- 计算智能(高等学校大数据专业系列教材教育部高等学校计算机类专业教学指导委员会推荐教材)
- - 作者：陈丽芳//侯伟|责编:陈景辉//薛阳
  - 出版社：清华大学
  - ISBN：9787302680178
  - 出版日期：2025/01/01
  - 页数：290
- 售价：23.96

内容大纲
本书以模糊计算、神经计算、进化计算三大模块为主，从理论基础和实践应用两个维度全面、系统地介绍关于计算智能的常见算法，并设计8个上机实验，以满足前面章节内容仿真验证的需要。全书共11章，内容分别为绪论、模糊系统理论、模糊系统应用、神经网络理论、支持向量机、深度学习、遗传算法、遗传规划、蚁群算法、粒子群算法、新型群智能优化算法等知识，并对大部分知识点配以相应的案例。
本书主要面向广大从事数据分析、机器学习、数据挖掘或深度学习的专业人员，从事高等教育的专任教师，高等学校的在读学生及相关领域的广大科技人员。
作者介绍
目录
第1章  绪论
  1.1  什么是智能
  1.2  生物智能
  1.3  人工智能
  1.4  计算智能
    1.4.1  模糊计算
    1.4.2  神经计算
    1.4.3  进化计算
  第一单元模糊计算
第2章  模糊系统理论
  2.1  模糊集合
    2.1.1  经典集合
    2.1.2  模糊集合与隶属函数
    2.1.3  模糊集合的表示方法
    2.1.4  模糊集合的运算
  2.2  模糊关系
    2.2.1  普通关系
    2.2.2  模糊关系的概念
    2.2.3  模糊关系的性质
    2.2.4  模糊关系的运算
    2.2.5  模糊关系的复合
    2.2.6  模糊关系的转置
    2.2.7  模糊关系的截矩阵
    2.2.8  模糊关系的传递闭包
  2.3  模糊逻辑
  本章习题
第3章  模糊系统应用
  3.1  模糊聚类分析
    3.1.1  模糊聚类的基本概念
    3.1.2  模糊聚类的具体步骤
  3.2  模糊模式识别
    3.2.1  模式识别原则
    3.2.2  模式识别的直接方法
    3.2.3  模式识别的间接方法
  3.3  模糊综合评判
    3.3.1  基本概念
    3.3.2  一级模糊综合评判
    3.3.3  多级模糊综合评判
  3.4  模糊控制
    3.4.1  模糊推理
    3.4.2  模糊控制
  本章习题
  第二单元神经计算
第4章  神经网络理论
  4.1  神经网络简介
    4.1.1  神经网络的研究进展
    4.1.2  神经网络的基本原理
  4.2  神经网络的学习规则
    4.2.1  神经网络的分类
    4.2.2  神经网络的学习

    4.2.3  神经网络的信息处理能力
    4.2.4  神经网络的应用
    4.2.5  神经网络与人工智能
  4.3  单层前向网络
    4.3.1  单层感知器
    4.3.2  自适应线性元件
    4.3.3  LMS学习算法
  4.4  多层前向网络
    4.4.1  多层感知器
    4.4.2  BP神经网络
    4.4.3  RBF神经网络
  4.5  Hopfield神经网络
    4.5.1  离散Hopfield神经网络
    4.5.2  连续Hopfield神经网络
    4.5.3  联想记忆
  4.6  神经网络的应用案例
    4.6.1  铁矿粉烧结的基础特性预测
    4.6.2  葡萄酒品质的评价
    4.6.3  地震数据中随机噪声的去噪
    4.6.4  股票价格预测
    4.6.5  水泥熟料的强度预测
  本章习题
第5章  支持向量机
  5.1  支持向量机概述
    5.1.1  历史背景
    5.1.2  统计学习理论
  5.2  分类支持向量机
    5.2.1  最优分类超平面
    5.2.2  线性支持向量机
    5.2.3  非线性支持向量机
    5.2.4  SVM与多层前向网络的比较
    5.2.5  学习算法
  5.3  回归支持向量机
    5.3.1  损失函数
    5.3.2  回归支持向量机的实现
  5.4  支持向量机的应用
    5.4.1  实例1：支持向量机解决异或问题
    5.4.2  实例2：用支持向量机对人工样本进行分类
    5.4.3  实例3：基于粒计算的哈夫曼树SVM多分类模型研究
  本章习题
第6章  深度学习
  6.1  深度学习概述
    6.1.1  起源和命运变迁
    6.1.2  基本概念和思想
    6.1.3  深度学习与神经网络
    6.1.4  训练过程
  6.2  深度学习模型
    6.2.1  深度神经网络
    6.2.2  卷积神经网络
    6.2.3  循环神经网络

    6.2.4  生成对抗网络
  6.3  深度学习框架
  6.4  深度学习的应用案例
    6.4.1  玉米籽粒的完整性识别
    6.4.2  从叶片图像推断植物病害
    6.4.3  黄瓜分类
  本章习题
  第三单元进化计算
第7章  遗传算法
  7.1  遗传算法简介
    7.1.1  发展历程
    7.1.2  生物学基础
    7.1.3  遗传算法的特点
  7.2  遗传算法的原理与实现
    7.2.1  遗传算法的原理
    7.2.2  遗传编码
    7.2.3  遗传操作
  7.3  遗传算法的应用
  本章习题
第8章  遗传规划
  8.1  概述
    8.1.1  遗传算法的局限性
    8.1.2  遗传规划简介
    8.1.3  遗传规划的步骤
  8.2  遗传规划的应用
    8.2.1  降水量预测
    8.2.2  土石坝沉降预测
  本章习题
第9章  蚁群算法
  9.1  蚁群算法简介
    9.1.1  蚁群算法的背景
    9.1.2  蚁群算法的原理
    9.1.3  蚁群算法的思想
    9.1.4  蚁群算法的特点
  9.2  蚁群算法的实现
    9.2.1  模型构建
    9.2.2  算法流程
    9.2.3  算法改进
  9.3  蚁群算法的应用
    9.3.1  应用领域
    9.3.2  应用案例
第10章  粒子群算法
  10.1  粒子群算法简介
    10.1.1  粒子群算法的背景
    10.1.2  粒子群算法的原理
    10.1.3  粒子群算法的思想
  10.2  粒子群算法的更新规则
    10.2.1  粒子速度更新
    10.2.2  粒子位置更新
  10.3  算法实现概述

    10.3.1  算法流程
    10.3.2  算法实现
    10.3.3  应用案例
  10.4  粒子群算法的特点及应用
    10.4.1  算法的特点
    10.4.2  算法对比
    10.4.3  算法的应用
第11章  新型群智能优化算法
  11.1  人工蜂群算法
    11.1.1  人工蜂群算法的原理
    11.1.2  人工蜂群算法的思想
    11.1.3  人工蜂群算法的实现
  11.2  萤火虫算法
    11.2.1  萤火虫算法的原理
    11.2.2  萤火虫算法的思想
    11.2.3  萤火虫算法的实现
  11.3  蝙蝠算法
    11.3.1  蝙蝠算法的原理
    11.3.2  蝙蝠算法的思想
    11.3.3  蝙蝠算法的实现
  11.4  灰狼优化算法
    11.4.1  灰狼优化算法的原理
    11.4.2  灰狼优化算法的思想
    11.4.3  灰狼优化算法的实现
  11.5  蜻蜓算法
    11.5.1  蜻蜓算法的原理
    11.5.2  蜻蜓算法的思想
    11.5.3  蜻蜓算法的实现
  11.6  鲸鱼优化算法
    11.6.1  鲸鱼优化算法的原理
    11.6.2  鲸鱼优化算法的思想
    11.6.3  鲸鱼优化算法的实现
  11.7  蝗虫优化算法
    11.7.1  蝗虫优化算法的原理
    11.7.2  蝗虫优化算法的思想
    11.7.3  蝗虫优化算法的实现
  11.8  麻雀搜索算法
    11.8.1  麻雀搜索算法的原理
    11.8.2  麻雀搜索算法的思想
    11.8.3  麻雀搜索算法的实现
参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目