買這商品的人也買了...
-
Nonlinear Optimization (Hardcover)$1,350$1,323 -
$403深度學習理論及實戰 (MATLAB 版) -
$454MATLAB R2020a 神經網絡典型案例分析
相關主題
商品描述
《MATLAB 2020智能算法從入門到精通》以MATLAB 2020為基礎，
結合作者團隊的教學經驗，講解智能算法的各種方法和技巧。
本書主要內容包括MATLAB入門、MATLAB基礎知識、插值算法、擬合算法、圖與網絡算法、有向圖算法、機器學習與深度學習算法、
圖像的複原算法、粒子群*小值算法以及多目標優化算法等。
本書覆蓋數學計算的各個方面，實例豐富而典型，指導讀者有的放矢地進行學習。
《MATLAB 2020智能算法從入門到精通》既可作為初學者的入門用書，也可作為工程技術人員、本科生、研究生的參考書或教材。
目錄大綱
前言
第1章 MATLAB入門
1.1 啟動MATLAB
1.2 MATLAB 2020的操作環境
1.2.1 功能區
1.2.2 工具欄
1.2.3 命令行窗口
1.2.4 命令歷史記錄窗口
1.2.5 當前文件夾窗口
1.2.6 工作區窗口
1.2.7 圖形窗口
1.2.8 文件管理
1.2.9 使用幫助
1.3 數據類型
1.3.1 變量與常量
1.3.2 數據的顯示格式
1.3.3 算術運算符
1.3.4 數據類型函數
第2章 MATLAB基礎知識
2.1 MATLAB基本運算
2.1.1 向量
2.1.2 矩陣的生成
2.2 可視化繪圖
2.2.1 figure命令
2.2.2 subplot命令
2.2.3 plot繪圖命令
2.2.4 圖形註釋
2.3 圖像的基本操作
2.3.1 圖像讀入
2.3.2 圖像的顯示
第3章 插值算法
3.1 插值問題
3.1.1 插值算法概述
3.1.2 線性插值
3.2 基本插值計算
3.2.1 插值算法分類
3.2.2 一次插值函數
3.2.3 二次插值
3.3 多項式插值法
3.3.1 計算插值多項式
3.3.2 計算多項式插值
3.4 常用多項式插值
3.4.1 拉格朗日(Lagrange)插值
3.4.2 牛頓（Newton）插值
3.4.3 埃爾米特(Hermite)插值
3.5 分段插值
3.5.1 龍格函數
3.5.2 分段線性插值
3.5.3 分段三次（埃爾米特）插值
3.6 三次樣條插值
3.6.1 樣條曲線
3.6.2 三次樣條插值
3.7 二次、三次混合插值
3.7.1 半無限規劃
3.7.2 二次、三次混合插值函數
第4章 擬合算法
4.1 擬合問題
4.1.1 插值算法與擬合算法
4.1.2 曲線擬合問題
4.1.3 求解擬合曲線步驟
4.2 最小二乘法
4.2.1 線性最小二乘法
4.2.2 加權最小二乘法
4.2.3 魯棒最小二乘法
4.2.4 非線性最小二乘法
4.3 數據擬合
4.3.1 擬合模型
4.3.2 擬合類型
4.3.3 擬合算法
4.3.4 數據擬合
4.3.5 擬合後處理
4.4 線性擬合
4.4.1 線性擬合函數
4.4.2 一元線性組合函數擬合
4.5 多項式擬合
4.5.1 擬合多項式
4.5.2 多項式擬合預測值
4.5.3 多項式擬合工具
4.5.4 曲線擬合工具
第5章 圖與網絡算法
5.1 圖
5.1.1 繪製方向圖
5.1.2 繪製子圖
5.2 圖的外觀設置
5.2.1 圖屬性設置
5.2.2 圖的標註
5.3 圖的遍曆算法
5.3.1 廣度優先搜索算法
5.3.2 深度優先搜索算法
5.3.3 算法應用1
5.3.4 算法應用2
5.4 可達性算法
5.4.1 算法概述
5.4.2 連通圖
5.4.3 連通分量
5.4.4 雙連通圖分量
5.4.5 可達矩陣
5.4.6 算法應用1
5.4.7 算法應用2
5.5 PageRank 算法
5.5.1 算法概述
5.5.2 算法基本原理
5.5.3 算法函數
5.5.4 算法應用
第6章 有向圖算法
6.1 數據結構
6.1.1 鄰接矩陣
6.1.2 關聯矩陣
6.2 圖的分類
6.2.1 繪製自環圖
6.2.2 繪製加權圖
6.2.3 圖的佈局
6.3 最大流算法
6.3.1 算法原理
6.3.2 算法函數
6.3.3 算法應用
6.4 最小生成樹算法
6.4.1 算法原理
6.4.2 算法函數
6.4.3 算法應用
6.5 圖的最短路徑算法
6.5.1 最短路徑定義
6.5.2 全局最短路徑
6.5.3 起點終點的最短路徑
6.5.4 算法應用
第7章 機器學習與深度學習算法
7.1 機器學習
7.1.1 機器學習算法
7.1.2 機器學習應用
7.2 神經網絡
7.2.1 神經網絡基礎
7.2.2 深度學習典型網絡模型
7.2.3 深度學習算法
7.3 深度神經網絡計算
7.3.1 神經網絡優化算法
7.3.2 反向傳播
7.3.3 神經網絡層
7.3.4 激勵函數
7.3.5 預訓練模型
7.4 梯度下降算法
7.4.1 梯度下降算法分類
7.4.2 隨機梯度下降算法
7.5 梯度下降算法基本函數
7.5.1 算法設置
7.5.2 網絡訓練樣本
7.5.3 神經網絡分類
7.5.4 網絡預測
7.5.5 深度網絡設計器
7.6 算法應用
第8章 圖像的複原算法
8.1 圖像的退化
8.1.1 圖像退化的原因
8.1.2 圖像退化的數學模型
8.2 圖像的複原
8.2.1 圖像的複原模型
8.2.2 圖像復原方法
8.2.3 復原方法的評估
8.3 圖像的複原算法
8.3.1 維納濾波
8.3.2 圖像線性濾波
8.3.3 正規則化濾波
8.3.4 Lucy-Richardson濾波
第9章 粒子群最小值算法
9.1 粒子群算法基礎
9.1.1 粒子群算法的發展
9.1.2 複雜適應系統
9.2 粒子群函數
9.2.1 算法參數設置
9.2.2 粒子群函數
9.3 算法應用
9.3.1 算法應用1
9.3.2 算法應用2
9.3.3 算法應用3
9.3.4 算法應用4
9.3.5 算法應用5
9.3.6 算法應用6
第10章 多目標優化算法
10.1 數學原理
10.2 基本函數
10.2.1 optimset函數
10.2.2 多目標規劃函數
10.3 算法應用
10.3.1 算法應用1
10.3.2 算法應用2
10.3.3 算法應用3
