人工智慧與信息感知
作者：王雪
定價：89元
印次：1-1
ISBN：9787302499756
出版日期：2018.06.01
印刷日期：2018.06.20
本書系統全面地介紹了人工智慧與信息感知理論與實踐的內容。依據信息感知系統的組成、特點以及信息感知過程，以感知、融合、智慧型處理為主線，重點介紹了面向信息感知處理背景下的人工智慧前沿理論與方法。內容包括：信息感知與數據融合基本原理與方法；神經計算基本方法，神經計算實現技術以及支持向量機；深度學習中典型神經網路實現及其套用；模糊邏輯計算中模糊邏輯與模糊推理、模糊計算實現和套用；進化計算中遺傳算法、粒群智慧型、蟻群智慧型等方法和實例。本書可作為高等院校電子、計算機、測控技術、自動化等相關專業本科生、研究生的教材，也可作為工程技術人員開展人工智慧與信息感知實踐的重要參考書。
目錄
第1章概述
1．1智慧型信息感知的產生及其發展
1．1．1智慧型感知系統的組成與特點
1．1．2智慧型計算的產生與發展
1．2人工智慧信息感知技術關鍵
1．2．1神經計算技術
1．2．2深度學習
1．2．3模糊計算技術
1．2．4進化計算技術
參考文獻
第2章信息感知與數據融合
2．1概述
2．2協作感知與數據融合
2．2．1網路化智慧型協作感知
2．2．2多感測器數據融合
2．3多感測數據融合基本原理
2．3．1多感測器數據融合目標
2．3．2多感測器數據融合的層次與結構
2．3．3數據融合中的檢測、分類與識別算法
2．3．4典型的數據融合方法
2．3．5多感測器數據融合方法的特點
2．4自適應動態數據融合方法
2．4．1測量模型與方法簡述
2．4．2測量數據範圍的推導
2．4．3最優範圍的確定
參考文獻
第3章神經計算基礎
3.1人工神經網路基礎
3.1.1人工神經網路的提出
3.1.2人工神經網路的特點
3.1.3歷史回顧
3.1.4生物神經網路
3.1.5人工神經元
3.1.6人工神經網路的拓撲特性
3.1.7存儲與映射
3.1.8人工神經網路的訓練
3.2感知器
3.2.1感知器與人工神經網路的早期發展
3.2.2感知器的學習算法
3.2.3線性不可分問題
參考文獻
第4章神經計算基本方法
4.1BP網路
4.1.1BP網路簡介
4.1.2基本BP算法
4.1.3BP算法的實現
4.1.4BP算法的理論基礎
4.1.5幾個問題的討論
4.2徑向基函式神經網路
4.2.1函式逼近與內插
4.2.2正規化理論
4.2.3RBF網路的學習
4.2.4RBF網路的一些變形
4.3Hopfield反饋神經網路
4.3.1聯想存儲器
4.3.2反饋網路
4.3.3用反饋網路作聯想存儲器
4.3.4相關學習算法
4.3.5反饋網路用於最佳化計算
4.4隨機型神經網路
4.4.1模擬退火算法
4.4.2Boltzmann機
4.4.3Gaussian機
4.5自組織競爭網路
4.5.1SOFM網路結構
4.5.2SOFM網路的套用
4.5.3ART神經網路
4.6神經網路計算的組織
4.6.1輸入層和輸出層設計
4.6.2網路數據的準備
4.6.3網路初始權值的選擇
4.6.4隱層數及隱層節點設計
4.6.5網路的訓練、檢測及性能評價
參考文獻
第5章深度學習
5．1深度學習概述
5．1．1深度學習定義
5．1．2深度學習特點
5．1．3深度學習平台
5．2自編碼器
5．2．1稀疏自編碼器
5．2．2多層自編碼器表示
5．2．3各類自編碼器介紹
5．3深度神經網路
5．3．1多層神經網路近似定理
5．3．2深度置信網路
5．3．3深層玻爾茲曼機
5．3．4深度神經網路結構分析
5．4卷積神經網路
5．4．1卷積與池化
5．4．2卷積核
5．4．3卷積神經網路結構
5．5遞歸神經網路
5．5．1展開計算圖
5．5．2回聲狀態網路
5．5．3門控增強單元
5．5．4長短時記憶單元
5．6深度增強學習
5．6．1增強學習
5．6．2馬爾可夫決策
5．6．3決策疊代
5．6．4QLearning算法
5．6．5深度增強網路
5．7深度學習套用
5．7．1視覺感知
5．7．2語音識別
5．7．3自然語言處理
5．7．4生物信息處理
參考文獻
第6章支持向量機
6.1統計學習理論的基本內容
6.1.1機器學習的基本問題
6.1.2學習機的複雜性與推廣能力
6.1.3統計學習的基本理論
6.2支持向量機
6.2.1最大間隔分類支持向量機
6.2.2軟間隔分類支持向量機
6.2.3基於核的支持向量機
6.3多分類支持向量機
6.3.1直接法
6.3.2分解法
6.4基於SVM的機械設備故障診斷
6.4.1實驗平台及故障信號獲取
6.4.2基於小波包變換的故障特徵提取
6.4.3基於多類分類SVM的故障診斷識別
參考文獻
第7章模糊邏輯與模糊推理基本方法
7.1模糊邏輯的歷史
7.2模糊集
7.3隸屬函式
7.3.1隸屬函式的幾種確定方法
7.3.2幾種常用的隸屬函式
7.3.3模糊邏輯工具箱內置的隸屬函式
7.4模糊運算與模糊推理
7.4.1模糊運算
7.4.2模糊規則與模糊推理
7.4.3Mamdani型推理與Sugeno型推理
7.5模糊系統
7.5.1模糊系統的結構
7.5.2模糊控制器的設計
7.5.3神經模糊系統
7.5.4自適應模糊模型
7.5.5自適應模糊控制系統
第8章模糊計算實現
8.1模糊推理過程
8.1.1模糊推理過程的步驟
8.1.2自定義模糊推理
8.2模糊邏輯工具箱的圖形界面工具
8.2.1FIS編輯器
8.2.2隸屬函式編輯器
8.2.3模糊規則編輯器
8.2.4模糊規則觀察器
8.2.5輸出曲面觀察器
8.2.6自定義模糊推理系統
8.3模糊邏輯工具箱的命令行工作方式
8.3.1系統結構函式
8.3.2系統顯示函式
8.3.3在命令行中建立系統
8.3.4FIS求解
8.3.5FIS結構
8.4神經模糊推理編輯器ANFIS
8.4.1神經模糊推理
8.4.2ANFIS編輯器
8.4.3套用ANFIS編輯器的步驟
參考文獻
第9章遺傳算法
9.1遺傳最佳化算法基礎
9.1.1遺傳算法的產生與發展
9.1.2遺傳算法概要
9.1.3遺傳算法的套用情況
9.1.4基本遺傳算法
9.1.5模式定理
9.1.6遺傳算法的改進
9.1.7遺傳算法與函式最最佳化
9.1.8遺傳算法與系統辨識
9.1.9遺傳算法與神經控制
9.2遺傳最佳化算法的工程套用
9.2.1遺傳算法在無約束最佳化中的套用
9.2.2遺傳算法在非線性規劃中的套用
參考文獻
第10章粒群智慧型
10.1引言
10.1.1微粒群算法綜述
10.1.2微粒群算法的研究方向
10.2微粒群算法的基本原理
10.2.1引言
10.2.2基本微粒群算法
10.2.3基本微粒群算法的社會行為分析
10.2.4帶慣性權重的微粒群算法
10.3改進微粒群算法
10.3.1基本微粒群算法進化方程的改進
10.3.2收斂性改進
10.4微粒群算法的實驗設計與參數選擇
10.4.1設計微粒群算法的基本原則與步驟
10.4.2幾種典型的微粒群模型及參數選擇
10.5基於微粒群算法的人工神經網路最佳化
10.5.1神經網路的微粒群算法最佳化策略
10.5.2協同微粒群算法最佳化神經網路
10.6蟻群智慧型
10.6.1雙橋實驗與隨機模型
10.6.2人工螞蟻模型
10.6.3蟻群最佳化元啟發式算法
參考文獻
