-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

MATLAB R2017a模式識別與智能計算

( 簡體 字)
作者:辛煥平類別:1. -> 工程繪圖與工程計算 -> Matlab
譯者:
出版社:電子工業出版社MATLAB R2017a模式識別與智能計算 3dWoo書號: 49698
詢問書籍請說出此書號!

有庫存
NT售價: 345

出版日:7/1/2018
頁數:408
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:9787121335402
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(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是美國MathWorks公司出品的商業數學軟件。它作為一款科學計算軟件逐漸被廣大科研人員所接受,其強大的數據計算功能、圖像可視化界面及代碼的可移值性受到高校廣大師生的認可。MATLAB也是一款功能強大的仿真軟件,現在MathWorks公司正在不斷地開發各種開發板的集成接口及仿真器,真正做到理論與實際相結合,而且MATLAB每年更新兩次,及時補充新的內容。因此,作為數據分析和計算方面的工作者和學習者,MATLAB是一個較好的選擇。
模式識別就是通過計算機用數學技術方法來研究模式的自動處理和判讀。隨著計算機技術的發展,人類有可能研究復雜的信息處理過程。模式識別已經成為當代高科技研究的重要領域之一,它已發展成為一門獨立的新學科。模式識別技術迅速擴展,已經應用在人工智能、機器人、系統控制、遙感數據分析、生物醫學工程、軍事目標識別等領域,幾乎遍及各個學科領域,在國民經濟、國防建議、社會發展的各個方面得到了廣泛應用,產生了深遠的影響。
智能計算只是一種經驗化的計算機思考性程序,是人工智能化體系的一個分支,也是輔助人類去處理各式問題的具有獨立思考能力的系統。計算智能的主要方法有人工神經網絡、遺傳算法、遺傳程序、演化程序、局部搜索、模擬退火等。計算智能的這些方法具有自學習、自組織、自適應的特征和簡單、通用、魯棒性強、適用于并行處理的優點,在并行搜索、聯想記憶、模式識別、知識自動獲取等方面得到了廣泛的應用。
隨著科學技術的發展,模式識別與智能計算逐漸深入人們的生活,在各個領域得到了廣泛的應用,而MATLAB自身具有強大的計算功能,在各個領域應用廣泛。因而本書以模式識別和智能計算為主線,以模式識別和智能計算與實際應用相結合的實例為基礎,并結合編著者多年的教學實踐經驗,介紹各種模式識別和智能計算在MATLAB中的實現方法。
全書圍繞著利用MATLAB解決模式識別和智能計算等內容展開,分為12章。
第1章 走進MATLAB R2017a,包括MATLAB的優勢、MATLAB R2017a的新功能特性、MATLAB的基本元素、MATLAB的可視化等內容。
第2章 模式識別與智能計算,包括模式識別、分類分析、聚類分析、距離判別分析、貝葉斯判別、智能計算等。
第3章 神經網絡的算法分析,包括神經網絡的基本概念、感知器神經網絡、BP神經網絡、自組織競爭神經網絡、反饋型神經網絡等。
第4章 RBF網絡的算法分析,包括徑向基神經網絡、概率神經網絡、廣義回歸神經網絡等。
第5章 模糊系統的算法分析,包括模糊系統的理論基礎、模糊邏輯工具箱、模糊模式識別的方法、模糊神經網絡等。
第6章 判別函數的算法分析,包括核函數方法、基于核的主成分分析方法、基于核的Fisher判別方法、基于核的投影尋蹤法等。
第7章 最優化的智能計算,包括最優問題的數學描述、線性規劃智能計算、非線性規劃智能計算、二次規劃智能計算等。
第8章 遺傳算法分析,包括遺傳算法的基本概述、遺傳算法的分析、控制參數的選擇、遺傳算法的尋優計算、遺傳算法求極大值等。
第9章 粒子群算法分析,包括PSO的尋優計算、微子群優化、PSO改進策略等。
第10章 蟻群優化算法分析,包括人工螞蟻與真實螞蟻的異同、蟻群優化算法理論的研究現狀、蟻群優化算法的基本原理、蟻群優化算法的改進、聚類問題的蟻群優化算法等。
第11章 模擬退火的算法分析,包括模擬退火的基本概念、模擬退火算法的基本原理、模擬退火的控制參數、模擬退火改進K均值聚類法等內容。
第12章 禁忌搜索的算法分析,包括局部鄰域搜索、禁忌搜索的基本原理、禁忌搜索的關鍵技術、禁忌搜索的MATLAB實現等。
本書實用性強,應用范圍廣,可作為廣大在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、工程技術人員的參考書。
為方便讀者學習,本書提供案例源代碼下載,讀者可以登錄華信教育資源網查找本書免費下載。
本書主要由辛煥平編著,參與編著的還有張德豐、劉志為、欒穎、王宇華、吳茂、趙書蘭、李曉東、何正風、丁偉雄、李婭、方清城、楊文茵、顧艷春、鄧奮發。
由于時間倉促,加之編著者水平有限,所以錯誤和疏漏之處在所難免,在此,誠懇地期望得到各領域的專家和廣大讀者的批評指正。


編著者
內容簡介:

本書以模式識別、智能算法應用為主線,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、模式識別與智能計算的概念、神經網絡的算法分析、RBF網絡的算法分析、模糊系統的算法分析、判別函數的算法分析、最優化的智能計算、遺傳算法分析、粒子群算法分析、蟻群優化算法分析、模擬退火的算法分析、禁忌搜索的算法分析,讓讀者輕松利用MATLAB解決模式識別與智能計算等問題,領略到利用MATLAB實現模式識別與智能計算的簡單、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 R2017a 1
1.1 了解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的程序設計 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 模式識別與智能計算 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 智能計算 75
2.8 基于群體智能優化的聚類分析 76
第3章 神經網絡的算法分析 83
3.1 神經網絡的基本概念 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 神經網絡的分類 86
3.1.4 神經網絡的學習 89
3.2 感知器神經網絡 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神經網絡 95
3.3.1 BP神經網絡的結構 96
3.3.2 BP神經網絡的學習算法 97
3.3.3 BP神經網絡的局限性 98
3.3.4 BP神經網絡的實現 99
3.4 自組織競爭神經網絡 102
3.4.1 自組織競爭神經網絡的結構 103
3.4.2 自組織競爭網絡的學習策略 104
3.4.3 SOM網的學習算法 106
3.4.4 學習矢量量化網絡 108
3.4.5 自組織競爭網絡的實現 109
3.5 反饋神經網絡 118
3.5.1 Hopfield神經網絡 118
3.5.2 Elman神經網絡 124
第4章 RBF網絡的算法分析 131
4.1 徑向基神經網絡 131
4.1.1 RBF神經網絡結構 131
4.1.2 RBF神經網絡的訓練 133
4.1.3 RBF神經網絡逼近 133
4.1.4 RBF自校正控制 134
4.1.5 自適應RBF神經網絡 135
4.1.6 RBF神經網絡的直接魯棒自適應 137
4.1.7 徑向基神經網絡的優缺點 139
4.1.8 徑向基神經網絡的實現 140
4.2 概率神經網絡 144
4.3 廣義回歸神經網絡 150
4.3.1 廣義回歸神經網絡的理論 150
4.3.2 廣義回歸神經網絡的結構 151
4.3.3 廣義回歸神經網絡的優點 152
4.3.4 廣義神經網絡的實現 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 模糊神經網絡 179
5.4.1 模糊神經網絡的發展動向 180
5.4.2 Mamdani模型的模糊神經網絡 180
5.4.3 Takagi-Sugeno模型的模糊神經網絡 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 判別函數的算法分析 201
6.1 核函數方法 201
6.2 基于核的主成分分析方法 203
6.2.1 主成分分析 204
6.2.2 基于核的主成分分析 206
6.2.3 核主成分分析的實現 208
6.3 基于核的FISHER判別方法 214
6.3.1 Fisher判別方法 214
6.3.2 基于核的Fisher算法的應用 214
6.4 基于核的投影尋蹤法 217
6.4.1 投影尋蹤法 217
6.4.2 基于核的投影尋蹤分析 220
6.5 勢函數法 224
6.6 支持向量機 229
第7章 最優化的智能計算 241
7.1 最優問題的數學描述 241
7.2 線性規劃智能計算 243
7.2.1 線性規劃問題的求解 245
7.2.2 線性規劃的智能計算的實現 248
7.3 整數規劃智能計算 251
7.3.1 整數規劃的數學模型 252
7.3.2 整數規劃的智能計算實現 256
7.4 非線性規劃智能計算 259
7.4.1 非線性規劃的數學模型 259
7.4.2 求解非線性規劃智能計算的方法 259
7.4.3 非線性規劃智能計算的實現 264
7.5 二次規劃智能計算 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 二次規劃的智能計算應用 269
7.6 多目標規劃的智能計算 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 多目標規劃智能計算的實例 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 遺傳算法的應用步驟 284
8.1.5 遺傳算法的應用領域 286
8.2 遺傳算法的分析 287
8.2.1 染色的編碼 287
8.2.2 適應度函數 288
8.2.3 遺傳算子 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 基于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TSP 310
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應用 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 粒子群的應用 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 蟻群優化算法分析 352
10.1 人工螞蟻與真實螞蟻的異同 352
10.2 蟻群優化算法理論的研究現狀 353
10.3 蟻群優化算法的基本原理 354
10.3.1 蟻群優化算法的基本思想 354
10.3.2 蟻群優化算法的基本模型 355
10.3.3 蟻群優化算法的特點 357
10.3.4 蟻群優化算法的優缺點 358
10.4 蟻群優化算法的改進 359
10.4.1 自適應蟻群優化算法 359
10.4.2 融合遺傳算法與蟻群優化算法 359
10.4.3 蟻群神經網絡 359
10.5 聚類問題的蟻群優化算法 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 禁忌搜索算法分析 386
12.1 局部鄰域搜索 386
12.2 禁忌搜索的基本原理 387
12.3 禁忌搜索的關鍵技術 389
12.4 禁忌搜索的MATLAB實現 391
參考文獻 397
序: