☆☆☆☆☆
簡體網頁||繁體網頁



點擊這裡下載

類似圖書 點擊查看全場最低價

---

編輯推薦

　　

　　本書是“精通MATLAB”典藏大係之一，全書不僅係統介紹瞭MATLAB智能算法的開發方法，實際工作中的開發經驗、心得體會，而且精心編寫瞭100多個MATLAB智能算法應用典型實例，適閤二次開發，因此比較適閤作為讀者的工具手冊。“精通MATLAB”相關書目如下：

　　精通MATLAB科學計算

　　精通MATLAB/Simulink係統仿真

　　精通MATLAB圖像處理

　　精通MATLAB信號處理

　　精通MATLAB R2014a

內容簡介

　　

　　《精通MATLAB智能算法》以全新推齣的MATLAB 2014a軟件為基礎，詳細介紹瞭各種智能算法的原理及其MATLAB在智能算法中的應用，是一本MATLAB智能算法設計的綜閤性參考書。
　　《精通MATLAB智能算法》以智能算法原理及MATLAB應用為主綫，結閤各種應用案例實例，詳細講解瞭智能算法的MATLAB實現。全書共分為兩部分共13章，第一部分首先從人工智能簡介開始，詳細介紹瞭神經網絡算法、粒子群算法、遺傳算法、模糊邏輯控製、免疫算法、蟻群算法、小波分析算法及其MATLAB的實現方式等內容； 第二部分詳細介紹瞭智能算法在工程中的應用問題，包括模糊神經網絡在工程中的應用、遺傳算法在圖像處理中的應用、神經網絡在參數估計中的應用、智能算法在PID控製器設計中的應用和智能算法的綜閤應用等。
　　本書以工程應用為目標，內容深入淺齣，講解循序漸進，既可以作為高等院校理工科相關專業研究生、本科生的教材，也可作為廣大科研工程技術人員的參考用書。
　　

目錄

第一部分專 題 介 紹
第1章人工智能簡介
1.1人工智能基礎
1.1.1智能的概念
1.1.2人工智能的概念
1.1.3人工智能的研究目標
1.1.4人工智能的研究方法
1.2人工智能的特徵
1.3人工智能的應用
1.3.1機器思維
1.3.2機器感知
1.3.3機器行為
1.3.4機器學習
1.3.5機器計算
1.3.6分布式人工智能
1.3.7機器係統
1.3.8典型應用
1.4本章小結
第2章神經網絡算法及其MATLAB實現
2.1神經網絡基礎
2.1.1人工神經網絡的發展
2.1.2人工神經網絡的研究內容
2.1.3人工神經網絡的研究方嚮
2.1.4人工神經網絡的發展趨勢
2.2神經網絡結構和神經網絡學習
2.2.1神經網絡結構
2.2.2神經網絡學習
2.2.3MATLAB在神經網絡中的應用
2.3MATLAB神經網絡工具箱
2.3.1神經網絡工具箱函數
2.3.2神經網絡工具箱的圖形用戶界麵
2.3.3神經網絡的MATLAB實現
2.4Simulink神經網絡工具箱
2.4.1神經網絡模型預測控製
2.4.2反饋綫性化控製
2.4.3模型參考控製
2.5本章小結
第3章粒子群算法及其MATLAB實現
3.1粒子群算法基礎
3.1.1粒子群算法的發展
3.1.2粒子群算法的研究內容
3.1.3粒子群算法的特點
3.1.4粒子群算法的應用
3.2基本粒子群算法
3.2.1基本原理
3.2.2算法構成要素
3.2.3算法參數設置
3.2.4算法的基本流程
3.2.5算法的MATLAB實現
3.3MATLAB粒子群工具箱
3.4權重改進的粒子群算法
3.4.1自適應權重法
3.4.2隨機權重法
3.4.3綫性遞減權重法
3.5混閤粒子群算法
3.5.1基於雜交的算法
3.5.2基於自然選擇的算法
3.5.3基於免疫的粒子群算法
3.5.4基於模擬退火的算法
3.6本章小結
第4章遺傳算法及其MATLAB實現
4.1遺傳算法基礎
4.1.1算法基本運算
4.1.2遺傳算法的特點
4.1.3遺傳算法中的術語
4.1.4遺傳算法發展現狀
4.1.5遺傳算法的應用領域
4.2遺傳算法的原理
4.2.1算法運算過程
4.2.2算法編碼
4.2.3適應度和初始群體選取
4.3遺傳算法程序設計及其MATLAB工具箱
4.3.1程序設計
4.3.2算法參數設計原則
4.3.3適應度函數的調整
4.3.4算法MATLAB工具箱及其應用
4.3.5遺傳算法的GUI實現
4.4遺傳算法的典型應用
4.4.1利用遺傳算法求解函數極值
4.4.2遺傳算法在TSP中的應用
4.4.3遺傳算法的求解優化
4.5本章小結
第5章模糊邏輯控製及其MATLAB實現
5.1模糊邏輯控製基礎
5.1.1模糊邏輯控製的基本概念
5.1.2模糊邏輯控製原理
5.1.3模糊邏輯控製器設計內容
5.1.4模糊邏輯控製規則設計
5.1.5模糊邏輯控製係統的應用領域
5.2模糊邏輯控製工具箱
5.2.1模糊邏輯控製工具箱的功能特點
5.2.2模糊邏輯控製係統的基本類型
5.2.3模糊邏輯控製係統的構成
5.2.4模糊推理係統的建立、修改與存儲管理
5.2.5模糊語言變量及其語言值
5.2.6模糊語言變量的隸屬度函數
5.2.7模糊規則的建立與修改
5.2.8模糊推理計算與去模糊化
5.3模糊邏輯控製工具箱的圖形界麵工具
5.3.1FIS編輯器
5.3.2隸屬度函數編輯器
5.3.3模糊規則編輯器
5.3.4模糊規則瀏覽器
5.3.5模糊推理輸入/輸齣麯麵視圖
5.4模糊邏輯控製的經典應用
5.4.1基於Simulink的模糊邏輯控製應用
5.4.2基於模糊邏輯控製的路徑規劃應用
5.5本章小結
第6章免疫算法及其MATLAB實現
6.1免疫算法基礎
6.1.1生物免疫係統
6.1.2免疫算法的基本原理
6.1.3免疫算法的步驟和流程
6.1.4免疫係統模型和免疫算法
6.1.5免疫算法的特點
6.1.6免疫算法的發展趨勢
6.2免疫遺傳算法
6.2.1免疫遺傳算法的步驟和流程
6.2.2基於MATLAB實現免疫遺傳算法
6.3免疫算法的MATLAB應用
6.3.1免疫算法在剋隆選擇中的應用
6.3.2免疫算法在最短路徑規劃問題上的應用
6.3.3免疫算法在TSP上的應用
6.3.4免疫算法在故障檢測上的應用
6.4本章小結
第7章蟻群算法及其MATLAB實現
7.1蟻群算法基礎
7.1.1蟻群算法的起源
7.1.2蟻群算法的基本原理
7.1.3自適應蟻群算法
7.1.4蟻群算法實現的重要規則
7.1.5蟻群算法的特點
7.1.6蟻群優化算法的應用
7.2蟻群算法的MATLAB實現
7.3蟻群算法在MATLAB中的應用
7.3.1蟻群算法在路徑規劃中的應用
7.3.2蟻群算法在解決TSP問題中的應用
7.4本章小結
第8章小波分析算法及其MATLAB實現
8.1傅裏葉變換到小波分析
8.1.1傅裏葉變換
8.1.2小波分析
8.2Mallat算法
8.2.1Mallat算法原理
8.2.2常用小波函數
8.2.3Mallat算法示例
8.3小波GUI
8.4小波分析用例
8.4.1信號壓縮
8.4.2信號去噪
8.5本章小結
第二部分綜閤實例應用
第9章模糊神經網絡在工程中的應用
9.1模糊神經網絡的基礎知識
9.1.1模糊神經網絡簡介
9.1.2模糊係統與神經網絡的區彆與聯係
9.1.3典型模糊神經網絡結構
9.1.4自適應模糊神經推理係統
9.2模糊神經網絡建模方法
9.3模糊神經網絡在控製工程中的應用
9.4模糊神經網絡在函數逼近中的應用
9.5本章小結
第10章遺傳算法在圖像處理中的應用
10.1圖像分割的基礎知識
10.1.1圖像分割的定義
10.1.2圖像分割的理論
10.1.3灰度門限法簡介
10.1.4基於最大類間方差圖像分割原理
10.2遺傳算法實現圖像分割
10.2.1利用遺傳算法實現圖像分割的原理
10.2.2算法的實現
10.3遺傳算法在圖像處理中的應用
10.3.1基於遺傳算法的道路圖像閾值分割
10.3.2基於遺傳神經網絡的圖像分割
10.3.3應用遺傳算法和KSW熵法實現灰度圖像閾值分割
10.4本章小結
第11章神經網絡在參數估計中的應用
11.1參數估計的基礎知識
11.1.1參數估計的定義
11.1.2點估計與區間估計
11.1.3樣本容量
11.2幾種通用神經網絡MATLAB代碼
11.3神經網絡在參數估計中的應用
11.3.1神經網絡在人臉識彆中的應用
11.3.2灰色神經網絡在數據預測中的應用
11.3.3BP神經網絡在數據預測中的應用
11.3.4概率神經網絡在分類預測中的應用
11.4本章小結
第12章智能算法在PID控製器設計中的應用
12.1PID控製器的基礎知識
12.2神經網絡在PID控製器設計中的應用
12.3模糊控製在PID控製器設計中的應用
12.4遺傳算法在PID控製器設計中的應用
12.5本章小結
第13章智能算法的綜閤應用
13.1模糊神經網絡控製在MATLAB中的應用
13.2基於遺傳算法的MP算法的應用
13.3本章小結
參考文獻

精彩書摘

　　第3章粒子群算法及其MATLAB實現
　　粒子群算法，也稱粒子群優化算法(particle swarm optimization)，縮寫為PSO，是近年來發展起來的一種新的進化算法(evolutionary algorithm，EA)。
　　這種算法以其實現容易、精度高、收斂快等優點引起瞭學術界的重視，並且在解決實際問題中展示瞭其優越性。粒子群算法是一種並行算法。
　　本章主要講解粒子群算法的原理及其在MATLAB上的應用。
　　學習目標：
　　■瞭解粒子群算法的發展。
　　■掌握粒子群算法的基本原理。
　　■熟悉MATLAB粒子群算法工具箱。
　　■掌握MATLAB在粒子群算法中的應用。
　　3.1粒子群算法基礎
　　PSO算法屬於進化算法的一種，與模擬退火算法相似，它也是從隨機解齣發，通過迭代尋找最優解，也是通過適應度來評價解的品質，但它比遺傳算法規則更為簡單，它沒有遺傳算法的“交叉”(crossover)和“變異”(mutation)操作，它通過追隨當前搜索到的最優值來尋找全局最優。
　　3.1.1粒子群算法的發展
　　1995年，美國電氣工程師Eberhart和社會心理學傢Kenndy基於鳥群覓食行為提齣瞭粒子群優化算法(PSO)，簡稱粒子群算法。由於該算法概念簡明、實現方便、收斂速度快、參數設置少，是一種高效的搜索算法。
　　PSO是模擬鳥群隨機搜尋食物的捕食行為。假設在搜索食物區域裏隻有一塊食物，所有的小鳥都不知道食物在什麼地方，所以Kenndy等認為鳥之間存在著互相交換信息，通過估計自身的適應度值，它們知道當前的位置離食物還有多遠，所以搜索目前離食物最近的鳥的周圍區域是找到食物的最簡單有效的辦法，通過鳥之間的集體協作使群體達到最優。
　　PSO就是從這種模型中得到啓示並用於解決優化問題。在PSO中每個優化問題的潛在解都可以想象成搜索空間中的一隻鳥，我們稱之為“粒子”。粒子主要追隨當前的最優粒子在解空間中搜索，PSO初始化為一群隨機粒子(隨機解)，然後通過迭代找到最優解。
　　在每一次迭代中，粒子通過跟蹤兩個“極值”來更新自己，第一個就是粒子本身所找到的最優解，這個解叫作個體極值pbest； 另一個極值是整個種群目前找到的最優解，這個極值是全局極值gbest。
　　這兩個最優變量使得鳥在某種程度上朝著這些方嚮靠近，此外也可以不用整個種群而隻用其中一部分作為粒子的鄰居，那麼所有鄰居的極值就是局部極值，粒子始終跟隨這兩個極值變更自己的位置和速度直到找到最優解。
　　到目前為止，粒子群算法的發展得到越來越多的眾多領域學者的關注和研究，成為解決許多問題的熱點算法的研究重點。
　　其中對PSO算法的改進也非常多，有增強算法自適應性的改進、增強收斂性的改進、增加多種群多樣性的改進、增強局部搜索的改進、與全局優化算法相結閤、與確定性的局部優化算法相融閤等。
　　以上所述的是對於算法改進的目的討論的，實際改進中應用的方法有基於參數的改進，即對PSO算法的迭代公式的形式上做改進； 還有從粒子的行為模式進行改進，即粒子之間的信息交流方式，如拓撲結構的改進、全局模式與局部模式相結閤的改進等； 還有基於算法融閤的粒子群算法的改進，算法融閤可以引入其他算法的優點來彌補PSO算法的缺點，設計齣更適閤問題求解的優化算法。
　　目前，粒子群算法的發展趨勢主要有：
　　(1) 粒子群優化算法的改進。粒子群優化算法在解決空間函數的優化問題和單目標優化問題上應用得比較多，如何應用於離散空間優化問題和多目標優化問題將是粒子群優化算法的主要研究方嚮。如何充分結閤其他進化類算法，發揮優勢，改進粒子群優化算法的不足也是值得研究的。
　　(2) 粒子群優化算法的理論分析。粒子群優化算法提齣的時間不長，數學分析很不成熟和係統，存在許多不完善和未涉及的問題，對算法運行行為、收斂性、計算復雜性的分析比較少。如何知道參數的選擇和設計，如何設計適應值函數，如何提高算法在解空間搜索的效率算法收斂以及對算法模型本身的研究都需要在理論上進行更深入的研究。這些都是粒子群優化算法的研究方嚮之一。
　　(3) 粒子群算法的生物學基礎。如何根據群體進行行為完善算法，將群體智能引入算法中，藉鑒生物群體進化規則和進化的智能性也是學者關注的問題。
　　(4) 粒子群優化算法與其他進化類算法的比較研究。與其他進化算法的融閤，如何將其他進化算法的優點和粒子群優化算法的優點相結閤，構造齣有特色有實用價值的混閤算法是當前算法改進的一個重要方嚮。
　　(5) 粒子群優化算法的應用。算法的有效性必須在應用中纔能體現，廣泛地開拓粒子群優化算法的應用領域，也對深入研究粒子群優化的算法非常有意義。
　　3.1.2粒子群算法的研究內容
　　粒子群算法是一個非常簡單的算法，且能夠有效地優化各種函數。從某種程度上說，此算法介於遺傳算法和進化規劃之間。
　　此算法非常依賴於隨機的過程，這也是和進化規劃的相似之處，此算法中朝全局最優和局部最優靠近的調整非常類似於遺傳算法中的交叉算子。
　　粒子群算法的主要研究內容包括以下兩個：
　　(1) 尋找全局最優點。
　　(2) 有較高的收斂速度。
　　此算法還是用瞭適應值的概念，這是所有進化計算方法所共有的特徵。
　　3.1.3粒子群算法的特點
　　粒子群算法的本質是一種隨機搜索算法，它是一種新興的智能優化技術，是群體智能中一個新的分支，它也是對簡單社會係統的模擬。
　　該算法能以較大的概率收斂於全局最優解。實踐證明，它適閤在動態、多目標優化環境中尋優，與傳統的優化算法相比較具有更快的計算速度和更好的全局搜索能力。
　　其具體特點如下：
　　(1) 粒子群優化算法是基於群體智能理論的優化算法，通過群體中粒子間的閤作與競爭産生的群體智能指導優化搜索。與進化算法比較，PSO是一種更為高效的並行搜索算法。
　　(2) PSO與GA有很多共同之處，兩者都是隨機初始化種群，使用適應值來評價個體的優劣程度和進行一定的隨機搜索。但PSO是根據自己的速度來決定搜索，沒有GA明顯的交叉和變異。與進化算法比較，PSO保留瞭基於種群的全局搜索策略，但是其采用的速度—位移模型操作簡單，避免瞭復雜的遺傳操作。
　　(3) 由於每個粒子在算法結束時仍然保持著其個體極值。因此，若將PSO用於調度和決策問題可以給齣多種有意義的選擇方案。而基本遺傳算法在結束時，隻能得到最後一代個體的信息，前麵迭代的信息沒有保留。
　　(4) PSO特有的記憶使其可以動態地跟蹤當前的搜索情況並調整其搜索策略。
　　(5) PSO有良好的機製來有效地平衡搜索過程的多樣性和方嚮性。
　　(6) 在收斂的情況下，由於所有的粒子都嚮最優解的方嚮飛去，所以粒子趨嚮同一化(失去瞭多樣性)使得後期收斂速度明顯變慢，以緻算法收斂到一定精度時無法繼續優化。因此很多學者都緻力於提高PSO算法的性能。
　　(7) PSO算法對種群大小不十分敏感，即種群數目下降時性能下降不是很大。
　　3.1.4粒子群算法的應用
　　粒子群算法提供瞭一種求解復雜係統優化問題的通用框架，它不依賴於問題的具體領域，對問題的種類有很強的適應性，所以廣泛應用於很多學科。下麵是粒子群算法的一些主要應用領域：
　　(1) 約束優化： 隨著問題的增多，約束優化問題的搜索空間也急劇變換，有時在目前的計算機上用枚舉法很難或甚至不可能求齣其精確最優解。粒子群算法是解決這類問題的最佳工具之一。實踐證明，粒子群算法對於約束優化中的規劃，離散空間組閤問題的求解非常有效。
　　(2) 函數優化： 是粒子群算法的經典應用領域，也是對粒子群算法進行性能評價的常用算例。
　　(3) 機器人智能控製： 機器人是一類復雜的難以精確建模的人工係統，而粒子群算法可用於此類機器人群搜索，如機器人的控製與協調、移動機器人路徑規劃。所以機器人智能控製理所當然地成為粒子群算法的一個重要應用領域。
　　(4) 電力係統領域： 在其領域中有種類多樣的問題，根據目標函數特性和約束類型許多與優化相關的問題需要求解。PSO在電力係統方麵的應用如配電網擴展規劃、檢修計劃、機組組閤等。隨著粒子群優化理論研究的深入，它還將在電力市場競價交易等其他領域發揮巨大的應用潛在力。
　　(5) 工程設計問題： 在許多情況下所建立起來的數學模型難以精確求解，即使經過一些簡化之後可以進行求解，也會因簡化得太多而使得求解結果與實際相差甚遠。現在粒子群算法已成為解決復雜調度問題的有效工具，在電路及濾波器設計、神經網絡訓練、控製器設計與優化、任務分配等方麵粒子群算法都得到瞭有效的應用。
　　(6) 生物醫學領域： 許多菌體的生長模型即為非綫性模型提齣瞭用粒子群算法解決非綫性模型的參數估計問題，還有分子力場的參數設定和蛋白質圖形的發現。根據粒子群算法提齣的自適應多峰生物測定融閤算法，提高瞭解決問題的準確性。在醫學方麵，如醫學成像上得到的推廣應用等。
　　(7) 通信領域： 包括路由選擇及移動通信基站布置優化，在順序碼分多址連接方式(DS�睠DMA)通信係統中使用粒子群算法，可獲得可移植的有力算法並提供並行處理能力。比傳統的先前的算法有瞭顯著的優越性。還應用到天綫陣列控製和偏振模色散補償等方麵。
　　(8) 交通運輸領域： 在物流配送供應領域中要求以最少的車輛數、最小的車輛總行程來完成貨物的派送任務； 在交通控製領域，城市交通問題是睏擾城市發展、製約城市經濟建設的重要因素。
　　……

前言/序言

　　美國MathWorks公司的MATLAB軟件是一款用於算法開發、數據可視化、數據分析以及數值計算的高級技術計算語言和交互式環境，主要包括MATLAB和Simulink兩大部分。這款軟件和Mathematica、Maple並稱為三大數學軟件。它是數學類科技應用軟件中在數值計算方麵首屈一指。MATLAB的基本數據單位是矩陣，它的指令錶達式與數學、工程中常用的形式十分相似，故用MATLAB來實現智能算法設計要比用C、Fortran等語言更為方便。
　　在人工智能研究領域，智 精通MATLAB智能算法 下載 mobi epub pdf txt 電子書

評分☆☆☆☆☆

正版，質量不錯，看著舒服

評分☆☆☆☆☆

書質量很不錯，很滿意，主要是送貨快，今天下單明天到。當時買的時候標價比當當高那麼一點點，但是當當缺貨，很滿意。

評分☆☆☆☆☆

物流非常給力，價格實惠

評分☆☆☆☆☆

書是正版，但還沒來得及看。

評分☆☆☆☆☆

一直想買的書，當天就能收到，正版的書不貴。

評分☆☆☆☆☆

收藏，慢慢看，學習。

評分☆☆☆☆☆

很好

評分☆☆☆☆☆

還不錯的瞭，發貨速度很快，滿意，好評支持瞭，京東靠譜

評分☆☆☆☆☆

速度很快！

類似圖書 點擊查看全場最低價