機器學習理論、方法及應(yīng)用

《智能科學技術(shù)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(fā)展歷史
1.3 機器學習的分類
1.3.1 基于學習策略的分類
1.3.2 基于學習方法的分類
1.3.3 基于學習方式的分類
1.3.4 基于數(shù)據(jù)形式的分類
1.3.5 基于學習目標的分類
1.4 機器學習的主要策略
1.4.1 基于神經(jīng)網(wǎng)絡(luò)的學習
1.4.2 進化學習
1.4.3 強化學習
1.5 本書主要內(nèi)容及安排
1.6 本章小結(jié)
參考文獻
第2章 基于時間差分的神經(jīng)網(wǎng)絡(luò)預測控制
2.1 方法的提出
2.2 基于時間差分的Elman網(wǎng)絡(luò)預測控制
2.2.1 Elman網(wǎng)絡(luò)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(yōu)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(jié)
參考文獻
第3章 基于徑向基函數(shù)網(wǎng)絡(luò)的機械手迭代學習控制
3.1 機械手迭代學習控制
3.2 基于RBF網(wǎng)絡(luò)的迭代學習控制
3.2.1 選取查詢點的k個最接近樣例
3.2.2 利用RBF網(wǎng)絡(luò)擬合k個數(shù)據(jù)點
3.2.3 預測查詢點的控制輸入
3.3 仿真研究
3.4 本章小結(jié)
參考文獻
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)學習
4.3.1 網(wǎng)絡(luò)學習動態(tài)
4.3.2 網(wǎng)絡(luò)結(jié)構(gòu)學習
4.3.3 網(wǎng)絡(luò)參數(shù)學習
4.3.4 算法步驟
4.4 仿真研究
4.5 本章小結(jié)
參考文獻
第5章 基于強化學習的自適應(yīng)PID控制
5.1 Actor-Critic學習
5.2 基于強化學習的自適應(yīng)PID控制
5.2.1 基于強化學習的自適應(yīng)PID控制結(jié)構(gòu)
5.2.2 基于RBF網(wǎng)絡(luò)的Actor-Critic學習
5.3 控制器設(shè)計步驟
5.4 仿真研究
5.5 本章小結(jié)
參考文獻
第6章 基于動態(tài)回歸網(wǎng)絡(luò)的強化學習控制
6.1 Q學習
6.2 基于Elman網(wǎng)絡(luò)的強化學習控制
6.2.1 基于Elman網(wǎng)絡(luò)的Q學習
6.2.2 Elman網(wǎng)絡(luò)學習算法
6.2.3 基于Elman網(wǎng)絡(luò)的Q學習方法步驟
6.3 仿真研究
6.4 本章小結(jié)
參考文獻
第7章 基于自適應(yīng)FRBF網(wǎng)絡(luò)的強化學習
7.1 基于自適應(yīng)FRBF網(wǎng)絡(luò)的Actor-Qitic學習
7.1.1 基于自適應(yīng)FRBF網(wǎng)絡(luò)的Actorcritic學習結(jié)構(gòu)
7.1.2 自適應(yīng)FRBF網(wǎng)絡(luò)的學習
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學習
7.2.1 基于自適應(yīng)FRBF網(wǎng)絡(luò)的Q學習結(jié)構(gòu)
7.2.2 自適應(yīng)FRBF網(wǎng)絡(luò)的學習
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
第8章 基于支持向量機的強化學習
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 基于SVM的強化學習
8.2.1 基于SVM的Q學習結(jié)構(gòu)
8.2.2 基于滾動時間窗機制的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的強化學習
8.3.1 基于協(xié)同最小二乘SVM的Q學習
8.3.2 LS-SVRM逼近狀態(tài)一動作對到值函數(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
第9章 基于高斯過程分類器的強化學習
9.1 基于高斯過程分類器的強化學習
9.2 在線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(jié)
參考文獻
第10章 基于圖上測地高斯基函數(shù)的策略迭代強化學習
10.1 環(huán)境的圖論描述
10.2 測地高斯基函數(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
第11章 多目標優(yōu)化問題的差分進化一分布估計算法
11.1 多目標優(yōu)化
11.2 多目標優(yōu)化的差分進化一分布估計算法
11.2.1 多目標優(yōu)化的DE-EDA混合算法步驟
11.2.2 多目標優(yōu)化的DE子代生成策略
11.2.3 多目標優(yōu)化的EDA子代生成策略
11.3 實例研究
11.4 本章小結(jié)
參考文獻
第12章 基于細菌覓食行為的分布估計算法在預測控制中的應(yīng)用
12.1 方法的提出
12.2 基于改進分布估汁算法的預測控制
12.2.1 預測模型
12.2.2 反饋校正模型
12.2.3 基于改進分布估計算法的滾動優(yōu)化
12.3 實驗分析
12.3.1 Benchmark函數(shù)實驗
12.3.2 預測控制的曲線跟蹤實驗
12.4 本章小結(jié)
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(shù)實驗
13.4 在支持向量機參數(shù)選擇中的應(yīng)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(jié)
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 基于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