下載資源 第1章MATLAB環(huán)境與操作 1.1MATLAB概述 1.1.1MATLAB啟動與退出 1.1.2MATLAB幫助系統(tǒng) 1.2數(shù)據(jù)類型 1.2.1常量與變量 1.2.2數(shù)值類型 1.2.3字符串 1.2.4矩陣的數(shù)組 1.3控制語句 1.3.1循環(huán)結(jié)構(gòu) 1.3.2選擇結(jié)構(gòu) 1.3.3程序流程控制 1.4繪圖 第2章數(shù)據(jù)分析實戰(zhàn) 2.1數(shù)據(jù)的預(yù)處理 2.2數(shù)據(jù)匯總 2.3數(shù)據(jù)建模 2.3.1多項式回歸 2.3.2一般線性回歸 2.4數(shù)據(jù)插值 2.4.1網(wǎng)格和散點數(shù)據(jù) 2.4.2創(chuàng)建網(wǎng)格數(shù)據(jù) 2.4.3基于網(wǎng)格的插值 2.4.4interp系列函數(shù)的插值 2.4.5griddedInterpolant類插值 2.4.6內(nèi)插散點數(shù)據(jù) 第3章科學(xué)計算實戰(zhàn) 3.1數(shù)值積分和微分方程 3.1.1數(shù)值積分和微分方程概述 3.1.2數(shù)值微積分的應(yīng)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(shù)據(jù) 第4章數(shù)據(jù)建模實戰(zhàn) 4.1數(shù)據(jù)降維 4.1.1PCA概述 4.1.2PCA的降維應(yīng)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(yīng)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(yīng)用 4.5Logistic回歸 4.5.1Logistic回歸概述 4.5.2Logistic回歸的應(yīng)用 第5章統(tǒng)計性數(shù)據(jù)分析實戰(zhàn) 5.1統(tǒng)計量和統(tǒng)計圖 5.1.1描述性統(tǒng)計量 5.1.2常用的統(tǒng)計量函數(shù) 5.1.3統(tǒng)計可視化 5.2概率分布 5.2.1離散概率分布 5.2.2連續(xù)分布 5.3假設(shè)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(xué)習(xí)算法實戰(zhàn) 6.1機器學(xué)習(xí)概述 6.1.1機器學(xué)習(xí)的分類 6.1.2機器學(xué)習(xí)步驟 6.1.3分類方法 6.2K*近鄰分類 6.2.1K*近鄰概述 6.2.2KNN分類的應(yīng)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(shù) 6.3.3判別方法 6.3.4判別分析的應(yīng)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(yōu)缺點 6.4.4樸素貝葉斯的應(yīng)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(yīng)用 第7章深度學(xué)習(xí)算法實戰(zhàn) 7.1遷移學(xué)習(xí) 7.1.1遷移學(xué)習(xí)概述 7.1.2遷移學(xué)習(xí)的應(yīng)用 7.2圖像的深度學(xué)習(xí) 7.3時間序列在深度學(xué)習(xí)中的應(yīng)用 7.3.1時間序列概述 7.3.2LSTM網(wǎng)絡(luò) 7.3.3序列分類的應(yīng)用 7.4深度學(xué)習(xí)進行時序預(yù)測 7.5AlexNet卷積網(wǎng)絡(luò) 7.5.1ReLU激活函數(shù) 7.5.2層疊池化 7.5.3局部相應(yīng)歸一化 7.5.4AlexNet結(jié)構(gòu) 7.5.5AlexNet生成Deep Dream圖像 7.6堆疊自編碼器 7.6.1自編碼網(wǎng)絡(luò)的結(jié)構(gòu) 7.6.2自編碼器進行圖像分類 第8章控制系統(tǒng)分析與設(shè)計實戰(zhàn) 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(tǒng)的數(shù)學(xué)建模 8.3判定系統(tǒng)穩(wěn)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(tài)性能指標(biāo) 8.4.2穩(wěn)定性指標(biāo) 8.4.3時域響應(yīng)的典型函數(shù)應(yīng)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(yīng)用 8.7控制系統(tǒng)綜合應(yīng)用 第9章神經(jīng)網(wǎng)絡(luò)信息處理實戰(zhàn) 9.1神經(jīng)網(wǎng)絡(luò)概述 9.1.1神經(jīng)元結(jié)構(gòu) 9.1.2人工神經(jīng)元模型 9.1.3人工神經(jīng)網(wǎng)絡(luò)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(yīng)用 9.3徑向基函數(shù)網(wǎng)絡(luò) 9.3.1RBF神經(jīng)元模型 9.3.2徑向基的逼近 9.3.3廣義回歸神經(jīng)網(wǎng)絡(luò) 9.4BP神經(jīng)網(wǎng)絡(luò) 9.5學(xué)習(xí)向量量化 9.5.1LVQ網(wǎng)絡(luò)結(jié)構(gòu) 9.5.2LVQ學(xué)習(xí)算法 9.5.3LVQ網(wǎng)絡(luò)的應(yīng)用 9.6自組織特征映射網(wǎng)絡(luò) 9.6.1SOM網(wǎng)絡(luò)拓撲結(jié)構(gòu) 9.6.2自組織映射在鳶尾花聚類中的應(yīng)用 第10章*優(yōu)化方法實戰(zhàn) 10.1*優(yōu)化概述 10.1.1*優(yōu)化問題 10.1.2*優(yōu)化算法 10.2線性規(guī)劃 10.2.1線性規(guī)劃的模型 10.2.2線性規(guī)劃標(biāo)準(zhǔn)型 10.2.3線性規(guī)劃的應(yīng)用 10.3非線性規(guī)劃 10.3.1非線性規(guī)劃的數(shù)學(xué)模型 10.3.2一維非線性*優(yōu)實現(xiàn) 10.3.3多維非線性*優(yōu)實現(xiàn) 10.4整數(shù)規(guī)劃 10.4.1整數(shù)規(guī)劃的分類 10.4.2求解法分類的應(yīng)用 10.5二次規(guī)劃 10.5.1二次規(guī)劃的模型 10.5.2二次規(guī)劃的實現(xiàn) 10.6多目標(biāo)規(guī)劃 10.6.1多目標(biāo)規(guī)劃的數(shù)學(xué)模型 10.6.2多目標(biāo)規(guī)劃的實現(xiàn) 10.7*大*小規(guī)劃 10.7.1*大*小規(guī)劃模型 10.7.2*大*小規(guī)劃的實現(xiàn) 10.8動態(tài)規(guī)劃 10.8.1動態(tài)規(guī)劃的基本思想 10.8.2動態(tài)規(guī)劃的線路圖 10.8.3動態(tài)規(guī)劃的實現(xiàn) 10.9圖與網(wǎng)絡(luò)優(yōu)化 10.9.1圖的基本概念 10.9.2*短路徑問題 第11章智能算法分析與實現(xiàn)實戰(zhàn) 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(shù)語 11.1.3遺傳算法的運算過程 11.1.4遺傳算法的實現(xiàn) 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(yōu)步驟 11.2.4模擬退火的實現(xiàn) 11.2.5模擬退火的實際應(yīng)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(xiàn) 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(xiàn) 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(xiàn) 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(xiàn) 參考文獻