人工智能算法大全:基于MATLAB电子书

前言

第一篇 特征处理算法

第1章 ReliefF特征选择算法

1.1 原理介绍

1.1.1 算法思想

1.1.2 算法流程

1.1.3 算法详细介绍

1.2 ReliefF特征选择算法优缺点

1.3 实例分析

1.3.1 数据集介绍

1.3.2 函数介绍

1.3.3 ReliefF算法在分类问题中的实例分析

1.3.4 ReliefF算法在回归问题中的实例分析

1.4 房价回归预测问题的特征选择案例代码

第2章 Chi-Merge算法

2.1 原理介绍

2.1.1 算法思想

2.1.2 算法流程

2.2 Chi-Merge算法的优缺点

2.3 实例分析

2.3.1 数据集介绍

2.3.2 函数介绍

2.3.3 结果分析

2.4 代码获取

第3章 特征规约算法

3.1 特征规约算法原理介绍

3.1.1 特征规约算法思想

3.1.2 特征规约算法流程

3.1.3 PCA算法及相关矩阵分解

3.2 几种特征规约算法的优缺点

3.3 特征规约算法实例分析

3.3.1 数据集介绍

3.3.2 函数介绍

3.3.3 结果分析

3.4 代码获取

第二篇 分类和聚类算法

第4章 KNN算法

4.1 原理介绍

4.1.1 算法思想

4.1.2 算法流程

4.2 KNN算法的核心知识

4.2.1 距离或相似度的衡量

4.2.2 K值的选取

4.2.3 K个邻近样本的选取

4.3 KNN算法的优缺点

4.4 实例分析

4.4.1 数据集介绍

4.4.2 函数介绍

4.4.3 结果分析

4.5 代码获取

第5章 K-Means算法

5.1 原理介绍

5.1.1 算法思想

5.1.2 算法流程

5.1.3 k值的选取

5.2 K-Means算法的优点与缺点

5.2.1 K-Means算法的优点

5.2.2 K-Means算法的缺点

5.3 实例分析

5.3.1 数据集介绍

5.3.2 函数介绍

5.3.3 K的选择

5.3.4 训练结果分析

5.4 代码介绍

5.4.1 K-Means训练的函数代码

5.4.2 计算距离矩阵的函数代码

5.4.3 分析模型的代码

5.5 代码获取

第6章 高斯混合聚类算法

6.1 原理介绍

6.1.1 算法思想

6.1.2 算法流程

6.1.3 EM算法理论与GMM参数推导

6.1.4 EM聚类与K-Means聚类的对比

6.2 高斯混合聚类算法的优缺点

6.3 实例分析

6.3.1 数据集介绍

6.3.2 函数介绍

6.3.3 学习过程

6.3.4 样本聚类结果

6.4 代码获取

第7章 ISODATA算法

7.1 原理介绍

7.1.1 算法思想

7.1.2 算法流程

7.2 ISODATA算法的优缺点

7.3 实例分析

7.3.1 函数介绍

7.3.2 数据介绍

7.3.3 训练结果

7.3.4 其他参数下的聚类结果

7.4 代码介绍

7.4.1 鸢尾花数据测试代码

7.4.2 代码获取

第8章 谱聚类算法

8.1 原理介绍

8.1.1 算法思想

8.1.2 谱聚类的切图聚类

8.1.3 算法流程

8.2 聚类普算法的优缺点

8.3 实例分析

8.3.1 数据集介绍

8.3.2 函数介绍

8.3.3 结果分析

8.3.4 代码获取

第三篇 神经网络算法

第9章 BP神经网络与径向基神经网络算法

9.1 原理介绍

9.1.1 算法思想

9.1.2 算法流程

9.1.3 BP神经网络与径向基神经网络结构说明

9.1.4 误差反向传递（含权值偏置调整）

9.1.5 调整输出层的权值偏置矩阵

9.1.6 调整隐含层权值偏置矩阵

9.1.7 径向基神经网络

9.2 BP和径向基神经网络算法的优缺点

9.2.1 BP神经网络和径向基神经网络的优点

9.2.2 BP神经网络和径向基神经网络的缺点

9.3 实例分析

9.3.1 数据集介绍

9.3.2 BP神经网络使用

9.3.3 径向基神经网络的应用

9.4 代码获取

第10章 Hopfield神经网络算法

10.1 原理介绍

10.1.1 算法思想

10.1.2 算法流程

10.1.3 Hopfield神经网络结构

10.1.4 离散Hopfield网络能量函数收敛性证明

10.2 Hopfield神经网络算法的优点与缺点

10.3 正交法权值计算

10.4 正交法权值计算的吸引情况说明

10.5 实例分析

10.6 代码获取

第11章 LSTM长短期记忆网络算法

11.1 原理介绍

11.1.1 算法思想

11.1.2 算法流程

11.2 LSTM的数学推导和说明

11.2.1 数据集符号申明

11.2.2 训练过程

11.3 激活函数求导说明

11.4 补充

11.5 LSTM算法的优点与缺点

11.6 实例分析

11.6.1 数据集介绍

11.6.2 函数介绍

11.6.3 结果分析

11.7 代码获取

第四篇 优化算法

第12章 网格寻优算法

12.1 原理介绍

12.1.1 算法思想

12.1.2 算法流程

12.2 网格寻优算法的优缺点

12.3 实例分析

12.3.1 函数介绍

12.3.2 结果分析

12.4 代码获取

第13章 模拟退火聚类算法

13.1 原理介绍

13.1.1 算法思想

13.1.2 算法流程

13.2 模拟退火算法的优缺点

13.3 实例分析

13.3.1 数据介绍

13.3.2 函数介绍

13.3.3 结果分析

13.4 代码介绍

13.4.1 分析模型的代码

13.4.2 模拟退火结合K-Means算法的代码获取

第14章 EMD经验模态分解算法

14.1 原理介绍

14.1.1 算法思想

14.1.2 算法流程

14.1.3 经验模态分解（EMD）的核心要点

14.1.4 经验模态分解的理论基础

14.1.5 包络线拟合

14.1.6 三次样条插值的应用

14.1.7 其他插值方法介绍

14.2 EMD经验模态分解算法的优缺点

14.3 实例分析

14.3.1 数据集介绍

14.3.2 函数介绍

14.3.3 上证指数EMD分解

14.4 代码获取

第五篇 基于不同数学思想的算法

第15章 粗糙集算法

15.1 原理介绍

15.1.1 算法思想

15.1.2 算法流程

15.1.3 基本概念

15.2 粗糙集算法的优缺点

15.3 实例分析

15.3.1 数据集介绍

15.3.2 函数介绍

15.3.3 训练结果

15.3.4 其他说明

15.4 代码介绍

15.4.1 测试案例代码

15.4.2 粗糙集算法涉及的其他代码获取

第16章 基于核的Fisher算法

16.1 基于核的Fisher算法介绍

16.1.1 算法思想

16.1.2 基于核的Fisher算法数学推导

16.1.3 算法流程

16.1.4 基于核的Fisher算法的计算步骤

16.2 Fisher核函数算法的优缺点

16.3 实例分析

16.3.1 函数介绍

16.3.2 核函数的选择

16.3.3 结果分析

16.4 代码介绍

16.4.1 测试脚本

16.4.2 Fisher核函数的完整代码获取

第17章 SVM支持向量机算法

17.1 原理介绍

17.1.1 算法思想

17.1.2 算法流程

17.1.3 最优分类超平面问题

17.1.4 顺序选取α的SMO算法

17.1.5 结合Maximum Gain Method对α选择的优化

17.2 SVM算法的优点与缺点

17.3 实例分析

17.3.1 数据介绍

17.3.2 函数介绍

17.3.3 训练结果

17.4 代码获取

第18章 傅里叶级数及变换

18.1 原理介绍

18.1.1 算法思想

18.1.2 算法流程

18.1.3 傅里叶变换定理的说明

18.1.4 傅里叶级数展开的指数函数形式

18.1.5 一些核心问题的解释

18.2 傅里叶级数及变换的优缺点

18.3 实例分析

18.3.1 函数介绍

18.3.2 离散傅里叶变换数据降噪实例

18.3.3 利用快速傅里叶变换对原数据进行降噪

18.4 离散傅里叶变换代码获取

第六篇 集成算法

第19章 集成算法之AdaBoost

19.1 原理介绍

19.1.1 算法思想

19.1.2 算法流程

19.1.3 程序流程

19.2 AdaBoost算法的优缺点

19.3 实例分析

19.3.1 数据集介绍

19.3.2 函数介绍

19.3.3 结果分析

19.4 代码获取

第20章 集成算法之Bagging

20.1 原理介绍

20.1.1 算法思想

20.1.2 算法流程

20.2 Bagging算法的优缺点

20.3 实例分析

20.3.1 函数介绍

20.3.2 结果分析

20.4 代码获取

第21章 集成算法之Stacking

21.1 原理介绍

21.2 Stacking算法的优缺点

21.3 Stacking截面数据分类

21.3.1 训练程序流程

21.3.2 训练函数

21.3.3 预测程序流程

21.3.4 预测函数

21.4 算法实例

21.5 Stacking时间序列分类

21.5.1 算法流程

21.5.2 程序流程

21.5.3 预测函数

21.6 实例分析

21.7 代码获取

第22章 集成算法之Gradient Boosting

22.1 原理介绍

22.1.1 算法思想

22.1.2 算法流程

22.1.3 采用标签取{0,1}的对数损失函数

22.1.4 采用标签取{-1,1}的对数损失函数

22.2 Gradient Boosting算法的优缺点

22.3 实例分析

22.3.1 数据集介绍

22.3.2 函数介绍

22.3.3 结果分析

22.4 代码介绍

22.4.1 处理分类问题的测试代码

22.4.2 处理回归问题的测试代码

22.4.3 集成算法之GB完整代码获取