機器學習理論、方法及應用 pdf epub mobi txt 電子書 下載2025

想要找書就要到 小美書屋

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

機器學習的研究不僅是人工智能領域的核心問題，而且已成為近年來計算機科學與技術領域中最活躍的研究分支之一。《機器學習理論、方法及應用》主要圍繞基於神經網絡的學習、強化學習和進化學習三個方麵闡述機器學習理論、方法及其應用，共三部分13章。第一部分是神經網絡學習及其在復雜非綫性係統中的控製，包括基於時間差分的神經網絡預測控製，基於徑嚮基函數網絡的機械手迭代學習控製，自適應T_S型模糊徑嚮基函數網絡等。第二部分是強化學習的大規模或連續空間錶示問題，包括基於強化學習的白適應PID控製，基於動態迴歸網絡的強化學習控製，基於自適應模糊徑嚮基函數網絡、支持嚮量機和高斯過程的連續空間強化學習，基於圖上測地高斯基函數的策略迭代強化學習等。第三部分則是對分布估計優化算法進行研究，包括多目標優化問題的差分進化一分布估計算法，基於細菌覓食行為的分布估計算法在預測控製中的應用，一種多樣性保持的分布估計算法及其在支持嚮量機參數選擇問題中的應用等。為便於應用《機器學習理論、方法及應用》闡述的算法，書後附有部分機器學習算法MATLAB源程序。

《機器學習理論、方法及應用》可供理工科高等院校計算機科學、信息科學、人工智能和自動化技術及相關專業的教師及研究生閱讀，也可供自然科學和工程技術領域中的研究人員參考。

《智能科學技術著作叢書》序序前言第1章 機器學習概述 1.1 機器學習的概念 1.2 機器學習的發展曆史 1.3 機器學習的分類 1.3.1 基於學習策略的分類 1.3.2 基於學習方法的分類 1.3.3 基於學習方式的分類 1.3.4 基於數據形式的分類 1.3.5 基於學習目標的分類 1.4 機器學習的主要策略 1.4.1 基於神經網絡的學習 1.4.2 進化學習 1.4.3 強化學習 1.5 本書主要內容及安排 1.6 本章小結 參考文獻第2章 基於時間差分的神經網絡預測控製 2.1 方法的提齣 2.2 基於時間差分的Elman網絡預測控製 2.2.1 Elman網絡預測模型 2.2.2 反饋校正模型 2.2.3 參考軌跡 2.2.4 滾動優化算法 2.3 仿真研究 2.3.1 預測仿真 2.3.2 跟蹤仿真 2.4 本章小結 參考文獻第3章 基於徑嚮基函數網絡的機械手迭代學習控製 3.1 機械手迭代學習控製 3.2 基於RBF網絡的迭代學習控製 3.2.1 選取查詢點的k個最接近樣例 3.2.2 利用RBF網絡擬閤k個數據點 3.2.3 預測查詢點的控製輸入 3.3 仿真研究 3.4 本章小結 參考文獻第4章 自適應T-S型模糊徑嚮基函數網絡 4.1 RBF網絡和模糊推理係統的功能等價性 4.2 自適應T-S型FRBF網絡結構 4.3 自適應T-S型FRBF網絡學習 4.3.1 網絡學習動態 4.3.2 網絡結構學習 4.3.3 網絡參數學習 4.3.4 算法步驟 4.4 仿真研究 4.5 本章小結 參考文獻第5章 基於強化學習的自適應PID控製 5.1 Actor-Critic學習 5.2 基於強化學習的自適應PID控製 5.2.1 基於強化學習的自適應PID控製結構 5.2.2 基於RBF網絡的Actor-Critic學習 5.3 控製器設計步驟 5.4 仿真研究 5.5 本章小結 參考文獻第6章 基於動態迴歸網絡的強化學習控製 6.1 Q學習 6.2 基於Elman網絡的強化學習控製 6.2.1 基於Elman網絡的Q學習 6.2.2 Elman網絡學習算法 6.2.3 基於Elman網絡的Q學習方法步驟 6.3 仿真研究 6.4 本章小結 參考文獻第7章 基於自適應FRBF網絡的強化學習 7.1 基於自適應FRBF網絡的Actor-Qitic學習 7.1.1 基於自適應FRBF網絡的Actorcritic學習結構 7.1.2 自適應FRBF網絡的學習 7.1.3 算法步驟 7.1.4 仿真研究 7.2 基於自適應FRBF網絡的Q學習 7.2.1 基於自適應FRBF網絡的Q學習結構 7.2.2 自適應FRBF網絡的學習 7.2.3 算法步驟 7.2.4 仿真研究 7.3 本章小結 參考文獻第8章 基於支持嚮量機的強化學習 8.1 SVM 8.1.1 機器學習 8.1.2 核學習 8.1.3 SVM的思想 8.1.4 SVM的重要概念 8.2 基於SVM的強化學習 8.2.1 基於SVM的Q學習結構 8.2.2 基於滾動時間窗機製的SVM 8.2.3 算法步驟 8.2.4 仿真研究 8.3 基於協同最小二乘SVM的強化學習 8.3.1 基於協同最小二乘SVM的Q學習 8.3.2 LS-SVRM逼近狀態一動作對到值函數的映射關係 8.3.3 LS-SVCM逼近狀態空間到動作空間的映射關係 8.3.4 仿真研究 8.4 本章小結 參考文獻第9章 基於高斯過程分類器的強化學習 9.1 基於高斯過程分類器的強化學習 9.2 在綫高斯過程分類器學習 9.3 算法步驟 9.4 仿真研究 9.5 本章小結 參考文獻第10章 基於圖上測地高斯基函數的策略迭代強化學習 10.1 環境的圖論描述 10.2 測地高斯基函數 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 參考文獻第11章 多目標優化問題的差分進化一分布估計算法 11.1 多目標優化 11.2 多目標優化的差分進化一分布估計算法 11.2.1 多目標優化的DE-EDA混閤算法步驟 11.2.2 多目標優化的DE子代生成策略 11.2.3 多目標優化的EDA子代生成策略 11.3 實例研究 11.4 本章小結 參考文獻第12章 基於細菌覓食行為的分布估計算法在預測控製中的應用 12.1 方法的提齣 12.2 基於改進分布估汁算法的預測控製 12.2.1 預測模型 12.2.2 反饋校正模型 12.2.3 基於改進分布估計算法的滾動優化 12.3 實驗分析 12.3.1 Benchmark函數實驗 12.3.2 預測控製的麯綫跟蹤實驗 12.4 本章小結 參考文獻第13章 一種多樣性保持的分布估計算法 13.1 混沌模型 13.2 多樣性保持分布估計算法 13.3 Benchmark函數實驗 13.4 在支持嚮量機參數選擇中的應用 13.4.1 算法步驟 13.4.2 Chebyshev混沌時間序列預測 13.5 本章小結 參考文獻附錄 部分機器學習算法MATLAB源程序 程序1 第11章 多目標差分進化-分布估計算法MATLAB源程序 程序2 第12章 基於細菌覓食行為的分布估計算法部分MATLAB源程序 程序3 第13章 一種多樣性保持的分布估計算法部分MATLAB程序
· · · · · · (收起)