MATLAB優(yōu)化算法案例分析與應(yīng)用（進(jìn)階篇）

第1篇  MATLAB常用算法應(yīng)用設(shè)計(jì)
第1章  基于貝葉斯分類器的數(shù)據(jù)處理與MATLAB實(shí)現(xiàn)
1.1  貝葉斯理論
1.2  高斯概率密度函數(shù)
1.3  最小距離分類器
1.3.1  歐氏距離分類器
1.3.2  馬氏距離分類器
1.3.3  基于高斯概率密度函數(shù)的最大似然估計(jì)
1.4  混合概率分布
1.5  期望最大化算法
1.6  Parzen窗
1.7  K最近鄰密度估計(jì)法
1.8  樸素貝葉斯分類器
1.9  最近鄰分類原則
1.10  本章小結(jié)
第2章  基于背景差分的運(yùn)動(dòng)目標(biāo)檢測與MATLAB實(shí)現(xiàn)
2.1  運(yùn)動(dòng)目標(biāo)檢測的一般過程
2.1.1  手動(dòng)背景法
2.1.2  統(tǒng)計(jì)中值法
2.1.3  算術(shù)平均法
2.2  運(yùn)動(dòng)目標(biāo)檢測的一般方法
2.2.1  幀間差法運(yùn)動(dòng)目標(biāo)檢測
2.2.2  背景差法運(yùn)動(dòng)目標(biāo)檢測
2.3  本章小結(jié)
第3章  基于小波變換的圖像壓縮與MATLAB實(shí)現(xiàn)
3.1  小波變換原理
3.2  多尺度分析
3.3  圖像的分解和量化
3.3.1  一維小波變換
3.3.2  二維變換體系
3.3.3  量化
3.4  圖像壓縮編碼
3.4.1  圖像編碼評價(jià)
3.4.2  壓縮比準(zhǔn)則
3.5  圖像壓縮與MATLAB實(shí)現(xiàn)
3.6  本章小結(jié)
第4章  基于BP的模型優(yōu)化預(yù)測與MATLAB實(shí)現(xiàn)
4.1  BP神經(jīng)網(wǎng)絡(luò)模型及其基本原理
4.2  MATLAB BP神經(jīng)網(wǎng)絡(luò)工具箱
4.3  基于BP神經(jīng)網(wǎng)絡(luò)的PID參數(shù)整定
4.3.1  理論分析
4.3.2  算法流程
4.3.3  算法仿真
4.4  基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)字識(shí)別系統(tǒng)設(shè)計(jì)
4.5  本章小結(jié)
第5章  基于RLS算法的數(shù)據(jù)預(yù)測與MATLAB實(shí)現(xiàn)
5.1  遞歸最小二乘（RLS）算法應(yīng)用背景
5.2  RLS算法基本原理與流程
5.2.1  RLS算法基本原理
5.2.2  RLS算法流程
5.3  RLS數(shù)據(jù)線性預(yù)測分析與MATLAB實(shí)現(xiàn)
5.4  本章小結(jié)
第6章  基于GA優(yōu)化的BP網(wǎng)絡(luò)算法分析與MATLAB實(shí)現(xiàn)
6.1  遺傳算法
6.2  BP神經(jīng)網(wǎng)絡(luò)
6.3  基于GA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的大腦灰白質(zhì)圖像分割
6.4  基于GA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的礦井通風(fēng)量計(jì)算
6.4.1  某工作面最優(yōu)通風(fēng)量分析
6.4.2  總回風(fēng)巷最優(yōu)通風(fēng)量分析
6.5  本章小結(jié)
第7章  分形維數(shù)應(yīng)用與MATLAB實(shí)現(xiàn)
7.1  分形盒維數(shù)概述
7.2  二維圖像分形盒維數(shù)分析
7.3  基于短時(shí)分形維數(shù)的語音信號(hào)檢測
7.3.1  時(shí)間序列信號(hào)圖形的網(wǎng)格分形
7.3.2  噪聲語音信號(hào)的短時(shí)網(wǎng)格分形
7.4  本章小結(jié)
第8章  碳排放約束下的煤炭消費(fèi)量優(yōu)化預(yù)測
8.1  煤炭消費(fèi)量概述
8.2  煤炭影響因素分析
8.3  煤炭消耗量優(yōu)化預(yù)測模型構(gòu)建
8.3.1  CO2排放強(qiáng)度的雙立方插值擬合
8.3.2  煤炭、石油和天然氣與CO2排放強(qiáng)度回歸模型構(gòu)建
8.3.3  煤炭、石油和天然氣碳排放系數(shù)構(gòu)建
8.3.4  節(jié)能減排和經(jīng)濟(jì)發(fā)展優(yōu)化目標(biāo)構(gòu)建與求解
8.4  本章小結(jié)
第9章  焊縫邊緣檢測算法對比分析與MATLAB實(shí)現(xiàn)
9.1  焊縫邊緣檢測研究
9.2  圖像預(yù)處理技術(shù)
9.3  焊縫圖像邊緣檢測
9.3.1  Sobel算子
9.3.2  Prewitt算子
9.3.3  Canny算子
9.3.4  形態(tài)學(xué)處理
9.3.5  邊緣檢測效果對比
9.4  本章小結(jié)
第10章  指紋圖像細(xì)節(jié)特征提取與MATLAB實(shí)現(xiàn)
10.1  指紋識(shí)別技術(shù)概述
10.2  指紋識(shí)別系統(tǒng)的工作原理
10.3  指紋細(xì)節(jié)特征的提取
10.3.1  指紋特征提取的方法
10.3.2  指紋圖像的細(xì)化后處理
10.3.3  特征點(diǎn)的提取
10.3.4  指紋特征的去偽
10.4  指紋圖像去偽與MATLAB實(shí)現(xiàn)
10.5  本章小結(jié)
第11章  基于多元回歸模型的礦井通風(fēng)量計(jì)算
11.1  礦井通風(fēng)量概述
11.2  礦井通風(fēng)量回歸模型分析
11.3  通風(fēng)量多元回歸分析
11.3.1  數(shù)據(jù)的預(yù)處理
11.3.2  瓦斯、煤塵、溫度、濕度與通風(fēng)量模型的建立
11.4  礦井最優(yōu)通風(fēng)風(fēng)量有效性分析
11.4.1  空氣中煤塵濃度與風(fēng)速映射關(guān)系建模
11.4.2  空氣中瓦斯?jié)舛扰c風(fēng)速映射關(guān)系建模
11.4.3  礦井中溫濕度與風(fēng)速映射關(guān)系建模
11.5  預(yù)測模型誤差檢驗(yàn)
11.6  本章小結(jié)
第12章  基于非線性多混合擬合模型的植被過濾帶計(jì)算
12.1  植被試驗(yàn)場概況
12.2  試驗(yàn)方法
12.2.1  試驗(yàn)參數(shù)
12.2.2  土樣的分析方法
12.2.3  水樣的分析方法
12.3  植被過濾帶凈化效果評價(jià)方法
12.4  植被過濾帶凈化效果影響因素分析
12.4.1  植被條件對植被過濾帶凈化效果的影響
12.4.2  入流水文條件對植被過濾帶凈化效果的影響
12.4.3  帶寬對植被過濾帶凈化效果的影響
12.4.4  坡度對植被過濾帶凈化效果的影響
12.4.5  入流污染物濃度對植被過濾帶凈化效果的影響
12.4.6  土壤初始含水量對植被過濾帶凈化效果的影響
12.5  植被過濾帶凈化效果關(guān)聯(lián)度計(jì)算
12.6  基于非線性多混合擬合模型的濃度削減率計(jì)算
12.7  本章小結(jié)
第13章  基于伊藤微分方程的布朗運(yùn)動(dòng)分析
13.1  隨機(jī)微分方程數(shù)學(xué)模型
13.1.1  布朗運(yùn)動(dòng)概述
13.1.2  布朗運(yùn)動(dòng)的數(shù)學(xué)模型
13.2  布朗運(yùn)動(dòng)的隨機(jī)微分方程
13.2.1  隨機(jī)微分方程
13.2.2  隨機(jī)微分方程系數(shù)
13.3  伊藤微分方程及伊藤微分法則
13.3.1  伊藤微分方程
13.3.2  伊藤積分
13.3.3  伊藤過程
13.3.4  伊藤隨機(jī)微分方程的解析解
13.3.5  伊藤隨機(jī)微分方程的數(shù)值解
13.4  數(shù)值布朗運(yùn)動(dòng)模擬與MATLAB實(shí)現(xiàn)
13.4.1  布朗運(yùn)動(dòng)的模擬
13.4.2  幾何布朗運(yùn)動(dòng)的模擬
13.4.3  伊藤微分方程的布朗運(yùn)動(dòng)模擬
13.5  本章小結(jié)
第14章  基于Q學(xué)習(xí)的無線體域網(wǎng)路由方法
14.1  無線體域網(wǎng)研究背景
14.2  無線體域網(wǎng)性能分析
14.2.1  無線體域網(wǎng)系統(tǒng)結(jié)構(gòu)
14.2.2  無線體域網(wǎng)的主要特點(diǎn)
14.3  無線體域網(wǎng)路由協(xié)議
14.3.1  無線路由協(xié)議
14.3.2  高效節(jié)能路由協(xié)議
14.3.3  DSR路由協(xié)議
14.4  基于Q學(xué)習(xí)的無線體域網(wǎng)路由方法
14.4.1  Agent增強(qiáng)學(xué)習(xí)算法
14.4.2  增強(qiáng)學(xué)習(xí)算法的基本原理
14.4.3  Q-learning增強(qiáng)學(xué)習(xí)算法
14.4.4  基于Q學(xué)習(xí)的無線體域網(wǎng)路由策略
14.4.5  WBAN路由分析與MATLAB實(shí)現(xiàn)
14.5  本章小結(jié)
第15章  基于遺傳算法的公交排班系統(tǒng)分析
15.1  公交排班系統(tǒng)背景分析
15.2  公交線路模型仿真
15.2.1  車輛行駛模型
15.2.2  乘客上下車模型
15.3  遺傳算法的發(fā)展與現(xiàn)狀
15.4  遺傳算法的基本思想
15.5  遺傳算法的特點(diǎn)
15.6  遺傳算法的應(yīng)用步驟
15.7  公交排班問題模型設(shè)計(jì)
15.7.1  模型假設(shè)
15.7.2  定義變量
15.7.3  建立目標(biāo)函數(shù)
15.7.4  算法結(jié)構(gòu)
15.8  本章小結(jié)
第16章  人臉檢測識(shí)別與MATLAB實(shí)現(xiàn)
16.1  人臉檢測的意義
16.2  人臉檢測常用的幾個(gè)彩色空間
16.2.1  RGB彩色空間
16.2.2  標(biāo)準(zhǔn)化RGB彩色空間
16.2.3  HSV彩色空間
16.2.4  YCrCb彩色空間
16.3  靜態(tài)膚色模型
16.3.1  RGB顏色空間分割
16.3.2  HSV顏色空間分割
16.3.3  YCbCr顏色空間分割
16.4  基于Lab顏色空間的人臉分割
16.5  運(yùn)動(dòng)人圖像檢測與MATLAB實(shí)現(xiàn)
16.6  本章小結(jié)
第2篇  MATLAB高級(jí)算法應(yīng)用設(shè)計(jì)
第18章  基于罰函數(shù)的粒子群算法的函數(shù)尋優(yōu)
第19章  車載自組織網(wǎng)絡(luò)中路邊性能及防碰撞算法研究
第20章  基于免疫算法的數(shù)值逼近優(yōu)化分析
第21章  基于啟發(fā)式算法的函數(shù)優(yōu)化分析
第22章  一級(jí)倒立擺變結(jié)構(gòu)控制系統(tǒng)的設(shè)計(jì)與仿真研究
第23章  基于蟻群算法的函數(shù)優(yōu)化分析
第24章  基于引力搜索算法的函數(shù)優(yōu)化分析
第25章  基于細(xì)菌覓食算法的函數(shù)優(yōu)化分析
第26章  基于匈牙利算法的指派問題優(yōu)化分析
第27章  基于人工蜂群算法的函數(shù)優(yōu)化分析
第28章  基于改進(jìn)的遺傳算法的城市交通信號(hào)優(yōu)化分析
第29章  基于差分進(jìn)化算法的函數(shù)優(yōu)化分析
第30章  基于魚群算法的函數(shù)優(yōu)化分析
參考文獻(xiàn)