MATLAB人工智能算法实战/大数据与人工智能技术丛书

本书以MATLAB R2021为平台，以实际应用为背景，通过叙述+函数+经典应用相结合的形式，深入浅出地介绍了MATLAB在人工智能中的经典应用相关知识。全书共11章，主要内容包括MATLAB环境与操作、数据分析实战、科学计算实战、数据建模实战、统计性数据分析实战、机器学习算法实战、深度学习算法实战、控制系统分析与设计实战、神经网络信息处理实战、最优化方法实战、智能算法分析与实现实战。通过本书的学习，读者在领略到MATLAB简捷的同时将感受到利用MATLAB实现智能数据应用的领域广泛，功能强大。

本书可作为高等学校相关专业本科生和研究生的教学用书，也可作为相关领域科研人员、学者、工程技术人员的参考用书。

人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识、心理学和哲学。人工智能内容十分广泛，它由不同的领域组成，如机器学习、计算机视觉等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程进行模拟。人工智能的研究内容包括语言的学习与处理、知识表现、智能搜索、知识获取、组合调度问题、感知问题、模式识别、逻辑程序设计、软计算、不精确和不确定的管理、人工生命、神经网络、复杂系统、推理、规划、机器学习、遗传算法、人类思维方式，最关键的难题还是机器的自主创造性思维能力的塑造与提升。

数学是一门研究现实世界数量关系和空间形式的科学。很多人在学习数学课程时，都会有一定的困惑： 数学这么难，学习数学到底有什么用呢？数学的难就体现在大多数的数学知识都很抽象，让人很难联系实际。其实数学正是来源于实际，是从实际中抽象出来的。如果能够尝试用抽象的数学知识去解决实际问题，一切将变得具象起来，数学的学习会变得更简单、更有意思。

将数学应用于实际，这正是科学与工程计算所要研究的内容。用数学知识解决实际问题通常包括两个基本步骤： 首先，需要把问题进行抽象，用数学的语言去描述，即在一定的合理假设下建立合适的数学模型； 其次，建立数学模型后，需要选择合适的工具求解模型。这里的求解并不只是简单的公式推导，大多数情况下不能靠手算实现，必须要借助计算机软件来实现。

计算机在人工智能中的主要作用如下。

 使用计算机描述一个系统的行为。

 使用计算机以数学方法描述物体和它们之间的空间关系。

 应用程序和数据建模是为应用程序确定、记录和实现数据和进程要求的过程。

在众多的科学计算软件中，MATLAB是求解数学模型的利器。相比于其他软件，MATLAB有“草稿纸式”的编程语言，还有各类工具箱，易学易用，用户不仅可以调用其内部函数进行“直观”的计算，还可以根据自己的算法进行扩展编程。本书将结合数学建模实例全面介绍常用的数学建模方法及其MATLAB实现。

本书具有以下特点。

(1) 深入浅出，循序渐进。本书首先对MATLAB软件进行概要介绍，让读者对MATLAB的强大功能有一定认识，接着利用MATLAB对建模问题进行处理，让读者初步领略到利用MATLAB实现建模的简单与便捷，以及体会MATLAB在建模中的广泛应用。

(2) 实用性强，步骤详尽。本书结合MATLAB软件，利用各种方法实现数学建模解决各种实际问题，详尽地介绍MATLAB的使用方法与技巧。在讲解过程中辅以相应的图片，使读者在阅读时一目了然，从而快速掌握书中内容。

(3) 理论与实际相得益彰。书中的每个方法，除了理论讲解，都配有至少一个典型的应用实例进行巩固，使读者可通过实例加深对理论的理解，同时理论又让实例更有说服力。

(4) 易借鉴，易阅读，内容生动有趣。书中很多实例的求解方法比较直观、新颖，易于读者理解与阅读。本书摒弃了一些刻板、无味的文字，让文字既有活力，又易于理解，提高读者阅读的兴趣。

全书共分为11章，主要内容如下。

第1章介绍MATLAB环境与操作，主要包括MATLAB的启动与退出、数据类型、控制语句、绘图等内容。

第2章介绍数据分析实战，主要包括数据的预处理、数据汇总、数据建模、数据插值等内容。

第3章介绍科学计算实战，主要包括数值积分和微分方程、常微分方程、傅里叶与滤波等内容。

第4章介绍数据建模实战，主要包括数据降维、一元回归、多元线性回归、逐步回归等内容。

第5章介绍统计性数据分析实战，主要包括描述性统计量和统计图、概率分布、假设检验、方差分析等内容。

第6章介绍机器学习算法实战，主要包括机器学习概述、K近邻分类、判别分析、贝叶斯分类、支持向量机等内容。

第7章介绍深度学习算法实战，主要包括迁移学习、图像的深度学习、时间序列在深度学习中的应用等内容。

第8章介绍控制系统分析与设计实战，主要包括自动控制概述、控制系统的数学建模、判定系统稳定性、时域分析等内容。

第9章介绍神经网络信息处理实战，主要包括神经网络概述、感知器、径向基网络、BP神经网络等内容。

第10章介绍最优化方法实战，主要包括最优化概述、线性规划、非线性规划、整数规划等内容。

第11章介绍智能算法分析与实现实战，主要包括遗传算法、模拟退火算法、粒子群算法、免疫算法等内容。

本书可作为高等学校相关专业本科生和研究生的教学用书，也可作为相关领域科研人员、学者、工程技术人员的参考用书。

本书由佛山科学技术学院丁伟雄编写。

由于时间仓促，加之编者水平有限，书中不足和疏漏之处在所难免。在此，诚恳地期望得到专家和广大读者的批评指正。

编者2023年10月

下载资源

第1章MATLAB环境与操作

1.1MATLAB概述

1.1.1MATLAB启动与退出

1.1.2MATLAB帮助系统

1.2数据类型

1.2.1常量与变量

1.2.2数值类型

1.2.3字符串

1.2.4矩阵的数组

1.3控制语句

1.3.1循环结构

1.3.2选择结构

1.3.3程序流程控制

1.4绘图

第2章数据分析实战

2.1数据的预处理

2.2数据汇总

2.3数据建模

2.3.1多项式回归

2.3.2一般线性回归

2.4数据插值

2.4.1网格和散点数据

2.4.2创建网格数据

2.4.3基于网格的插值

2.4.4interp系列函数的插值

2.4.5griddedInterpolant类插值

2.4.6内插散点数据

第3章科学计算实战

3.1数值积分和微分方程

3.1.1数值积分和微分方程概述

3.1.2数值微积分的应用

3.2常微分方程

3.2.1ODE求解器

3.2.2边界值问题

3.2.3时滞微分方程

3.2.4偏微分方程

3.3傅里叶变换与滤波

3.3.1傅里叶变换

3.3.2二维傅里叶变换

3.3.3滤波数据

第4章数据建模实战

4.1数据降维

4.1.1PCA概述

4.1.2PCA的降维应用

4.2一元回归

4.2.1一元线性回归

4.2.2一元非线性回归

4.3多元线性回归

4.3.1多元线性回归概述

4.3.2多元线性回归的应用

4.4逐步回归

4.4.1逐步回归的概念

4.4.2逐步型选元法

4.4.3逐步回归的应用

4.5Logistic回归

4.5.1Logistic回归概述

4.5.2Logistic回归的应用

第5章统计性数据分析实战

5.1统计量和统计图

5.1.1描述性统计量

5.1.2常用的统计量函数

5.1.3统计可视化

5.2概率分布

5.2.1离散概率分布

5.2.2连续分布

5.3假设检验

5.3.1KS检验

5.3.2t检验

5.3.3双样本t检验

5.4方差分析

5.4.1方差的基本原理

5.4.2单因素方差分析

5.4.3双因素方差分析

5.4.4多因素方差分析

第6章机器学习算法实战

6.1机器学习概述

6.1.1机器学习的分类

6.1.2机器学习步骤

6.1.3分类方法

6.2K最近邻分类

6.2.1K最近邻概述

6.2.2KNN分类的应用

6.3判别分析

6.3.1判别分析的基本原理

6.3.2判别函数

6.3.3判别方法

6.3.4判别分析的应用

6.4贝叶斯分类

6.4.1贝叶斯算法

6.4.2朴素贝叶斯算法的原理

6.4.3朴素贝叶斯算法的优缺点

6.4.4朴素贝叶斯的应用

6.5支持向量机

6.5.1支持向量机概述

6.5.2使用支持向量机

6.5.3支持向量机的应用

第7章深度学习算法实战

7.1迁移学习

7.1.1迁移学习概述

7.1.2迁移学习的应用

7.2图像的深度学习

7.3时间序列在深度学习中的应用

7.3.1时间序列概述

7.3.2LSTM网络

7.3.3序列分类的应用

7.4深度学习进行时序预测

7.5AlexNet卷积网络

7.5.1ReLU激活函数

7.5.2层叠池化

7.5.3局部相应归一化

7.5.4AlexNet结构

7.5.5AlexNet生成Deep Dream图像

7.6堆叠自编码器

7.6.1自编码网络的结构

7.6.2自编码器进行图像分类

第8章控制系统分析与设计实战

8.1自动控制概述

8.1.1控制仿真概述

8.1.2计算机仿真的步骤

8.2控制系统的数学建模

8.3判定系统稳定性

8.3.1直接判定

8.3.2图形化判定

8.4时域分析

8.4.1动态性能指标

8.4.2稳定性指标

8.4.3时域响应的典型函数应用

8.5根轨迹

8.5.1根轨迹图

8.5.2根轨迹法分析

8.6频域分析

8.6.1频率特性

8.6.2频域分析的应用

8.7控制系统综合应用

第9章神经网络信息处理实战

9.1神经网络概述

9.1.1神经元结构

9.1.2人工神经元模型

9.1.3人工神经网络的特点

9.2感知器

9.2.1单层感知器

9.2.2多层感知器

9.2.3感知器在分类中的应用

9.3径向基函数网络

9.3.1RBF神经元模型

9.3.2径向基的逼近

9.3.3广义回归神经网络

9.4BP神经网络

9.5学习向量量化

9.5.1LVQ网络结构

9.5.2LVQ学习算法

9.5.3LVQ网络的应用

9.6自组织特征映射网络

9.6.1SOM网络拓扑结构

9.6.2自组织映射在鸢尾花聚类中的应用

第10章最优化方法实战

10.1最优化概述

10.1.1最优化问题

10.1.2最优化算法

10.2线性规划

10.2.1线性规划的模型

10.2.2线性规划标准型

10.2.3线性规划的应用

10.3非线性规划

10.3.1非线性规划的数学模型

10.3.2一维非线性最优实现

10.3.3多维非线性最优实现

10.4整数规划

10.4.1整数规划的分类

10.4.2求解法分类的应用

10.5二次规划

10.5.1二次规划的模型

10.5.2二次规划的实现

10.6多目标规划

10.6.1多目标规划的数学模型

10.6.2多目标规划的实现

10.7最大最小规划

10.7.1最大最小规划模型

10.7.2最大最小规划的实现

10.8动态规划

10.8.1动态规划的基本思想

10.8.2动态规划的线路图

10.8.3动态规划的实现

10.9图与网络优化

10.9.1图的基本概念

10.9.2最短路径问题

第11章智能算法分析与实现实战

11.1遗传算法

11.1.1遗传算法的特点

11.1.2遗传算法的术语

11.1.3遗传算法的运算过程

11.1.4遗传算法的实现

11.2模拟退火算法

11.2.1模拟退火的组成

11.2.2模拟退火的思想

11.2.3模拟退火的寻优步骤

11.2.4模拟退火的实现

11.2.5模拟退火的实际应用

11.3粒子群算法

11.3.1粒子群算法概述

11.3.2粒子群算法的特点

11.3.3粒子群的算法及实现

11.4免疫算法

11.4.1免疫算法的原理

11.4.2免疫算法步骤和流程

11.4.3免疫算法的实现

11.5蚁群算法

11.5.1蚁群的基本算法

11.5.2蚁群算法的实现

11.6小波分析

11.6.1傅里叶变换

11.6.2小波分析概述

11.6.3小波变换的实现

参考文献