法的應用 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 適應度函數 255
9.2.3 遺傳算子 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 遺傳算法的應用領域 260
9.6 遺傳算法工具箱 260
9.6.1 遺傳算法的程序設計 261
9.6.2 MATLAB自帶的遺傳算法函數 265
9.6.3 遺傳算法的GUI 268
9.7 遺傳算法的應用 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神經網絡實現 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 免疫算法算子 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 免疫算法的應用 313
10.3.1 免疫算法在優化中的應用 313
10.3.2 免疫算法在TSP中的應用 316
10.3.3 免疫算法在物流選址中的應用 320
10.3.4 免疫算法在故障檢測中的應用 327
第11章 禁忌搜索算法 335
11.1 禁忌搜索的相關理論 335
11.1.1 啟發式搜索算法與傳統的方法 335
11.1.2 禁忌搜索與局部鄰域搜索 336
11.1.3 局部鄰域搜索 336
11.1.4 禁忌搜索的基本思想 337
11.1.5 禁忌搜索算法的特點 338
11.1.6 禁忌搜索算法的改進方向 339
11.2 禁忌算法的關鍵參數 339
11.3 禁忌搜索算法的應用 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 最優分類面 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 核函數 356
12.3 支持向量機的應用 357
第13章 小波分析算法 361
13.1 傅里葉變換 361
13.1.1 一維傅里葉變換 361
13.1.2 二維傅里葉變換 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 常用小波函數 373
13.3.3 Mallat算法的應用 375
13.4 小波包分析 378
13.5 小波的GUI 380
13.6 小波分析的應用 383
13.6.1 小波分析在信號處理中的應用 383
13.6.2 小波變換在圖像處理中的應用 390
參考文獻 398 |
| 序： |
