MATLAB人工智能算法實戰

 

 

目錄

 

下載資源

 

第1章MATLAB環境與操作

 

1.1MATLAB概述

 

1.1.1MATLAB啟動與退出

 

1.1.2MATLAB幫助系統

 

1.2數據類型

 

1.2.1常量與變量

 

1.2.2數值類型

 

1.2.3字符串

 

1.2.4矩陣的數組

 

1.3控制語句

 

1.3.1循環結構

 

1.3.2選擇結構

 

1.3.3程序流程控制

 

1.4繪圖

 

第2章數據分析實戰

 

2.1數據的預處理

 

2.2數據匯總

 

2.3數據建模

 

2.3.1多項式回歸

 

2.3.2一般線性回歸

 

2.4數據插值

 

2.4.1網格和散點數據

 

2.4.2創建網格數據

 

2.4.3基於網格的插值

 

2.4.4interp系列函數的插值

 

2.4.5griddedInterpolant類插值

 

2.4.6內插散點數據

 

第3章科學計算實戰

 

3.1數值積分和微分方程

 

3.1.1數值積分和微分方程概述

 

3.1.2數值微積分的應用

 

3.2常微分方程

 

3.2.1ODE求解器

 

3.2.2邊界值問題

 

3.2.3時滯微分方程

 

3.2.4偏微分方程

 

3.3傅里葉變換與濾波

 

3.3.1傅里葉變換

 

3.3.2二維傅里葉變換

 

3.3.3濾波數據

 

第4章數據建模實戰

 

4.1數據降維

 

4.1.1PCA概述

 

4.1.2PCA的降維應用

 

4.2一元回歸

 

4.2.1一元線性回歸

 

4.2.2一元非線性回歸

 

4.3多元線性回歸

 

4.3.1多元線性回歸概述

 

4.3.2多元線性回歸的應用

 

4.4逐步回歸

 

4.4.1逐步回歸的概念

 

4.4.2逐步型選元法

 

4.4.3逐步回歸的應用

 

4.5Logistic回歸

 

4.5.1Logistic回歸概述

 

4.5.2Logistic回歸的應用

 

 

 

 

 

第5章統計性數據分析實戰

 

5.1統計量和統計圖

 

5.1.1描述性統計量

 

5.1.2常用的統計量函數

 

5.1.3統計可視化

 

5.2概率分佈

 

5.2.1離散概率分佈

 

5.2.2連續分佈

 

5.3假設檢驗

 

5.3.1KS檢驗

 

5.3.2t檢驗

 

5.3.3雙樣本t檢驗

 

5.4方差分析

 

5.4.1方差的基本原理

 

5.4.2單因素方差分析

 

5.4.3雙因素方差分析

 

5.4.4多因素方差分析

 

第6章機器學習算法實戰

 

6.1機器學習概述

 

6.1.1機器學習的分類

 

6.1.2機器學習步驟

 

6.1.3分類方法

 

6.2K最近鄰分類

 

6.2.1K最近鄰概述

 

6.2.2KNN分類的應用

 

6.3判別分析

 

6.3.1判別分析的基本原理

 

6.3.2判別函數

 

6.3.3判別方法

 

6.3.4判別分析的應用

 

6.4貝葉斯分類

 

6.4.1貝葉斯算法

 

6.4.2樸素貝葉斯算法的原理

 

6.4.3樸素貝葉斯算法的優缺點

 

6.4.4樸素貝葉斯的應用

 

6.5支持向量機

 

6.5.1支持向量機概述

 

6.5.2使用支持向量機

 

6.5.3支持向量機的應用

 

第7章深度學習算法實戰

 

7.1遷移學習

 

7.1.1遷移學習概述

 

7.1.2遷移學習的應用

 

7.2圖像的深度學習

 

7.3時間序列在深度學習中的應用

 

7.3.1時間序列概述

 

7.3.2LSTM網絡

 

7.3.3序列分類的應用

 

7.4深度學習進行時序預測

 

7.5AlexNet捲積網絡

 

7.5.1ReLU激活函數

 

7.5.2層疊池化

 

7.5.3局部相應歸一化

 

7.5.4AlexNet結構

 

7.5.5AlexNet生成Deep Dream圖像

 

7.6堆疊自編碼器

 

7.6.1自編碼網絡的結構

 

7.6.2自編碼器進行圖像分類

 

第8章控制系統分析與設計實戰

 

8.1自動控制概述

 

8.1.1控制模擬概述

 

8.1.2電腦模擬的步驟

 

8.2控制系統的數學建模

 

8.3判定系統穩定性

 

8.3.1直接判定

 

8.3.2圖形化判定

 

8.4時域分析

 

8.4.1動態性能指標

 

8.4.2穩定性指標

 

8.4.3時域響應的典型函數應用

 

8.5根軌跡

 

8.5.1根軌跡圖

 

8.5.2根軌跡法分析

 

8.6頻域分析

 

8.6.1頻率特性

 

8.6.2頻域分析的應用

 

8.7控制系統綜合應用

 

第9章神經網絡信息處理實戰

 

9.1神經網絡概述

 

9.1.1神經元結構

 

9.1.2人工神經元模型

 

9.1.3人工神經網絡的特點

 

9.2感知器

 

9.2.1單層感知器

 

9.2.2多層感知器

 

9.2.3感知器在分類中的應用

 

9.3徑向基函數網絡

 

9.3.1RBF神經元模型

 

9.3.2徑向基的逼近

 

9.3.3廣義回歸神經網絡

 

9.4BP神經網絡

 

9.5學習向量量化

 

9.5.1LVQ網絡結構

 

9.5.2LVQ學習算法

 

9.5.3LVQ網絡的應用

 

9.6自組織特徵映射網絡

 

9.6.1SOM網絡拓撲結構

 

9.6.2自組織映射在鳶尾花聚類中的應用

 

第10章最優化方法實戰

 

10.1最優化概述

 

10.1.1最優化問題

 

10.1.2最優化算法

 

10.2線性規劃

 

10.2.1線性規劃的模型

 

10.2.2線性規劃標準型

 

10.2.3線性規劃的應用

 

10.3非線性規劃

 

10.3.1非線性規劃的數學模型

 

10.3.2一維非線性最優實現

 

10.3.3多維非線性最優實現

 

10.4整數規劃

 

10.4.1整數規劃的分類

 

10.4.2求解法分類的應用

 

10.5二次規劃

 

10.5.1二次規劃的模型

 

10.5.2二次規劃的實現

 

10.6多目標規劃

 

10.6.1多目標規劃的數學模型

 

10.6.2多目標規劃的實現

 

10.7最大最小規劃

 

10.7.1最大最小規劃模型

 

10.7.2最大最小規劃的實現

 

10.8動態規劃

 

10.8.1動態規劃的基本思想

 

10.8.2動態規劃的線路圖

 

10.8.3動態規劃的實現

 

10.9圖與網絡優化

 

10.9.1圖的基本概念

 

10.9.2最短路徑問題

 

第11章智能算法分析與實現實戰

 

11.1遺傳算法

 

11.1.1遺傳算法的特點

 

11.1.2遺傳算法的術語

 

11.1.3遺傳算法的運算過程

 

11.1.4遺傳算法的實現

 

11.2模擬退火算法

 

11.2.1模擬退火的組成

 

11.2.2模擬退火的思想

 

11.2.3模擬退火的尋優步驟

 

11.2.4模擬退火的實現

 

11.2.5模擬退火的實際應用

 

11.3粒子群算法

 

11.3.1粒子群算法概述

 

11.3.2粒子群算法的特點

 

11.3.3粒子群的算法及實現

 

11.4免疫算法

 

11.4.1免疫算法的原理

 

11.4.2免疫算法步驟和流程

 

11.4.3免疫算法的實現

 

11.5蟻群算法

 

11.5.1蟻群的基本算法

 

11.5.2蟻群算法的實現

 

11.6小波分析

 

11.6.1傅里葉變換

 

11.6.2小波分析概述

 

11.6.3小波變換的實現

 

參考文獻