MATLAB 2020 智能算法從入門到精通

前言
第1章 MATLAB入門
1.1 啟動MATLAB
1.2 MATLAB 2020的操作環(huán)境
1.2.1 功能區(qū)
1.2.2 工具欄
1.2.3 命令行窗口
1.2.4 命令歷史記錄窗口
1.2.5 當前文件夾窗口
1.2.6 工作區(qū)窗口
1.2.7 圖形窗口
1.2.8 文件管理
1.2.9 使用幫助
1.3 數(shù)據(jù)類型
1.3.1 變量與常量
1.3.2 數(shù)據(jù)的顯示格式
1.3.3 算術(shù)運算符
1.3.4 數(shù)據(jù)類型函數(shù)
第2章 MATLAB基礎(chǔ)知識
2.1 MATLAB基本運算
2.1.1 向量
2.1.2 矩陣的生成
2.2 可視化繪圖
2.2.1 figure命令
2.2.2 subplot命令
2.2.3 plot繪圖命令
2.2.4 圖形注釋
2.3 圖像的基本操作
2.3.1 圖像讀入
2.3.2 圖像的顯示
第3章 插值算法
3.1 插值問題
3.1.1 插值算法概述
3.1.2 線性插值
3.2 基本插值計算
3.2.1 插值算法分類
3.2.2 一次插值函數(shù)
3.2.3 二次插值
3.3 多項式插值法
3.3.1 計算插值多項式
3.3.2 計算多項式插值
3.4 常用多項式插值
3.4.1 拉格朗日(Lagrange)插值
3.4.2 牛頓（Newton）插值
3.4.3 埃爾米特(Hermite)插值
3.5 分段插值
3.5.1 龍格函數(shù)
3.5.2 分段線性插值
3.5.3 分段三次（埃爾米特）插值
3.6 三次樣條插值
3.6.1 樣條曲線
3.6.2 三次樣條插值
3.7 二次、三次混合插值
3.7.1 半無限規(guī)劃
3.7.2 二次、三次混合插值函數(shù)
第4章 擬合算法
4.1 擬合問題
4.1.1 插值算法與擬合算法
4.1.2 曲線擬合問題
4.1.3 求解擬合曲線步驟
4.2 小二乘法
4.2.1 線性小二乘法
4.2.2 加權(quán)小二乘法
4.2.3 魯棒小二乘法
4.2.4 非線性小二乘法
4.3 數(shù)據(jù)擬合
4.3.1 擬合模型
4.3.2 擬合類型
4.3.3 擬合算法
4.3.4 數(shù)據(jù)擬合
4.3.5 擬合后處理
4.4 線性擬合
4.4.1 線性擬合函數(shù)
4.4.2 一元線性組合函數(shù)擬合
4.5 多項式擬合
4.5.1 擬合多項式
4.5.2 多項式擬合預(yù)測值
4.5.3 多項式擬合工具
4.5.4 曲線擬合工具
第5章 圖與網(wǎng)絡(luò)算法
5.1 圖
5.1.1 繪制方向圖
5.1.2 繪制子圖
5.2 圖的外觀設(shè)置
5.2.1 圖屬性設(shè)置
5.2.2 圖的標注
5.3 圖的遍歷算法
5.3.1 廣度優(yōu)先搜索算法
5.3.2 深度優(yōu)先搜索算法
5.3.3 算法應(yīng)用1
5.3.4 算法應(yīng)用2
5.4 可達性算法
5.4.1 算法概述
5.4.2 連通圖
5.4.3 連通分量
5.4.4 雙連通圖分量
5.4.5 可達矩陣
5.4.6 算法應(yīng)用1
5.4.7 算法應(yīng)用2
5.5 PageRank 算法
5.5.1 算法概述
5.5.2 算法基本原理
5.5.3 算法函數(shù)
5.5.4 算法應(yīng)用
第6章 有向圖算法
6.1 數(shù)據(jù)結(jié)構(gòu)
6.1.1 鄰接矩陣
6.1.2 關(guān)聯(lián)矩陣
6.2 圖的分類
6.2.1 繪制自環(huán)圖
6.2.2 繪制加權(quán)圖
6.2.3 圖的布局
6.3 流算法
6.3.1 算法原理
6.3.2 算法函數(shù)
6.3.3 算法應(yīng)用
6.4 小生成樹算法
6.4.1 算法原理
6.4.2 算法函數(shù)
6.4.3 算法應(yīng)用
6.5 圖的短路徑算法
6.5.1 短路徑定義
6.5.2 全局短路徑
6.5.3 起點終點的短路徑
6.5.4 算法應(yīng)用
第7章 機器學(xué)習(xí)與深度學(xué)習(xí)算法
7.1 機器學(xué)習(xí)
7.1.1 機器學(xué)習(xí)算法
7.1.2 機器學(xué)習(xí)應(yīng)用
7.2 神經(jīng)網(wǎng)絡(luò)
7.2.1 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
7.2.2 深度學(xué)習(xí)典型網(wǎng)絡(luò)模型
7.2.3 深度學(xué)習(xí)算法
7.3 深度神經(jīng)網(wǎng)絡(luò)計算
7.3.1 神經(jīng)網(wǎng)絡(luò)優(yōu)化算法
7.3.2 反向傳播
7.3.3 神經(jīng)網(wǎng)絡(luò)層
7.3.4 激勵函數(shù)
7.3.5 預(yù)訓(xùn)練模型
7.4 梯度下降算法
7.4.1 梯度下降算法分類
7.4.2 隨機梯度下降算法
7.5 梯度下降算法基本函數(shù)
7.5.1 算法設(shè)置
7.5.2 網(wǎng)絡(luò)訓(xùn)練樣本
7.5.3 神經(jīng)網(wǎng)絡(luò)分類
7.5.4 網(wǎng)絡(luò)預(yù)測
7.5.5 深度網(wǎng)絡(luò)設(shè)計器
7.6 算法應(yīng)用
第8章 圖像的復(fù)原算法
8.1 圖像的退化
8.1.1 圖像退化的原因
8.1.2 圖像退化的數(shù)學(xué)模型
8.2 圖像的復(fù)原
8.2.1 圖像的復(fù)原模型
8.2.2 圖像復(fù)原方法
8.2.3 復(fù)原方法的評估
8.3 圖像的復(fù)原算法
8.3.1 維納濾波
8.3.2 圖像線性濾波
8.3.3 正規(guī)則化濾波
8.3.4 Lucy-Richardson濾波
第9章 粒子群小值算法
9.1 粒子群算法基礎(chǔ)
9.1.1 粒子群算法的發(fā)展
9.1.2 復(fù)雜適應(yīng)系統(tǒng)
9.2 粒子群函數(shù)
9.2.1 算法參數(shù)設(shè)置
9.2.2 粒子群函數(shù)
9.3 算法應(yīng)用
9.3.1 算法應(yīng)用1
9.3.2 算法應(yīng)用2
9.3.3 算法應(yīng)用3
9.3.4 算法應(yīng)用4
9.3.5 算法應(yīng)用5
9.3.6 算法應(yīng)用6
第10章 多目標優(yōu)化算法
10.1 數(shù)學(xué)原理
10.2 基本函數(shù)
10.2.1 optimset函數(shù)
10.2.2 多目標規(guī)劃函數(shù)
10.3 算法應(yīng)用
10.3.1 算法應(yīng)用1
10.3.2 算法應(yīng)用2
10.3.3 算法應(yīng)用3