主題
|
課程安排 |
| 第一課:MATLAB 入門基礎 |
1、簡單介紹 MATLAB 的安裝、版本歷史與編程環(huán)境
2、MATLAB 基礎操作(包括矩陣操作、邏輯與流程控制、函數(shù)與腳本文件、基本繪圖等)
3、文件導入(mat、txt、xls、csv 等格式) |
| 第二課:MATLAB 進階與提高 |
1、MATLAB 編程習慣與風格
2、MATLAB 調試技巧
3、向量化編程與內存優(yōu)化
4、圖形對象和句柄 |
| 第三課:BP 神經(jīng)網(wǎng)絡 |
1. BP 神經(jīng)網(wǎng)絡的基本原理
2、BP 神經(jīng)網(wǎng)絡的 MATLAB 實現(xiàn)
3、案例實踐
4、BP 神經(jīng)網(wǎng)絡參數(shù)的優(yōu)化 |
| 第四課:RBF、GRNN 和 PNN 神經(jīng)網(wǎng)絡 |
1、RBF 神經(jīng)網(wǎng)絡的基本原理
2、GRNN 神經(jīng)網(wǎng)絡的基本原理
3、PNN 神經(jīng)網(wǎng)絡的基本原理
4、案例實踐 |
| 第五課:競爭神經(jīng)網(wǎng)絡與 SOM 神經(jīng)網(wǎng)絡 |
1、競爭神經(jīng)網(wǎng)絡的基本原理
2、自組織特征映射(SOM)神經(jīng)網(wǎng)絡的基本原理
3、案例實踐 |
| 第六課:支持向量機(Support Vector Machine, SVM) |
1、SVM 分類的基本原理
2、SVM 回歸擬合的基本原理
3、SVM 的常見訓練算法(分塊、SMO、增量學習等)
4、案例實踐 |
| 第七課:極限學習機(Extreme Learning Machine, ELM) |
1、ELM 的基本原理
2、ELM 與 BP 神經(jīng)網(wǎng)絡的區(qū)別與聯(lián)系
3、案例實踐 |
| 第八課:決策樹與隨機森林 |
1、決策樹的基本原理
2、隨機森林的基本原理
3、案例實踐 |
| 第九課:遺傳算法(Genetic Algorithm, GA) |
1、遺傳算法的基本原理
2、常見遺傳算法工具箱介紹
3、案例實踐 |
| 第十課:粒子群優(yōu)化(Particle Swarm Optimization, PSO)算法 |
1、粒子群優(yōu)化算法的基本原理
2、案例實踐 |
| 第十一課:蟻群算法(Ant Colony Algorithm, ACA) |
1、粒子群優(yōu)化算法的基本原理
2、案例實踐 |
| 第十二課:模擬退火算法(Simulated Annealing, SA) |
1、模擬退火算法的基本原理
2、案例實踐 |
| 第十三課:降維與特征選擇 |
1、主成分分析的基本原理
2、偏最小二乘的基本原理
3、常見的特征選擇方法(優(yōu)化搜索、Filter 和 Wrapper 等)? |
