MATLAB R2017a模式识别与智能计算

　　本书以模式识别、智能算法应用为主线，以分析工程案例为辅助，做到了理论与实际算法相结合，详解设计思路和设计步骤，向读者展示了怎样运用MATLAB R2017a进行算法的设计与开发。全书共12章，包括MATLAB的基础知识、模式识别与智能计算的概念、神经网络的算法分析、RBF网络的算法分析、模糊系统的算法分析、判别函数的算法分析、*优化的智能计算、遗传算法分析、粒子群算法分析、蚁群优化算法分析、模拟退火的算法分析、禁忌搜索的算法分析，让读者轻松利用MATLAB解决模式识别与智能计算等问题，领略到利用MATLAB实现模式识别与智能计算的简单、易学、易上手。本书可作为广大在校本科生和研究生的学习用书，也可作为科研人员和工程技术人员的参考用书。

　　辛焕平，男，1970年生，江西万载人，副教授。1992年毕业于江西师大数学系，获理学学士；1995年毕业江西财经大学，获硕士学位；2002年于浙江大学获得博士学位。现任佛山科学技术学院管理学系主任，佛山市禅城区人大常委。

第1章 走进MATLAB R2017a 1

1．1 了解MATLAB 1

1．1．1 MATLAB的优势 1

1．1．2 MATLAB R2017a的新功能 2

1．1．3 MATLAB R2017a的安装与激活 4

1．1．4 MATLAB R2017a的工作界面 8

1．1．5 MATLAB的快速入门 9

1．1．6 MATLAB的程序设计 13

1．2 MATLAB的帮助文档 17

1．2．1 常用帮助命令 18

1．2．2 其他帮助命令 21

1．3 MATLAB的基本元素 23

1．3．1 赋值语句 23

1．3．2 矩阵及其元素表示 24

1．3．3 矩阵的变换函数 27

1．3．4 矩阵的代数运算 29

1．3．5 矩阵函数 30

1．4 MATLAB的可视化 33

1．4．1 二维平面图形 33

1．4．2 三维绘图 38

第2章 模式识别与智能计算 43

2．1 模式识别 43

2．1．1 模式识别的定义 43

2．1．2 模式识别的分类 43

2．1．3 模式识别的方法 44

2．1．4 统计模式识别 45

2．1．5 模式识别的应用 45

2．1．6 模式识别的发展潜力 46

2．2 分类分析 47

2．2．1 分类器的设计 47

2．2．2 分类器的构造和实施 48

2．2．3 分类器的基本类型 49

2．2．4 分类器的准确度评估方法 50

2．3 聚类分析 51

2．3．1 聚类与分类的区别 51

2．3．2 聚类的定义 51

2．3．3 模式相似度 52

2．3．4 聚类准则 53

2．3．5 层次聚类法 55

2．3．6 动态聚类法 55

2．4 模式识别在科学研究中的应用 56

2．5 距离判别分析 67

2．6 贝叶斯判别 71

2．7 智能计算 75

2．8 基于群体智能优化的聚类分析 76

第3章 神经网络的算法分析 83

3．1 神经网络的基本概念 83

3．1．1 生物神经元的结构及功能特点 83

3．1．2 人工神经元模型 85

3．1．3 神经网络的分类 86

3．1．4 神经网络的学习 89

3．2 感知器神经网络 90

3．2．1 单层感知器 90

3．2．2 单层感知器的算法 91

3．2．3 感知器的实现 93

3．3 BP神经网络 95

3．3．1 BP神经网络的结构 96

3．3．2 BP神经网络的学习算法 97

3．3．3 BP神经网络的局限性 98

3．3．4 BP神经网络的实现 99

3．4 自组织竞争神经网络 102

3．4．1 自组织竞争神经网络的结构 103

3．4．2 自组织竞争网络的学习策略 104

3．4．3 SOM网的学习算法 106

3．4．4 学习矢量量化网络 108

3．4．5 自组织竞争网络的实现 109

3．5 反馈神经网络 118

3．5．1 Hopfield神经网络 118

3．5．2 Elman神经网络 124

第4章 RBF网络的算法分析 131

4．1 径向基神经网络 131

4．1．1 RBF神经网络结构 131

4．1．2 RBF神经网络的训练 133

4．1．3 RBF神经网络逼近 133

4．1．4 RBF自校正控制 134

4．1．5 自适应RBF神经网络 135

4．1．6 RBF神经网络的直接鲁棒自适应 137

4．1．7 径向基神经网络的优缺点 139

4．1．8 径向基神经网络的实现 140

4．2 概率神经网络 144

4．3 广义回归神经网络 150

4．3．1 广义回归神经网络的理论 150

4．3．2 广义回归神经网络的结构 151

4．3．3 广义回归神经网络的优点 152

4．3．4 广义神经网络的实现 153

第5章 模糊系统的算法分析 155

5．1 模糊系统的理论基础 155

5．1．1 模糊系统的研究领域 155

5．1．2 模糊集合 156

5．1．3 模糊规则 160

5．1．4 模糊推理 160

5．2 模糊逻辑工具箱 167

5．2．1 模糊逻辑工具箱的功能和特点 167

5．2．2 模糊推理系统的基本类型 168

5．2．3 模糊逻辑系统的构成 169

5．2．4 模糊逻辑系统的实现 169

5．3 模糊模式识别的方法 177

5．3．1 最大隶属度原则 177

5．3．2 选择原则 178

5．4 模糊神经网络 179

5．4．1 模糊神经网络的发展动向 180

5．4．2 Mamdani模型的模糊神经网络 180

5．4．3 Takagi-Sugeno模型的模糊神经网络 181

5．4．4 模糊神经系统的实现 182

5．5 模糊聚类分析 188

5．6 模糊逼近 194

5．6．1 模糊系统的设计 194

5．6．2 模糊系统的逼近精度 195

5．6．3 模糊逼近的实现 195

第6章 判别函数的算法分析 201

6．1 核函数方法 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 核主成分分析的实现 208

6．3 基于核的FISHER判别方法 214

6．3．1 Fisher判别方法 214

6．3．2 基于核的Fisher算法的应用 214

6．4 基于核的投影寻踪法 217

6．4．1 投影寻踪法 217

6．4．2 基于核的投影寻踪分析 220

6．5 势函数法 224

6．6 支持向量机 229

第7章 最优化的智能计算 241

7．1 最优问题的数学描述 241

7．2 线性规划智能计算 243

7．2．1 线性规划问题的求解 245

7．2．2 线性规划的智能计算的实现 248

7．3 整数规划智能计算 251

7．3．1 整数规划的数学模型 252

7．3．2 整数规划的智能计算实现 256

7．4 非线性规划智能计算 259

7．4．1 非线性规划的数学模型 259

7．4．2 求解非线性规划智能计算的方法 259

7．4．3 非线性规划智能计算的实现 264

7．5 二次规划智能计算 268

7．5．1 二次规划问题的数学模型 268

7．5．2 二次规划问题的方法 269

7．5．3 二次规划的智能计算应用 269

7．6 多目标规划的智能计算 272

7．6．1 多目标规划的数学模型 272

7．6．2 多目标规划问题的处理方法 272

7．6．3 多目标规划智能计算的实例 277

第8章 遗传算法分析 281

8．1 遗传算法的基本概述 281

8．1．1 遗传算法的特点 282

8．1．2 遗传算法的不足 283

8．1．3 遗传算法的构成要素 283

8．1．4 遗传算法的应用步骤 284

8．1．5 遗传算法的应用领域 286

8．2 遗传算法的分析 287

8．2．1 染色的编码 287

8．2．2 适应度函数 288

8．2．3 遗传算子 289

8．3 控制参数的选择 291

8．4 遗传算法的MATLAB实现 292

8．5 遗传算法的寻优计算 293

8．6 遗传算法求极大值 298

8．6．1 二进制编码求极大值 299

8．6．2 实数编码求极大值 303

8．7 基于GA_PSO算法的寻优 307

8．8 GA的旅行商问题求解 309

8．8．1 定义TSP 310

8．8．2 遗传算法中的TSP算法步骤 310

8．8．3 地图TSP的求解 311

8．9 遗传算法在实际领域中的应用 313

第9章 粒子群算法分析 316

9．1 PSO算法的寻优计算 316

9．1．1 基本粒子群的算法 317

9．1．2 粒子群算法的优化 318

9．2 粒子群优化 332

9．2．1 粒子群的基本原则 332

9．2．2 粒子的基本原理 332

9．2．3 参数分析 334

9．2．4 粒子算法的研究现状 334

9．2．5 粒子群算法研究的发展趋势 335

9．2．6 粒子群的应用 335

9．3 PSO改进策略 339

9．3．1 粒子群算法的改进 339

9．3．2 加快粒子群算法的效率 340

第10章 蚁群优化算法分析 352

10．1 人工蚂蚁与真实蚂蚁的异同 352

10．2 蚁群优化算法理论的研究现状 353

10．3 蚁群优化算法的基本原理 354

10．3．1 蚁群优化算法的基本思想 354

10．3．2 蚁群优化算法的基本模型 355

10．3．3 蚁群优化算法的特点 357

10．3．4 蚁群优化算法的优缺点 358

10．4 蚁群优化算法的改进 359

10．4．1 自适应蚁群优化算法 359

10．4．2 融合遗传算法与蚁群优化算法 359

10．4．3 蚁群神经网络 359

10．5 聚类问题的蚁群优化算法 360

10．5．1 聚类数目已知的聚类问题 361

10．5．2 聚类数目未知的聚类问题 362

10．6 ACO算法的TSP求解 363

第11章 模拟退火算法分析 375

11．1 模拟退火的基本概念 375

11．1．1 物理退火过程 375

11．1．2 Metropolis准则 376

11．2 模拟退火算法的基本原理 376

11．3 模拟退火寻优的实现步骤 377

11．4 模拟退火的控制参数 377

11．5 模拟退火改进K均值聚类法 379

11．5．1 K均值算法的局限性 379

11．5．2 模拟退火改进K均值聚类 380

11．5．3 几个重要参数的选择 380

11．5．4 算法流程 380

11．5．6 算法步骤 381

11．6 模拟退火的MATLAB实现 382

第12章 禁忌搜索算法分析 386

12．1 局部邻域搜索 386

12．2 禁忌搜索的基本原理 387

12．3 禁忌搜索的关键技术 389

12．4 禁忌搜索的MATLAB实现 391

参考文献 397