MATLAB R2017a人工智能算法

图书标准信息

• 作者 张德丰
• 出版社 电子工业出版社
• 出版时间 2018-05
• 版次 1
• ISBN 9787121340611
• 定价 69.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 412页
• 字数 659千字

【内容简介】

本书以MATLAB R2017a为平台，以智能算法为背景，全面详细地介绍了人工智能的各种新型算法。本书内容以理论为基础，以实际应用为主导，循序渐进地向读者讲解怎样利用MATLAB智能算法解决实际问题。全书共13章，主要内容包括MATLAB R2017a软件的基础知识、智能算法的理论、人工神经网络算法、模糊逻辑控制算法、粒子群算法、蚁群算法、模拟退火算法、遗传算法、免疫算法、禁忌搜索算法、支持向量机算法及小波分析算法等。

【作者简介】

张德丰，男， 1963年9月生，辽宁大连人。1993年毕业于哈尔滨工业大学航天学院，获得工学硕士学位。现佛山科学技术学院，电子信息工程学院计算机系，计算机应用技术教授。学院数字图像处理与识别学术带头人。

【目录】

目    录

第1章  初识MATLAB R2017a1

1.1  MATLAB的应用领域和优势1

1.2  MATLAB R2017a的新功能3

1.3  MATLAB的编程风格4

1.4  MATLAB的接口技术5

1.5  MATLAB与C/C  混合编程5

1.6  MATLAB的工作环境6

1.6.1  菜单/工具栏7

1.6.2  命令行窗口7

1.6.3  工作区8

1.7  MATLAB的常用命令9

1.8  MATLAB的帮助系统10

1.8.1  纯文本帮助10

1.8.2  演示帮助12

1.9  MATLAB的数据类型13

1.9.1  数值类型13

1.9.2  字符与字符串16

1.9.3  逻辑类型18

1.9.4  函数句柄19

1.9.5  结构数组21

1.9.6  元胞数组24

1.10  MATLAB的运算符28

1.10.1  算术运算符28

1.10.2  关系运算符29

1.10.3  逻辑运算符30

1.10.4  运算优先级31

第2章  MATLAB的编程基础32

2.1  数组及其运算32

2.1.1  数组的创建32

2.1.2  数组的运算33

2.2  矩阵及其运算35

2.2.1  矩阵的创建35

2.2.2  特殊矩阵的生成37

2.2.3  矩阵的操作39

2.2.4  矩阵的基本运算41

2.2.5  矩阵的相关运算42

2.3  MATLAB控制语句44

2.3.1  循环结构44

2.3.2  分支控制语句46

2.4  m文件49

2.4.1  m文件的分类49

2.4.2  m文件的结构51

2.5  图形可视化51

2.5.1  MATLAB的绘图步骤52

2.5.2  在工作空间直接绘图52

2.5.3  二维图形绘制53

2.5.4  图形的修饰55

2.5.5  三维绘图58

第3章  人工智能概述62

3.1  什么是智能62

3.1.1  智能的定义62

3.1.2  人工智能的定义63

3.2  人工智能的发展64

3.3  人工智能的研究方法64

3.4  人工智能的危机66

3.5  人工智能的应用67

3.6  人工智能的发展趋势67

3.7  人工智能对人类的深远影响68

3.7.1  人工智能对经济的影响68

3.7.2  人工智能对社会的影响68

3.7.3  人工智能对文化的影响70

3.8  各种常用智能算法71

3.8.1  群智能算法71

3.8.2  模拟退火算法72

3.8.3  禁忌搜索算法72

3.8.4  神经网络算法72

第4章  人工神经网络算法74

4.1  人工神经网络概述74

4.1.1  神经网络研究的方向74

4.1.2  人脑工作原理75

4.1.3  人工神经网络的工作原理75

4.1.4  人工神经网络的基本特征76

4.1.5  人工神经网络的特点77

4.2  神经网络算法的理论78

4.2.1  人工神经元模型78

4.2.2  常用激活函数79

4.2.3  神经网络模型80

4.2.4  神经网络工作方式81

4.2.5  几种常见的神经网络81

4.3  BP神经网络84

4.3.1  BP神经网络的拓扑结构84

4.3.2  BP神经网络的训练85

4.3.3  BP神经网络的学习方法86

4.3.4  BP神经网络的实现90

4.4  径向基神经网络93

4.4.1  RBF的基本思想94

4.4.2  RBF的网络模型94

4.4.3  RBF的网络输出94

4.4.4  RBF网络的学习过程95

4.4.5  RBF网络有关的几个问题97

4.4.6  RBF神经网络的应用98

4.5  自组织神经网络106

4.5.1  自组织竞争神经网络的基本概念107

4.5.2  自组织特征映射神经网络108

4.5.3  自组织竞争神经网络的应用110

4.6  对向传播神经网络114

4.6.1  CPN的基本概念114

4.6.2  CPN网络的学习算法115

4.7  广义回归神经网络115

4.7.1  广义回归神经网络的结构116

4.7.2  广义回归神经网络的优点116

4.7.3  广义回归神经网络的应用117

4.8  概率神经网络118

4.8.1  概率神经网络的结构118

4.8.2  概率神经网络的优缺点119

4.8.3  概率神经网络的应用120

4.9  Hopfield神经网络125

4.9.1  Hopfield神经网络的结构125

4.9.2  Hopfield神经网络的学习算法126

4.9.3  Hopfield神经网络的应用126

第5章  模糊逻辑控制算法132

5.1  模糊逻辑控制概述132

5.1.1  模糊、神经网络、人工智能间的关系132

5.1.2  神经网络和模糊系统的比较133

5.1.3  模糊和神经网络的结合135

5.2  模糊逻辑控制理论136

5.2.1  模糊逻辑控制的基本概念136

5.2.2  模糊逻辑的组成137

5.2.3  模糊逻辑控制原理137

5.2.4  模糊逻辑控制器的设计内容139

5.2.5  模糊逻辑控制的规则139

5.2.6  模糊逻辑控制的应用领域140

5.3  模糊逻辑控制工具箱141

5.3.1  模糊逻辑控制工具箱的功能特点141

5.3.2  模糊系统的基本类型142

5.3.3  模糊推理系统的基本函数143

5.4  模糊逻辑工具箱的图形用户界面158

5.4.1  FIS编辑器158

5.4.2  隶属度函数编辑器159

5.4.3  模糊规则编辑器160

5.4.4  模糊规则浏览器161

5.4.5  输入/输出曲面视图161

5.4.6  模糊推理界面的应用162

5.5  基于Simulink的模糊逻辑控制164

5.6  模糊推理系统在控制系统中的应用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  全局与局部模式176

6.1.4  粒子群的算法建模176

6.1.5  粒子群的特点176

6.1.6  粒子群算法与其他进化算法的异同177

6.2  粒子群的种类177

6.2.1  基本粒子群177

6.2.2  标准粒子群178

6.2.3  压缩因子粒子群179

6.2.4  离散粒子群179

6.3  基于粒子群的聚类分析180

6.4  粒子群算法的MATLAB实现181

6.5  改进权重粒子群算法187

6.5.1  自适应权重法187

6.5.2  随机权重法190

6.5.3  线性递减权重法192

6.6  混合粒子群算法194

6.6.1  混合粒子群协同优化的设计思想194

6.6.2  基于杂交的算法194

6.6.3  基于自然选择的算法197

6.6.4  基于模拟退火的算法199

6.7  粒子群的应用202

第7章  蚁群算法208

7.1  蚁群的基本概念208

7.1.1  蚁群的觅食过程208

7.1.2  人工蚂蚁与真实蚂蚁的异同208

7.1.3  人工蚁群的优化过程209

7.1.4  蚁群算法的基本原理210

7.2  改进的蚁群算法211

7.2.1  蚁群系统211

7.2.2  精英蚁群系统212

7.2.3  最大最小蚁群系统212

7.2.4  排序的蚁群系统213

7.2.5  几种改进蚁群算法的比较213

7.3  自适应蚁群算法213

7.4  蚁群算法的重要规则215

7.5  蚁群算法的应用进展及发展趋势216

7.5.1  应用进展216

7.5.2  存在的问题216

7.5.3  发展趋势216

7.5.4  蚁群算法的MATLAB实现217

7.6  蚁群算法的应用219

第8章  模拟退火算法234

8.1  模拟退火算法的理论234

8.1.1  模拟退火算法的思想234

8.1.2  物理退火的过程235

8.1.3  模拟退火的原理236

8.1.4  模拟退火算法的终止准则236

8.1.5  模拟退火算法的特点236

8.2  模拟退火算法的改进237

8.2.1  模拟退火算法的改进方式237

8.2.2  模拟退火算法的改进新解238

8.3  模拟退火算法的MATLAB工具箱238

8.4  模拟退火算法的应用242

第9章  遗传算法249

9.1  遗传算法概述249

9.1.1  遗传算法的生物学基础249

9.1.2  遗传算法的名称解释250

9.1.3  遗传算法的运算过程251

9.1.4  遗传算法的特点252

9.1.5  遗传算法的改进方向253

9.2  遗传算法的构成要素254

9.2.1  染色体的编码254

9.2.2  适应度函数255

9.2.3  遗传算子256

9.3  控制参数的选择258

9.4  遗传算法的研究现状258

9.5  遗传算法的应用领域260

9.6  遗传算法工具箱260

9.6.1  遗传算法的程序设计261

9.6.2  MATLAB自带的遗传算法函数265

9.6.3  遗传算法的GUI268

9.7  遗传算法的应用270

9.7.1  遗传算法求解极值问题270

9.7.2  遗传算法求解TSP问题280

9.7.3  遗传算法的BP神经网络实现286

第10章  免疫算法294

10.1  免疫算法概述294

10.1.1  免疫算法的发展史295

10.1.2  生物免疫系统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  免疫算法的特点301

10.1.7  免疫算法的发展趋势301

10.2  免疫遗传算法302

10.2.1  免疫遗传算法的几个基本概念303

10.2.2  免疫遗传算法的原理304

10.2.3  免疫遗传算法的MATLAB实现305

10.3  免疫算法的应用313

10.3.1  免疫算法在优化中的应用313

10.3.2  免疫算法在TSP中的应用316

10.3.3  免疫算法在物流选址中的应用320

10.3.4  免疫算法在故障检测中的应用327

第11章  禁忌搜索算法335

11.1  禁忌搜索的相关理论335

11.1.1  启发式搜索算法与传统的方法335

11.1.2  禁忌搜索与局部邻域搜索336

11.1.3  局部邻域搜索336

11.1.4  禁忌搜索的基本思想337

11.1.5  禁忌搜索算法的特点338

11.1.6  禁忌搜索算法的改进方向339

11.2  禁忌算法的关键参数339

11.3  禁忌搜索算法的应用343

第12章  支持向量机算法349

12.1  支持向量机的相关理论349

12.1.1  统计学理论349

12.1.2  数据挖掘分类350

12.1.3  线性分类器351

12.2  支持向量机的理论353

12.2.1  支持向量机的支持技术353

12.2.2  最优分类面354

12.2.3  支持向量机的模型354

12.2.4  支持向量机的算法355

12.2.5  核函数356

12.3  支持向量机的应用357

第13章  小波分析算法361

13.1  傅里叶变换361

13.1.1  一维傅里叶变换361

13.1.2  二维傅里叶变换366

13.2  小波变换的基本定义367

13.2.1  一维离散小波变换368

13.2.2  二维离散小波变换368

13.3  Mallat算法370

13.3.1  Mallat算法的原理371

13.3.2  常用小波函数373

13.3.3  Mallat算法的应用375

13.4  小1