智能信息處理技術原理與應用

目錄
第1章緒論

1.1智能信息處理概述

1.1.1智能信息處理的產(chǎn)生及發(fā)展

1.1.2人工智能概述

1.1.3AI的發(fā)展

1.1.4AI主要的研究學派和研究方法

1.1.5AI研究內(nèi)容和研究領域

1.1.6計算智能的產(chǎn)生

1.2計算智能信息處理的主要技術

1.2.1模糊計算技術

1.2.2神經(jīng)計算技術

1.2.3進化計算技術

1.3計算智能技術的綜合集成

1.3.1模糊系統(tǒng)與神經(jīng)網(wǎng)絡的結合

1.3.2神經(jīng)網(wǎng)絡與遺傳算法的結合

1.3.3模糊技術、神經(jīng)網(wǎng)絡和遺傳算法的綜合集成

習題

第2章神經(jīng)計算

2.1概述

2.1.1神經(jīng)網(wǎng)絡的定義

2.1.2神經(jīng)網(wǎng)絡的發(fā)展歷史

2.1.3神經(jīng)網(wǎng)絡的特點

2.1.4神經(jīng)網(wǎng)絡的應用

2.2神經(jīng)網(wǎng)絡基本原理

2.2.1神經(jīng)元的基本構成

2.2.2神經(jīng)元的基本數(shù)學模型

2.2.3基本激活函數(shù)

2.2.4神經(jīng)網(wǎng)絡的拓撲結構

2.3前饋型神經(jīng)網(wǎng)絡

2.3.1感知器

2.3.2BP神經(jīng)網(wǎng)絡

2.3.3BP算法的若干改進

2.3.4前饋型神經(jīng)網(wǎng)絡的應用

2.4反饋型神經(jīng)網(wǎng)絡

2.4.1Hopfield神經(jīng)網(wǎng)絡

2.4.2BAM網(wǎng)絡

2.4.3Hamming網(wǎng)絡

2.5RBF神經(jīng)網(wǎng)絡

2.5.1RBF神經(jīng)網(wǎng)絡的結構

2.5.2RBF神經(jīng)網(wǎng)絡的訓練

2.5.3RBF神經(jīng)網(wǎng)絡在交通流預測中的應用

2.6自組織神經(jīng)網(wǎng)絡

2.6.1競爭學習

2.6.2自組織特征映射神經(jīng)網(wǎng)絡

2.6.3基于自適應諧振構成的自組織神經(jīng)網(wǎng)絡

2.7神經(jīng)網(wǎng)絡和模糊系統(tǒng)

2.7.1簡述

2.7.2神經(jīng)網(wǎng)絡和模糊系統(tǒng)的結合方式

2.7.3模糊神經(jīng)網(wǎng)絡

2.7.4模糊神經(jīng)網(wǎng)絡的應用

習題

第3章進化計算

3.1進化計算的一般框架與共同特點

3.1.1進化計算的一般框架

3.1.2進化計算的共同特點

3.2遺傳算法基礎

3.2.1遺傳算法的歷史與發(fā)展

3.2.2遺傳算法的基本原理

3.2.3遺傳算法數(shù)學基礎分析

3.3遺傳算法分析

3.3.1遺傳算法基本結構

3.3.2基因操作

3.3.3遺傳算法參數(shù)選擇

3.3.4遺傳算法的改進

3.3.5遺傳算法的基本實例


3.4遺傳算法在函數(shù)優(yōu)化及TSP中的應用

3.4.1一元函數(shù)優(yōu)化實例

3.4.2多元函數(shù)優(yōu)化實例

3.4.3TSP問題的描述及優(yōu)化意義

3.4.4TSP問題的遺傳算法設計

3.5進化規(guī)劃

3.5.1進化規(guī)劃的起源與發(fā)展

3.5.2進化規(guī)劃的主要特點

3.5.3進化規(guī)劃中的算法分析

3.5.4進化規(guī)劃的應用

3.6進化策略

3.6.1進化策略的起源與發(fā)展

3.6.2進化策略的主要特點

3.6.3進化策略的不同形式及基本思想

3.6.4進化策略的執(zhí)行過程

習題

第4章模糊計算

4.1知識表示和推理

4.1.1知識與推理中的關系

4.1.2產(chǎn)生式系統(tǒng)

4.2模糊理論及三大基本元素

4.3模糊集合的基本運算

4.4模糊集合運算的基本規(guī)則

4.5模糊關系

4.5.1模糊關系與模糊關系矩陣

4.5.2模糊關系矩陣的運算

4.5.3λ截矩陣λ水平截集

4.5.4模糊關系的運算和性質

4.5.5模糊邏輯推理及應用

4.6模糊信息處理

4.6.1模糊模式識別

4.6.2模糊聚類分析

4.6.3基于模糊等價關系的模式分類

4.6.4基于模糊相似關系的模式分類

4.6.5基于最大隸屬原則的模式分類

4.6.6基于擇近原則的模式分類

習題

第5章數(shù)據(jù)融合

5.1數(shù)據(jù)融合的基本概念

5.2數(shù)據(jù)融合的傳感器管理與數(shù)據(jù)庫

5.2.1傳感器管理

5.2.2態(tài)勢數(shù)據(jù)庫

5.3數(shù)據(jù)融合方法

5.3.1Bayes估計方法

5.3.2DempsterShafer算法

5.4數(shù)據(jù)融合系統(tǒng)結構形式及數(shù)據(jù)準備

5.4.1數(shù)據(jù)融合系統(tǒng)結構形式

5.4.2數(shù)據(jù)融合系統(tǒng)的功能模型

5.4.3數(shù)據(jù)融合的層次

5.5數(shù)據(jù)準備

5.5.1融合中心數(shù)據(jù)處理的前提

5.5.2數(shù)據(jù)的預處理

5.5.3數(shù)據(jù)對準

5.6數(shù)據(jù)關聯(lián)技術

5.6.1數(shù)據(jù)關聯(lián)的目的

5.6.2關聯(lián)的基本思路

5.6.3數(shù)據(jù)關聯(lián)的主要形式

5.6.4數(shù)據(jù)關聯(lián)過程

5.7狀態(tài)估計——卡爾曼濾波

5.7.1數(shù)字濾波器作估值器

5.7.2線性均方估計

5.7.3標量卡爾曼濾波器

5.7.4向量卡爾曼濾波器

5.7.5卡爾曼濾波器的應用

5.7.6常系數(shù)αβ和αβγ濾波器

習題

第6章常見的智能優(yōu)化算法

6.1智能優(yōu)化算法的產(chǎn)生與發(fā)展

6.1.1最優(yōu)化問題及其分類

6.1.2優(yōu)化算法的分類

6.1.3智能優(yōu)化算法的產(chǎn)生與發(fā)展

6.2禁忌搜索算法

6.2.1基本禁忌搜索

6.2.2禁忌搜索的關鍵要素

6.2.3禁忌搜索的基本步驟與算法流程

6.2.4禁忌搜索算法的改進

6.2.5禁忌搜索算法在多用戶檢測中的應用

6.3模擬退火算法

6.3.1簡述

6.3.2模擬退火算法的收斂性

6.3.3模擬退火算法的關鍵參數(shù)

6.3.4模擬退火算法的改進與發(fā)展

6.3.5模擬退火算法在成組技術中加工中心的組成問題中的應用

6.4蟻群算法

6.4.1蟻群算法的由來

6.4.2基本蟻群算法

6.4.3改進的蟻群算法

6.4.4蟻群算法在機器人路徑規(guī)劃中的應用

6.5粒子群優(yōu)化算法

6.5.1粒子群優(yōu)化算法的基本原理

6.5.2粒子群優(yōu)化算法的構成要素

6.5.3改進的粒子群優(yōu)化算法

6.5.4粒子群優(yōu)化算法在PID參數(shù)整定中的應用

習題

參考文獻