机器学习理论、方法及应用【2025|PDF下载-Epub版本|mobi电子书|kindle百度云盘下载】

机器学习理论、方法及应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章　机器学习概述1

1.1　机器学习的概念1

1.2　机器学习的发展历史3

1.3　机器学习的分类4

1.3.1　基于学习策略的分类4

1.3.2　基于学习方法的分类4

1.3.3　基于学习方式的分类4

1.3.4　基于数据形式的分类5

1.3.5　基于学习目标的分类5

1.4　机器学习的主要策略5

1.4.1　基于神经网络的学习6

1.4.2　进化学习9

1.4.3　强化学习14

1.5　本书主要内容及安排16

1.6　本章小结17

参考文献18

第2章　基于时间差分的神经网络预测控制22

2.1　方法的提出23

2.2　基于时间差分的Elman网络预测控制24

2.2.1 Elman网络预测模型24

2.2.2　反馈校正模型26

2.2.3　参考轨迹27

2.2.4　滚动优化算法27

2.3　仿真研究28

2.3.1　预测仿真28

2.3.2　跟踪仿真29

2.4　本章小结30

参考文献30

第3章　基于径向基函数网络的机械手迭代学习控制31

3.1　机械手迭代学习控制32

3.2　基于RBF网络的迭代学习控制32

3.2.1　选取查询点的k个最接近样例33

3.2.2　利用RBF网络拟合k个数据点33

3.2.3　预测查询点的控制输入34

3.3　仿真研究35

3.4　本章小结36

参考文献36

第4章 自适应T-S型模糊径向基函数网络38

4.1　RBF网络和模糊推理系统的功能等价性39

4.2 自适应T-S型FRBF网络结构40

4.3 自适应T-S型FRBF网络学习41

4.3.1 网络学习动态42

4.3.2　网络结构学习42

4.3.3　网络参数学习44

4.3.4　算法步骤45

4.4　仿真研究45

4.5　本章小结47

参考文献47

第5章　基于强化学习的自适应PID控制48

5.1　Actor-Critic学习49

5.2　基于强化学习的自适应PID控制50

5.2.1　基于强化学习的自适应PID控制结构50

5.2.2　基于RBF网络的Actor-Critic学习51

5.3　控制器设计步骤53

5.4　仿真研究53

5.5　本章小结54

参考文献55

第6章　基于动态回归网络的强化学习控制56

6.1　Q学习56

6.2　基于Elman网络的强化学习控制57

6.2.1　基于Elman网络的Q学习57

6.2.2　Elman网络学习算法59

6.2.3　基于Elman网络的Q学习方法步骤60

6.3　仿真研究60

6.4　本章小结62

参考文献63

第7章 基于自适应FRBF网络的强化学习64

7.1 基于自适应FRBF网络的Actor-Critic学习64

7.1.1 基于自适应FRBF网络的Actor-Critic学习结构64

7.1.2 自适应FRBF网络的学习65

7.1.3 算法步骤67

7.1.4 仿真研究68

7.2 基于自适应FRBF网络的Q学习72

7.2.1 基于自适应FRBF网络的Q学习结构72

7.2.2 自适应FRBF网络的学习74

7.2.3 算法步骤75

7.2.4 仿真研究75

7.3 本章小结78

参考文献79

第8章 基于支持向量机的强化学习80

8.1 SVM80

8.1.1 机器学习80

8.1.2 核学习82

8.1.3 SVM的思想82

8.1.4 SVM的重要概念83

8.2 基于SVM的强化学习84

8.2.1 基于SVM的Q学习结构84

8.2.2 基于滚动时间窗机制的SVM86

8.2.3 算法步骤87

8.2.4 仿真研究88

8.3 基于协同最小二乘SVM的强化学习89

8.3.1 基于协同最小二乘SVM的Q学习90

8.3.2 LS-SVRM逼近状态动作对到值函数的映射关系92

8.3.3 LS-SVCM逼近状态空间到动作空间的映射关系93

8.3.4 仿真研究93

8.4 本章小结96

参考文献96

第9章　基于高斯过程分类器的强化学习98

9.1　基于高斯过程分类器的强化学习98

9.2　在线高斯过程分类器学习99

9.3　算法步骤101

9.4　仿真研究102

9.5　本章小结105

参考文献106

第10章　基于图上测地高斯基函数的策略迭代强化学习107

10.1　环境的图论描述108

10.2　测地高斯基函数109

10.3　递归最小二乘策略迭代111

10.4　算法步骤112

10.5　仿真研究112

10.6　本章小结114

参考文献115

第11章 多目标优化问题的差分进化-分布估计算法116

11.1　多目标优化117

11.2　多目标优化的差分进化-分布估计算法117

11.2.1　多目标优化的DE-EDA混合算法步骤118

11.2.2　多目标优化的DE子代生成策略119

11.2.3 多目标优化的EDA子代生成策略121

11.3　实例研究121

11.4　本章小结130

参考文献130

第12章　基于细菌觅食行为的分布估计算法在预测控制中的应用132

12.1　方法的提出133

12.2　基于改进分布估计算法的预测控制133

12.2.1　预测模型133

12.2.2　反馈校正模型134

12.2.3　基于改进分布估计算法的滚动优化134

12.3　实验分析136

12.3.1　Benchmark函数实验136

12.3.2　预测控制的曲线跟踪实验139

12.4　本章小结140

参考文献141

第13章　一种多样性保持的分布估计算法142

13.1 混沌模型143

13.2　多样性保持分布估计算法143

13.3 Benchmark函数实验146

13.4　在支持向量机参数选择中的应用152

13.4.1　算法步骤152

13.4.2　Chebyshev混沌时间序列预测153

13.5　本章小结157

参考文献157

附录 部分机器学习算法MATLAB源程序159

程序1 第11章　多目标差分进化-分布估计算法MATLAB源程序159

程序2 第12章　基于细菌觅食行为的分布估计算法部分MATLAB源程序166

程序3　第13章　一种多样性保持的分布估计算法部分MATLAB程序172