機(jī)器學(xué)習(xí)理論、方法及應(yīng)用

《智能科學(xué)技術(shù)著作叢書》序
序
前言
第1章 機(jī)器學(xué)習(xí)概述
1.1 機(jī)器學(xué)習(xí)的概念
1.2 機(jī)器學(xué)習(xí)的發(fā)展歷史
1.3 機(jī)器學(xué)習(xí)的分類
1.3.1 基于學(xué)習(xí)策略的分類
1.3.2 基于學(xué)習(xí)方法的分類
1.3.3 基于學(xué)習(xí)方式的分類
1.3.4 基于數(shù)據(jù)形式的分類
1.3.5 基于學(xué)習(xí)目標(biāo)的分類
1.4 機(jī)器學(xué)習(xí)的主要策略
1.4.1 基于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)
1.4.2 進(jìn)化學(xué)習(xí)
1.4.3 強(qiáng)化學(xué)習(xí)
1.5 本書主要內(nèi)容及安排
1.6 本章小結(jié)
參考文獻(xiàn)
第2章 基于時(shí)間差分的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制
2.1 方法的提出
2.2 基于時(shí)間差分的Elman網(wǎng)絡(luò)預(yù)測(cè)控制
2.2.1 Elman網(wǎng)絡(luò)預(yù)測(cè)模型
2.2.2 反饋校正模型
2.2.3 參考軌跡
2.2.4 滾動(dòng)優(yōu)化算法
2.3 仿真研究
2.3.1 預(yù)測(cè)仿真
2.3.2 跟蹤仿真
2.4 本章小結(jié)
參考文獻(xiàn)
第3章 基于徑向基函數(shù)網(wǎng)絡(luò)的機(jī)械手迭代學(xué)習(xí)控制
3.1 機(jī)械手迭代學(xué)習(xí)控制
3.2 基于RBF網(wǎng)絡(luò)的迭代學(xué)習(xí)控制
3.2.1 選取查詢點(diǎn)的k個(gè)最接近樣例
3.2.2 利用RBF網(wǎng)絡(luò)擬合k個(gè)數(shù)據(jù)點(diǎn)
3.2.3 預(yù)測(cè)查詢點(diǎn)的控制輸入
3.3 仿真研究
3.4 本章小結(jié)
參考文獻(xiàn)
第4章 自適應(yīng)T-S型模糊徑向基函數(shù)網(wǎng)絡(luò)
4.1 RBF網(wǎng)絡(luò)和模糊推理系統(tǒng)的功能等價(jià)性
4.2 自適應(yīng)T-S型FRBF網(wǎng)絡(luò)結(jié)構(gòu)
4.3 自適應(yīng)T-S型FRBF網(wǎng)絡(luò)學(xué)習(xí)
4.3.1 網(wǎng)絡(luò)學(xué)習(xí)動(dòng)態(tài)
4.3.2 網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)
4.3.3 網(wǎng)絡(luò)參數(shù)學(xué)習(xí)
4.3.4 算法步驟
4.4 仿真研究
4.5 本章小結(jié)
參考文獻(xiàn)
第5章 基于強(qiáng)化學(xué)習(xí)的自適應(yīng)PID控制
5.1 Actor-Critic學(xué)習(xí)
5.2 基于強(qiáng)化學(xué)習(xí)的自適應(yīng)PID控制
5.2.1 基于強(qiáng)化學(xué)習(xí)的自適應(yīng)PID控制結(jié)構(gòu)
5.2.2 基于RBF網(wǎng)絡(luò)的Actor-Critic學(xué)習(xí)
5.3 控制器設(shè)計(jì)步驟
5.4 仿真研究
5.5 本章小結(jié)
參考文獻(xiàn)
第6章 基于動(dòng)態(tài)回歸網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)控制
6.1 Q學(xué)習(xí)
6.2 基于Elman網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)控制
6.2.1 基于Elman網(wǎng)絡(luò)的Q學(xué)習(xí)
6.2.2 Elman網(wǎng)絡(luò)學(xué)習(xí)算法
6.2.3 基于Elman網(wǎng)絡(luò)的Q學(xué)習(xí)方法步驟
6.3 仿真研究
6.4 本章小結(jié)
參考文獻(xiàn)
第7章 基于自適應(yīng)FRBF網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)
7.1 基于自適應(yīng)FRBF網(wǎng)絡(luò)的Actor-Qitic學(xué)習(xí)
7.1.1 基于自適應(yīng)FRBF網(wǎng)絡(luò)的Actorcritic學(xué)習(xí)結(jié)構(gòu)
7.1.2 自適應(yīng)FRBF網(wǎng)絡(luò)的學(xué)習(xí)
7.1.3 算法步驟
7.1.4 仿真研究
7.2 基于自適應(yīng)FRBF網(wǎng)絡(luò)的Q學(xué)習(xí)
7.2.1 基于自適應(yīng)FRBF網(wǎng)絡(luò)的Q學(xué)習(xí)結(jié)構(gòu)
7.2.2 自適應(yīng)FRBF網(wǎng)絡(luò)的學(xué)習(xí)
7.2.3 算法步驟
7.2.4 仿真研究
7.3 本章小結(jié)
參考文獻(xiàn)
第8章 基于支持向量機(jī)的強(qiáng)化學(xué)習(xí)
8.1 SVM
8.1.1 機(jī)器學(xué)習(xí)
8.1.2 核學(xué)習(xí)
8.1.3 SVM的思想
8.1.4 SVM的重要概念
8.2 基于SVM的強(qiáng)化學(xué)習(xí)
8.2.1 基于SVM的Q學(xué)習(xí)結(jié)構(gòu)
8.2.2 基于滾動(dòng)時(shí)間窗機(jī)制的SVM
8.2.3 算法步驟
8.2.4 仿真研究
8.3 基于協(xié)同最小二乘SVM的強(qiáng)化學(xué)習(xí)
8.3.1 基于協(xié)同最小二乘SVM的Q學(xué)習(xí)
8.3.2 LS-SVRM逼近狀態(tài)一動(dòng)作對(duì)到值函數(shù)的映射關(guān)系
8.3.3 LS-SVCM逼近狀態(tài)空間到動(dòng)作空間的映射關(guān)系
8.3.4 仿真研究
8.4 本章小結(jié)
參考文獻(xiàn)
第9章 基于高斯過程分類器的強(qiáng)化學(xué)習(xí)
9.1 基于高斯過程分類器的強(qiáng)化學(xué)習(xí)
9.2 在線高斯過程分類器學(xué)習(xí)
9.3 算法步驟
9.4 仿真研究
9.5 本章小結(jié)
參考文獻(xiàn)
第10章 基于圖上測(cè)地高斯基函數(shù)的策略迭代強(qiáng)化學(xué)習(xí)
10.1 環(huán)境的圖論描述
10.2 測(cè)地高斯基函數(shù)
10.3 遞歸最小二乘策略迭代
10.4 算法步驟
10.5 仿真研究
10.6 本章小結(jié)
參考文獻(xiàn)
第11章 多目標(biāo)優(yōu)化問題的差分進(jìn)化一分布估計(jì)算法
11.1 多目標(biāo)優(yōu)化
11.2 多目標(biāo)優(yōu)化的差分進(jìn)化一分布估計(jì)算法
11.2.1 多目標(biāo)優(yōu)化的DE-EDA混合算法步驟
11.2.2 多目標(biāo)優(yōu)化的DE子代生成策略
11.2.3 多目標(biāo)優(yōu)化的EDA子代生成策略
11.3 實(shí)例研究
11.4 本章小結(jié)
參考文獻(xiàn)
第12章 基于細(xì)菌覓食行為的分布估計(jì)算法在預(yù)測(cè)控制中的應(yīng)用
12.1 方法的提出
12.2 基于改進(jìn)分布估汁算法的預(yù)測(cè)控制
12.2.1 預(yù)測(cè)模型
12.2.2 反饋校正模型
12.2.3 基于改進(jìn)分布估計(jì)算法的滾動(dòng)優(yōu)化
12.3 實(shí)驗(yàn)分析
12.3.1 Benchmark函數(shù)實(shí)驗(yàn)
12.3.2 預(yù)測(cè)控制的曲線跟蹤實(shí)驗(yàn)
12.4 本章小結(jié)
參考文獻(xiàn)
第13章 一種多樣性保持的分布估計(jì)算法
13.1 混沌模型
13.2 多樣性保持分布估計(jì)算法
13.3 Benchmark函數(shù)實(shí)驗(yàn)
13.4 在支持向量機(jī)參數(shù)選擇中的應(yīng)用
13.4.1 算法步驟
13.4.2 Chebyshev混沌時(shí)間序列預(yù)測(cè)
13.5 本章小結(jié)
參考文獻(xiàn)
附錄 部分機(jī)器學(xué)習(xí)算法MATLAB源程序
程序1 第11章 多目標(biāo)差分進(jìn)化-分布估計(jì)算法MATLAB源程序
程序2 第12章 基于細(xì)菌覓食行為的分布估計(jì)算法部分MATLAB源程序
程序3 第13章 一種多樣性保持的分布估計(jì)算法部分MATLAB程序