Kursplan
Leksjon 1: MATLAB Grunnleggende om å komme i gang
1. Introduser kort installasjonen, versjonshistorikken og programmeringsmiljøet til MATLAB
2. MATLABGrunnleggende operasjoner (inkludert matriseoperasjoner, logikk- og prosesskontroll, funksjons- og skriptfiler, grunnleggende tegning, etc.)
3. Filimport (mat, txt, xls, csv og andre formater)
Leksjon 2: MATLAB Fremgang og forbedring
1. MATLAB Programmeringsvaner og stiler
2. MATLABFeilsøkingsferdigheter
3. Vektorisert programmering og minneoptimalisering
4. Grafiske objekter og håndtak
Leksjon 3: BP Neural Network
1. Grunnleggende prinsipper for BP nevrale nettverk
2. MATLAB Implementering av BP nevrale nettverk
3. Sakspraksis
4. Optimalisering av BP nevrale nettverksparametere
Leksjon 4: RBF, GRNN og PNN Neural Networks
1. Grunnleggende prinsipper for RBF nevrale nettverk
2. Grunnleggende prinsipper for GRNN nevrale nettverk
3. Grunnleggende prinsipper for PNN nevrale nettverk
4. Sakspraksis
Leksjon 5: Konkurrerende nevrale nettverk og SOM nevrale nettverk
1. Grunnleggende prinsipper for konkurrerende nevrale nettverk
2. Grunnleggende prinsipper for selvorganiserende funksjonskart (SOM) nevrale nettverk
3. Sakspraksis
Leksjon 6: Support Vector Machine (SVM)
1. Grunnleggende prinsipper for SVM-klassifisering
2. Grunnleggende prinsipper for SVM regresjonstilpasning
3. Vanlige treningsalgoritmer for SVM (blokkering, SMO, inkrementell læring, etc.)
4. Sakspraksis
Leksjon 7: Extreme Learning Machine (ELM)
1. Grunnleggende prinsipper for ELM
2. Forskjellen og forbindelsen mellom ELM og BP nevrale nettverk
3. Sakspraksis
Leksjon 8: Beslutningstrær og tilfeldige skoger
1. Grunnleggende prinsipper for beslutningstrær
2. Grunnprinsipper for tilfeldig skog
3. Sakspraksis
Leksjon 9: Genetisk algoritme (GA)
1. Grunnleggende prinsipper for genetisk algoritme
2. Introduksjon til vanlige genetiske algoritmeverktøykasser
3. Sakspraksis
Leksjon 10: Partikkelsvermoptimalisering (PSO) algoritme
1. Grunnleggende prinsipper for partikkelsvermoptimaliseringsalgoritme
2. Sakspraksis
Leksjon 11: Ant Colony Algorithm (ACA)
1. Grunnleggende prinsipper for partikkelsvermoptimaliseringsalgoritme
2. Sakspraksis
Leksjon 12: Simulert annealing (simulert annealing, SA)
1. Grunnleggende prinsipper for simulert annealing algoritme
2. Sakspraksis
Leksjon 13: Dimensjonsreduksjon og funksjonsvalg
1. Grunnleggende prinsipper for hovedkomponentanalyse
2. Grunnprinsipper for partielle minste kvadrater
3. Vanlige funksjonsvalgmetoder (optimalisert søk, filter og innpakning osv.)
Krav
Avansert matematikk lineær algebra
Testimonials (2)
Hånden på å bygge koden fra bunnen av.
Igor - Draka Comteq Fibre B.V.
Kurs - Introduction to Image Processing using Matlab
Machine Translated
Trainer took the initiative to cover additional content outside our course materials to improve our learning.