更新时间：2022-12-14 19:26:35
封面
版权页
作者简介
前言
第1章 支持向量机
1.1 支持向量机的理论基础
1.1.1 机器学习问题的基本框架
1.1.2 经验风险最小化原则
1.1.3 VC维理论
1.1.4 机器学习的复杂度及其推广能力
1.1.5 结构风险最小化原则
1.2 支持向量机原理
1.2.1 支持向量机分类问题
1.2.2 支持向量机回归问题
1.3 核函数
1.4 实例1-1：基于改进支持向量机的正交小波盲均衡算法
1.4.1 小波变换
1.4.2 正交小波常数模盲均衡算法
1.4.3 改进支持向量机正交小波盲均衡算法
1.4.4 仿真实验与结果分析
1.5 实例1-2：基于U-支持向量机的正交小波盲均衡算法
1.5.1 基于U-支持向量机的正交小波盲均衡算法
1.5.2 仿真实验与结果分析
第2章 混沌计算
2.1 混沌理论基础
2.1.1 非线性动力学系统中的混沌
2.1.2 混沌运动的随机性特征
2.2 混沌序列的基本特点
2.2.1 混沌映射的特点
2.2.2 常见的混沌映射序列
2.3 混沌优化算法
2.4 实例2-1：基于混沌优化的正交小波常数模盲均衡算法
2.4.1 混沌优化正交小波常数模盲均衡算法
2.4.2 仿真实验与结果分析
2.5 实例2-2：基于混沌支持向量机优化的小波加权多模盲均衡算法
2.5.1 加权多模盲均衡算法
2.5.2 支持向量机技术
2.5.3 基于混沌支持向量机优化的正交小波加权多模盲均衡算法
2.5.4 仿真实验与结果分析
2.6 实例2-3：基于混沌通信系统的正交小波变换盲均衡算法
2.6.1 混沌通信系统
2.6.2 基于混沌通信系统的正交小波变换盲均衡算法
2.6.3 仿真实验与结果分析
第3章 蚁群优化算法
3.1 基本蚁群算法
3.1.1 蚁群行为描述
3.1.2 基本蚁群算法的基本假设
3.1.3 基本蚁群算法的数学模型
3.1.4 基本蚁群算法实现流程
3.1.5 蚁群优化算法的特点
3.2 改进蚂蚁系统
3.2.1 最大-最小蚂蚁系统
3.2.2 精英策略蚂蚁系统
3.2.3 蚁群系统
3.2.4 并行蚁群系统
3.2.5 自适应分组蚁群算法
3.2.6 混合行为蚁群算法
3.2.7 其他改进系统
3.3 蚁群算法收敛性分析
3.3.1 简单蚁群算法
3.3.2 蚁群算法收敛性
3.4 实例3-1：基于蚁群优化算法的常数模盲均衡算法
3.4.1 算法原理
3.4.2 算法实现流程
3.4.3 仿真实验与结果分析
3.5 实例3-2：基于蚁群优化算法的正交小波包变换常数模盲均衡算法
3.5.1 正交小波包变换基本理论
3.5.2 基于正交小波包变换的常数模盲均衡算法
3.5.3 基于蚁群优化算法的正交小波包变换常数模盲均衡算法
3.5.4 仿真实验与结果分析
3.6 实例3-3：基于混合蚁群算法的半导体生产线炉管区调度方法
3.6.1 半导体生产线炉管区问题模型
3.6.2 基于混合蚁群算法的分层调度
3.6.3 仿真实验与结果分析
第4章 DNA计算与遗传算法
4.1 DNA计算
4.1.1 DNA计算的生物学基础
4.1.2 DNA计算的基本流程
4.1.3 DNA计算的基本操作
4.2 DNA编码问题
4.2.1 编码问题及其影响因素
4.2.2 编码方法
4.2.3 线性编码
4.2.4 基于蚁群算法的DNA编码
4.3 遗传算法
4.3.1 遗传算法原理
4.3.2 自适应遗传算法
4.4 DNA遗传算法
4.4.1 DNA遗传算法的基本概念
4.4.2 DNA遗传算法的主要操作算子
4.4.3 DNA遗传算法实现流程
4.5 实例4-1：基于DNA遗传算法优化的常数模盲均衡算法
4.5.1 算法原理
4.5.2 算法实现流程
4.5.3 仿真实验与结果分析
4.6 实例4-2：基于DNA遗传算法的表面贴装生产线负荷优化分配方法
4.6.1 表面贴装生产线负荷优化模型
4.6.2 基于DNA遗传算法的负荷优化模型编码实现流程
4.6.3 仿真实验与结果分析
第5章 人工免疫系统
