MATLAB人工智能算法實戰（簡體書）

本書以MATLAB R2021為平臺，以實際應用為背景，通過敘述 函數 經典應用相結合的形式，深入淺出地介紹了MATLAB在人工智能中的經典應用相關知識。全書共11章，主要內容包括MATLAB環境與操作、數據分析實戰、科學計算實戰、數據建模實戰、統計性數據分析實戰、機器學習算法實戰、深度學習算法實戰、控制系統分析與設計實戰、神經網絡信息處理實戰、最優化方法實戰、智能算法分析與實現實戰。通過本書的學習，讀者在領略到MATLAB簡捷的同時將感受到利用MATLAB實現智能數據應用的領域廣泛，功能強大。

本書可作為高等學校相關專業本科生和研究生的教學用書，也可作為相關領域科研人員、學者、工程技術人員的參考用書。

理論與實踐並重、站在工程與科技的前沿 ；
提供書中全部程序源代碼，可快速進階到實用階段 ；
由淺入深，理論結合實際，案例豐富實用 ；
取材科學、結構嚴謹、實用性突出 。

人工智能是一門極富挑戰性的科學，從事這項工作的人必須懂得計算機知識、心理學和哲學。人工智能內容十分廣泛，它由不同的領域組成，如機器學習、計算機視覺等。人工智能從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智能帶來的科技產品，將會是人類智能的“容器”。人工智能可以對人的意識、思維的信息過程進行模擬。人工智能的研究內容包括語言的學習與處理、知識表現、智能搜索、知識獲取、組合調度問題、感知問題、模式識別、邏輯程序設計、軟計算、不精確和不確定的管理、人工生命、神經網絡、複雜系統、推理、規劃、機器學習、遺傳算法、人類思維方式，最關鍵的難題還是機器的自主創造性思維能力的塑造與提升。

數學是一門研究現實世界數量關係和空間形式的科學。很多人在學習數學課程時，都會有一定的困惑： 數學這麼難，學習數學到底有什麼用呢？數學的難就體現在大多數的數學知識都很抽象，讓人很難聯繫實際。其實數學正是來源於實際，是從實際中抽象出來的。如果能夠嘗試用抽象的數學知識去解決實際問題，一切將變得具象起來，數學的學習會變得更簡單、更有意思。

將數學應用於實際，這正是科學與工程計算所要研究的內容。用數學知識解決實際問題通常包括兩個基本步驟： 首先，需要把問題進行抽象，用數學的語言去描述，即在一定的合理假設下建立合適的數學模型； 其次，建立數學模型後，需要選擇合適的工具求解模型。這裡的求解並不只是簡單的公式推導，大多數情況下不能靠手算實現，必須要借助計算機軟件來實現。

計算機在人工智能中的主要作用如下。

 使用計算機描述一個系統的行為。

 使用計算機以數學方法描述物體和它們之間的空間關係。

 應用程序和數據建模是為應用程序確定、記錄和實現數據和進程要求的過程。

在眾多的科學計算軟件中，MATLAB是求解數學模型的利器。相比於其他軟件，MATLAB有“草稿紙式”的編程語言，還有各類工具箱，易學易用，用戶不僅可以調用其內部函數進行“直觀”的計算，還可以根據自己的算法進行擴展編程。本書將結合數學建模實例全面介紹常用的數學建模方法及其MATLAB實現。

本書具有以下特點。

(1) 深入淺出，循序漸進。本書首先對MATLAB軟件進行概要介紹，讓讀者對MATLAB的強大功能有一定認識，接著利用MATLAB對建模問題進行處理，讓讀者初步領略到利用MATLAB實現建模的簡單與便捷，以及體會MATLAB在建模中的廣泛應用。

(2) 實用性強，步驟詳盡。本書結合MATLAB軟件，利用各種方法實現數學建模解決各種實際問題，詳盡地介紹MATLAB的使用方法與技巧。在講解過程中輔以相應的圖片，使讀者在閱讀時一目了然，從而快速掌握書中內容。

(3) 理論與實際相得益彰。書中的每個方法，除了理論講解，都配有至少一個典型的應用實例進行鞏固，使讀者可通過實例加深對理論的理解，同時理論又讓實例更有說服力。

(4) 易借鑒，易閱讀，內容生動有趣。書中很多實例的求解方法比較直觀、新穎，易於讀者理解與閱讀。本書摒棄了一些刻板、無味的文字，讓文字既有活力，又易於理解，提高讀者閱讀的興趣。

全書共分為11章，主要內容如下。

第1章介紹MATLAB環境與操作，主要包括MATLAB的啟動與退出、數據類型、控制語句、繪圖等內容。

第2章介紹數據分析實戰，主要包括數據的預處理、數據匯總、數據建模、數據插值等內容。

第3章介紹科學計算實戰，主要包括數值積分和微分方程、常微分方程、傅裡葉與濾波等內容。

第4章介紹數據建模實戰，主要包括數據降維、一元回歸、多元線性回歸、逐步回歸等內容。

第5章介紹統計性數據分析實戰，主要包括描述性統計量和統計圖、概率分布、假設檢驗、方差分析等內容。

第6章介紹機器學習算法實戰，主要包括機器學習概述、K近鄰分類、判別分析、貝葉斯分類、支持向量機等內容。

第7章介紹深度學習算法實戰，主要包括遷移學習、圖像的深度學習、時間序列在深度學習中的應用等內容。

第8章介紹控制系統分析與設計實戰，主要包括自動控制概述、控制系統的數學建模、判定系統穩定性、時域分析等內容。

第9章介紹神經網絡信息處理實戰，主要包括神經網絡概述、感知器、徑向基網絡、BP神經網絡等內容。

第10章介紹最優化方法實戰，主要包括最優化概述、線性規劃、非線性規劃、整數規劃等內容。

第11章介紹智能算法分析與實現實戰，主要包括遺傳算法、模擬退火算法、粒子群算法、免疫算法等內容。

本書可作為高等學校相關專業本科生和研究生的教學用書，也可作為相關領域科研人員、學者、工程技術人員的參考用書。

本書由佛山科學技術學院丁偉雄編寫。

由於時間倉促，加之編者水平有限，書中不足和疏漏之處在所難免。在此，誠懇地期望得到專家和廣大讀者的批評指正。

編者2023年10月

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傅裡葉變換與濾波

3.3.1傅裡葉變換

3.3.2二維傅裡葉變換

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概率分布

5.2.1離散概率分布

5.2.2連續分布

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卷積網絡

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控制仿真概述

8.1.2計算機仿真的步驟

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傅裡葉變換

11.6.2小波分析概述

11.6.3小波變換的實現

參考文獻