人工智能算法大全：基于MATLAB

前言
第一篇特征處理算法

第1章ReliefF特征選擇算法
1.1原理介紹
1.1.1算法思想
1.1.2算法流程
1.1.3算法詳細介紹
1.2ReliefF特征選擇算法優(yōu)缺點
1.3實例分析
1.3.1數(shù)據(jù)集介紹
1.3.2函數(shù)介紹
1.3.3ReliefF算法在分類問題中的實例分析
1.3.4ReliefF算法在回歸問題中的實例分析
1.4房價回歸預測問題的特征選擇案例代碼

第2章Chi-Merge算法
2.1原理介紹
2.1.1算法思想
2.1.2算法流程
2.2Chi-Merge算法的優(yōu)缺點
2.3實例分析
2.3.1數(shù)據(jù)集介紹
2.3.2函數(shù)介紹
2.3.3結(jié)果分析
2.4代碼獲取

第3章特征規(guī)約算法
3.1特征規(guī)約算法原理介紹
3.1.1特征規(guī)約算法思想
3.1.2特征規(guī)約算法流程
3.1.3PCA算法及相關(guān)矩陣分解
3.2幾種特征規(guī)約算法的優(yōu)缺點
3.3特征規(guī)約算法實例分析
3.3.1數(shù)據(jù)集介紹
3.3.2函數(shù)介紹
3.3.3結(jié)果分析
3.4代碼獲取

第二篇分類和聚類算法

第4章KNN算法
4.1原理介紹
4.1.1算法思想
4.1.2算法流程
4.2KNN算法的核心知識
4.2.1距離或相似度的衡量
4.2.2K值的選取
4.2.3K個鄰近樣本的選取
4.3KNN算法的優(yōu)缺點
4.4實例分析
4.4.1數(shù)據(jù)集介紹
4.4.2函數(shù)介紹
4.4.3結(jié)果分析
4.5代碼獲取

第5章K-Means算法
5.1原理介紹
5.1.1算法思想
5.1.2算法流程
5.1.3K值的選取
5.2K-Means算法的優(yōu)點與缺點
5.2.1K-Means算法的優(yōu)點
5.2.2K-Means算法的缺點
5.3實例分析
5.3.1數(shù)據(jù)集介紹
5.3.2函數(shù)介紹
5.3.3K的選擇
5.3.4訓練結(jié)果分析
5.4代碼介紹
5.4.1K-Means訓練的函數(shù)代碼
5.4.2計算距離矩陣的函數(shù)代碼
5.4.3分析模型的代碼
5.5代碼獲取

第6章高斯混合聚類算法
6.1原理介紹
6.1.1算法思想
6.1.2算法流程
6.1.3EM算法理論與GMM參數(shù)推導
6.1.4EM聚類與K-Means聚類的對比
6.2高斯混合聚類算法的優(yōu)缺點
6.3實例分析
6.3.1數(shù)據(jù)集介紹
6.3.2函數(shù)介紹
6.3.3學習過程
6.3.4樣本聚類結(jié)果
6.4代碼獲取

第7章ISODATA算法
7.1.1算法思想
7.1.2算法流程
7.2ISODATA算法的優(yōu)缺點
7.3實例分析
7.3.1函數(shù)介紹
7.3.2數(shù)據(jù)介紹
7.3.3訓練結(jié)果
7.3.4其他參數(shù)下的聚類結(jié)果
7.4代碼介紹
7.4.1鳶尾花數(shù)據(jù)測試代碼
7.4.2代碼獲取

第8章譜聚類算法
8.1原理介紹
8.1.1算法思想
8.1.2譜聚類的切圖聚類
8.1.3算法流程
8.2聚類普算法的優(yōu)缺點
8.3實例分析
8.3.1數(shù)據(jù)集介紹
8.3.2函數(shù)介紹
8.3.3結(jié)果分析
8.3.4代碼獲取

第三篇神經(jīng)網(wǎng)絡(luò)算法

第9章BP神經(jīng)網(wǎng)絡(luò)與徑向基神經(jīng)網(wǎng)絡(luò)算法
9.1原理介紹
9.1.1算法思想
9.1.2算法流程
9.1.3BP神經(jīng)網(wǎng)絡(luò)與徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)說明
9.1.4誤差反向傳遞（含權(quán)值偏置調(diào)整）
9.1.5調(diào)整輸出層的權(quán)值偏置矩陣
9.1.6調(diào)整隱含層權(quán)值偏置矩陣
9.1.7徑向基神經(jīng)網(wǎng)絡(luò)
9.2BP和徑向基神經(jīng)網(wǎng)絡(luò)算法的優(yōu)缺點
9.2.1BP神經(jīng)網(wǎng)絡(luò)和徑向基神經(jīng)網(wǎng)絡(luò)的優(yōu)點
9.2.2BP神經(jīng)網(wǎng)絡(luò)和徑向基神經(jīng)網(wǎng)絡(luò)的缺點
9.3實例分析
9.3.1數(shù)據(jù)集介紹
9.3.2BP神經(jīng)網(wǎng)絡(luò)使用
9.3.3徑向基神經(jīng)網(wǎng)絡(luò)的應用
9.4代碼獲取

第10章Hopfield神經(jīng)網(wǎng)絡(luò)算法
10.1原理介紹
10.1.1算法思想
10.1.2算法流程
10.1.3Hopfield神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
10.1.4離散Hopfield網(wǎng)絡(luò)能量函數(shù)收斂性證明
10.2Hopfield神經(jīng)網(wǎng)絡(luò)算法的優(yōu)點與缺點
10.3正交法權(quán)值計算
10.4正交法權(quán)值計算的吸引情況說明
10.5實例分析
10.6代碼獲取

第11章LSTM長短期記憶網(wǎng)絡(luò)算法
11.1原理介紹
11.1.1算法思想
11.1.2算法流程
11.2LSTM的數(shù)學推導和說明
11.2.1數(shù)據(jù)集符號申明
11.2.2訓練過程
11.3激活函數(shù)求導說明
11.4補充
11.5LSTM算法的優(yōu)點與缺點
11.6實例分析
11.6.1數(shù)據(jù)集介紹
11.6.2函數(shù)介紹
11.6.3結(jié)果分析
11.7代碼獲取

第四篇優(yōu) 化 算 法

第12章網(wǎng)格尋優(yōu)算法
12.1原理介紹
12.1.1算法思想
12.1.2算法流程
12.2網(wǎng)格尋優(yōu)算法的優(yōu)缺點
12.3實例分析
12.3.1函數(shù)介紹
12.3.2結(jié)果分析
12.4代碼獲取

第13章模擬退火聚類算法
13.1原理介紹
13.1.1算法思想
13.1.2算法流程
13.2模擬退火算法的優(yōu)缺點
13.3實例分析
13.3.1數(shù)據(jù)介紹
13.3.2函數(shù)介紹
13.3.3結(jié)果分析
13.4代碼介紹
13.4.1分析模型的代碼
13.4.2模擬退火結(jié)合K-Means算法的代碼獲取

第14章EMD經(jīng)驗模態(tài)分解算法
14.1原理介紹
14.1.1算法思想
14.1.2算法流程
14.1.3經(jīng)驗模態(tài)分解（EMD）的核心要點
14.1.4經(jīng)驗模態(tài)分解的理論基礎(chǔ)
14.1.5包絡(luò)線擬合
14.1.6三次樣條插值的應用
14.1.7其他插值方法介紹
14.2EMD經(jīng)驗模態(tài)分解算法的優(yōu)缺點
14.3實例分析
14.3.1數(shù)據(jù)集介紹
14.3.2函數(shù)介紹
14.3.3上證指數(shù)EMD分解
14.4代碼獲取

第五篇基于不同數(shù)學思想的算法

第15章粗糙集算法
15.1原理介紹
15.1.1算法思想
15.1.2算法流程
15.1.3基本概念
15.2粗糙集算法的優(yōu)缺點
15.3實例分析
15.3.1數(shù)據(jù)集介紹
15.3.2函數(shù)介紹
15.3.3訓練結(jié)果
15.3.4其他說明
15.4代碼介紹
15.4.1測試案例代碼
15.4.2粗糙集算法涉及的其他代碼獲取

第16章基于核的Fisher算法
16.1基于核的Fisher算法介紹
16.1.1算法思想
16.1.2基于核的Fisher算法數(shù)學推