MATLAB R2017a模式識別與智能計算

第1章 走進MATLAB R2017a 1

1．1 了解MATLAB 1

1．1．1 MATLAB的優(yōu)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(shù) 27

1．3．4 矩陣的代數(shù)運算 29

1．3．5 矩陣函數(shù) 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(tǒng)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(fā)展?jié)摿?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(gòu)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(qū)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(tài)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(yōu)化的聚類分析 76

第3章 神經(jīng)網(wǎng)絡的算法分析 83

3．1 神經(jīng)網(wǎng)絡的基本概念 83

3．1．1 生物神經(jīng)元的結(jié)構(gòu)及功能特點 83

3．1．2 人工神經(jīng)元模型 85

3．1．3 神經(jīng)網(wǎng)絡的分類 86

3．1．4 神經(jīng)網(wǎng)絡的學習 89

3．2 感知器神經(jīng)網(wǎng)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(xiàn) 93

3．3 BP神經(jīng)網(wǎng)絡 95

3．3．1 BP神經(jīng)網(wǎng)絡的結(jié)構(gòu) 96

3．3．2 BP神經(jīng)網(wǎng)絡的學習算法 97

3．3．3 BP神經(jīng)網(wǎng)絡的局限性 98

3．3．4 BP神經(jīng)網(wǎng)絡的實現(xiàn) 99

3．4 自組織競爭神經(jīng)網(wǎng)絡 102

3．4．1 自組織競爭神經(jīng)網(wǎng)絡的結(jié)構(gòu) 103

3．4．2 自組織競爭網(wǎng)絡的學習策略 104

3．4．3 SOM網(wǎng)的學習算法 106

3．4．4 學習矢量量化網(wǎng)絡 108

3．4．5 自組織競爭網(wǎng)絡的實現(xiàn) 109

3．5 反饋神經(jīng)網(wǎng)絡 118

3．5．1 Hopfield神經(jīng)網(wǎng)絡 118

3．5．2 Elman神經(jīng)網(wǎng)絡 124

第4章 RBF網(wǎng)絡的算法分析 131

4．1 徑向基神經(jīng)網(wǎng)絡 131

4．1．1 RBF神經(jīng)網(wǎng)絡結(jié)構(gòu) 131

4．1．2 RBF神經(jīng)網(wǎng)絡的訓練 133

4．1．3 RBF神經(jīng)網(wǎng)絡逼近 133

4．1．4 RBF自校正控制 134

4．1．5 自適應RBF神經(jīng)網(wǎng)絡 135

4．1．6 RBF神經(jīng)網(wǎng)絡的直接魯棒自適應 137

4．1．7 徑向基神經(jīng)網(wǎng)絡的優(yōu)缺點 139

4．1．8 徑向基神經(jīng)網(wǎng)絡的實現(xiàn) 140

4．2 概率神經(jīng)網(wǎng)絡 144

4．3 廣義回歸神經(jīng)網(wǎng)絡 150

4．3．1 廣義回歸神經(jīng)網(wǎng)絡的理論 150

4．3．2 廣義回歸神經(jīng)網(wǎng)絡的結(jié)構(gòu) 151

4．3．3 廣義回歸神經(jīng)網(wǎng)絡的優(yōu)點 152

4．3．4 廣義神經(jīng)網(wǎng)絡的實現(xiàn) 153

第5章 模糊系統(tǒng)的算法分析 155

5．1 模糊系統(tǒng)的理論基礎 155

5．1．1 模糊系統(tǒng)的研究領(lǐng)域 155

5．1．2 模糊集合 156

5．1．3 模糊規(guī)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(tǒng)的基本類型 168

5．2．3 模糊邏輯系統(tǒng)的構(gòu)成 169

5．2．4 模糊邏輯系統(tǒng)的實現(xiàn) 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(jīng)網(wǎng)絡 179

5．4．1 模糊神經(jīng)網(wǎng)絡的發(fā)展動向 180

5．4．2 Mamdani模型的模糊神經(jīng)網(wǎng)絡 180

5．4．3 Takagi-Sugeno模型的模糊神經(jīng)網(wǎng)絡 181

5．4．4 模糊神經(jīng)系統(tǒng)的實現(xiàn) 182

5．5 模糊聚類分析 188

5．6 模糊逼近 194

5．6．1 模糊系統(tǒng)的設計 194

5．6．2 模糊系統(tǒng)的逼近精度 195

5．6．3 模糊逼近的實現(xiàn) 195

第6章 判別函數(shù)的算法分析 201

6．1 核函數(shù)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(xiàn) 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(shù)法 224

6．6 支持向量機 229

第7章 最優(yōu)化的智能計算 241

7．1 最優(yōu)問題的數(shù)學描述 241

7．2 線性規(guī)劃智能計算 243

7．2．1 線性規(guī)劃問題的求解 245

7．2．2 線性規(guī)劃的智能計算的實現(xiàn) 248

7．3 整數(shù)規(guī)劃智能計算 251

7．3．1 整數(shù)規(guī)劃的數(shù)學模型 252

7．3．2 整數(shù)規(guī)劃的智能計算實現(xiàn) 256

7．4 非線性規(guī)劃智能計算 259

7．4．1 非線性規(guī)劃的數(shù)學模型 259

7．4．2 求解非線性規(guī)劃智能計算的方法 259

7．4．3 非線性規(guī)劃智能計算的實現(xiàn) 264

7．5 二次規(guī)劃智能計算 268

7．5．1 二次規(guī)劃問題的數(shù)學模型 268

7．5．2 二次規(guī)劃問題的方法 269

7．5．3 二次規(guī)劃的智能計算應用 269

7．6 多目標規(guī)劃的智能計算 272

7．6．1 多目標規(guī)劃的數(shù)學模型 272

7．6．2 多目標規(guī)劃問題的處理方法 272

7．6．3 多目標規(guī)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(gòu)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(lǐng)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(shù) 288

8．2．3 遺傳算子 289

8．3 控制參數(shù)的選擇 291

8．4 遺傳算法的MATLAB實現(xiàn) 292

8．5 遺傳算法的尋優(yōu)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(shù)編碼求極大值 303

8．7 基于GA_PSO算法的尋優(yōu) 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(lǐng)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(yōu)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(yōu)化 318

9．2 粒子群優(yōu)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(shù)分析 334

9．2．4 粒子算法的研究現(xiàn)狀 334

9．2．5 粒子群算法研究的發(fā)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(yōu)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(yōu)化算法理論的研究現(xiàn)狀 353

10．3 蟻群優(yōu)化算法的基本原理 354

10．3．1 蟻群優(yōu)化算法的基本思想 354

10．3．2 蟻群優(yōu)化算法的基本模型 355

10．3．3 蟻群優(yōu)化算法的特點 357

10．3．4 蟻群優(yōu)化算法的優(yōu)缺點 358

10．4 蟻群優(yōu)化算法的改進 359

10．4．1 自適應蟻群優(yōu)化算法 359

10．4．2 融合遺傳算法與蟻群優(yōu)化算法 359

10．4．3 蟻群神經(jīng)網(wǎng)絡 359

10．5 聚類問題的蟻群優(yōu)化算法 360

10．5．1 聚類數(shù)目已知的聚類問題 361

10．5．2 聚類數(shù)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(yōu)的實現(xiàn)步驟 377

11．4 模擬退火的控制參數(shù) 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(shù)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(xiàn) 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(guān)鍵技術(shù) 389

12．4 禁忌搜索的MATLAB實現(xiàn) 391

參考文獻 397