內容簡介
書籍
計算機書籍
《智慧型信息處理導論》可作為智慧型科學與技術、電子科學與技術、信息與通信工程、計算機科學與技術、電氣工程、控制科學與技術等專業高年級本科生的教材和相關專業研究生、博士生“智慧型信息處理與最佳化”等課程的教材，同時可以供智慧型信息處理與智慧型控制技術研究人員參考。
目錄
《智慧型信息處理導論》
第1章模糊信息處理
1.1模糊信息概述
1.1.1模糊信息相關知識
1.1.2模糊研究內容與套用
1.1.3診斷模糊模型
1.2多目標模糊最佳化方法
1.2.1常規多目標最佳化設計的模糊解法
1.2.2模糊多目標最佳化設計
1.2.3普遍型多目標模糊最佳化設計方法
1.3數據處理的模糊熵方法
1.3.1模糊熵的公理體系與定義
1.3.2模糊熵的圖像處理
1.4自適應模糊聚類分析
1.4.1相關的模糊聚類算法
1.4.2自適應模糊聚類算法
1.4.3算法收斂性分析
1.5模糊關聯分析
1.5.1模糊關聯分析法
1.5.2評價原理和方法
.1.5.3實證研究
1.6模糊信息最佳化方法
1.6.1模糊信息最佳化處理的基本理論
1.6.2模糊信息最佳化實例分析
1.7模糊多屬性決策的模糊貼近度方法
1.7.1模糊多屬性決策
1.7.2模糊多屬性決策模型
1.7.3模糊多屬性決策的模糊貼近度解法
1.7.4算例分析
1.8信息不完全確知的模糊決策集成模型
1.8.1信息不完全確知的多目標決策
1.8.2決策信息不完全確知的模糊決策集成模型
1.8.3決策信息不完全確知的模糊決策集成模型分析
1.8.4實例分析
1.9模糊 petri網
1.9.1 petri網概述
1.9.2模糊 petri網的基本理論
1.9.3基於模糊 petri網的推理算法及套用
習題
第2章神經網路信息處理
2.1神經網路的一般模型
2.1.1一般形式的神經網路模型
2.1.2神經網路學習算法
2.1.3神經網路計算的特點
2.1.4神經網路的拓撲結構
2.2 bp神經網路模型
2.2.1 bp神經網路學習算法
2.2.2 bp神經網路建模
2.3貝葉斯神經網路
2.3.1傳統神經網路和貝葉斯方法
2.3.2神經根網路的貝葉斯學習
2.3.3貝葉斯神經網路算法
2.4 rbf神經網路
2.4.1rbf特點
2.4.2 rbf神經網路的結構與訓練
2.4.3高速公路ann限速控制器的設計
2.5貝葉斯——高速神經網路非線性系統辨識
2.5.1 bpnn分析
2.5.2 bg推理模型和bgnn
2.5.3 bgnn的自組織過程
2.5.4仿真研究
2.6廣義神經網路
2.6.1智慧型神經元模型
2.6.2廣義神經網路模型及學習算法
2.6.3交通流預測模型
2.7發動機神經網路bp算法建模
2.7.1發動機性能曲線神經網路處理方法
2.7.2發動機神經網路辨識結構
2.8組合灰色神經網路模型
2.8.1灰色預測模型
2.8.2灰色神經網路預測模型
2.8.3電力遠期價格預測
2.9機率神經網路
2.9.1機率神經網路結構
2.9.2機率神經網路訓練
習題
第3章雲信息處理
3.1隸屬雲
3.1.1模糊隸屬函式
3.1.2對隸屬函式的質疑
3.1.3隸屬雲定義
3.1.4隸屬雲的數字特徵
3.1.5隸屬雲發生器
3.1.6隸屬雲發生器的實現技術
3.2雲滴與雲滴生成算法
3.2.1雲滴
3.2.2雲滴生成算法
3.3雲計算
3.3.1雲模型與不確定推理
3.3.2雲計算原理
3.3.3雲化計算過程
3.3.4雲化計算的系統實現
3.4定性規則的雲表示
3.4.1二維雲模型
3.4.2二維雲及多維雲生成算法的改進
3.4.3定性規則的雲模型表示
3.4.4一條帶“或條件”的定性規則的表示
3.4.5一條多重條件的定性規則的表示
3.4.6定性規則的統一表示
3.5雲綜合評判模型
3.5.1雲綜合評判
3.5.2套用實例
3.6雲決策樹
3.6.1決策樹方法
3.6.2基於雲理論的神經網路映射學習
3.6.3雲決策樹的生成和套用
3.7定性預測系統的建模
3.7.1二維雲算法
3.7.2算法描述及實現機制
3.7.3算法步驟
3.8套用實例
3.8.1三級倒立擺
3.8.2模型與雲推理
3.8.3倒立擺的智慧型控制實驗與分析
3.8.4實驗分析結果
習題
第4章可拓信息處理
4.1可拓學概述
4.1.1可拓學的研究對象、理論框架和方法體系
4.1.2可拓工程思想、工具和方法
4.2可拓集合
4.2.1可拓集合的含義
4.2.2擴展的可拓集合概念
4.2.3可拓集合的套用
4.3貨櫃生成量可拓聚類預測
4.3.1貨櫃生成量可拓聚類預測的建模機制
4.3.2可拓聚類預測的物元模型
4.3.3貨櫃生成量可拓聚類預測的物元模型
4.4可拓故障診斷
4.4.1整體故障分析
4.4.2硬部故障分析
4.4.3軟部故障分析
4.5可拓層次分析法
4.5.1層次分析法分析
4.5.2可拓區間數及其運算
4.5.3可拓區間數判斷矩陣及其一致性
4.5.4可拓層次分析法
4.5.5實例算法
4.6可拓控制策略
4.6.1可拓控制的提出
4.6.2可拓控制的物元模型
4.6.3可拓控制算法
4.7菱形思維可拓神經網路模型
4.7.1菱形思維方法
4.7.2菱形思維的可拓神經網路模型及表示
4.7.3菱形思維可拓神經網路模型的學習算法
4.7.4菱形思維可拓神經網路的評判機制
4.8套用案例
習題
第5章粗集信息處理
5.1粗集理論基礎
5.1.1粗集理論的提出
5.1.2等價類
5.1.3知識的約簡
5.2粗糙模糊集合
5.2.1粗集與模糊集合分析
5.2.2模糊粗集
5.3粗集神經網路
5.3.1 rough-ann結合的特點
5.3.2決策表簡化方法
5.3.3粗集神經網路系統
5.4貝葉斯分類器粗集算法
5.4.1簡單貝葉斯分類
5.4.2基於粗集的屬性約簡方法
5.4.3基於粗集的貝葉斯分類器算法
5.4.4試驗結果
5.5系統評估粗集方法
5.5.1系統評估粗集方法的特點
5.5.2系統綜合評估粗集方法
5.5.3建立評估體系的粗集方法
5.5.4試驗驗證
5.6文字識別的粗集算法
5.6.1模式識別與粗集方法
5.6.2文字粗集表達與知識簡化
5.6.3基於粗集理論方法的文字識別
5.7圖像中值濾波的粗集方法
5.7.1基本依據
5.7.2粗集中值濾波
5.7.3試驗結論和討論
5.8灰色粗集模型與故障診斷
5.8.1灰色關聯分析方法
5.8.2參數屬性分析
5.8.3灰色粗集模型的建立
5.8.4試驗結果及分析
習題
第6章遺傳算法
6.1遺傳算法基礎
6.1.1遺傳算法的歷史
6.1.2遺傳算法的基本原理
6.1.3遺傳算法數學基礎分析
6.2遺傳算法分析
6.2.1遺傳算法結構及主要參數
6.2.2基因操作
6.2.3遺傳算法參數選擇及其對算法收斂性的影響
6.2.4遺傳算法的特點
6.3 tsp的遺傳算法解
6.3.1問題的描述與分析
6.3.2針對tsp的遺傳算法運算元
6.3.3實例分析
6.4神經網路的遺傳學習算法
6.4.1遺傳學習算法
6.4.2利用遺傳算法輔助設計人工神經網路的權值和域值
6.5協同進化遺傳算法
6.5.1協同進化算法
6.5.2協同進化遺傳算法介紹
6.5.3協同進化遺傳算法的設計
6.6套用實例
習題
第7章免疫算法
7.1免疫算法的生物學基礎
7.1.1免疫系統的形態空間
7.1.2免疫應答
7.1.3多樣性
7.1.4克隆選擇和擴增
7.2免疫最佳化算法概述
7.2.1人工免疫系統的定義
7.2.2免疫算法的提出
7.2.3免疫算法中涉及的術語
7.2.4免疫算法的算法思想
7.2.5免疫算法的收斂性
7.2.6免疫算法與免疫系統的對應
7.2.7常見免疫算法
7.2.8免疫運算元說明
7.3免疫算法與遺傳算法的比較
7.3.1兩者關係
7.3.2遺傳算法的原理及缺陷
7.3.3免疫算法的原理及優勢
7.4免疫最佳化算法在vrp中的套用
7.4.1裝卸一體化的物流配送vrp描述
7.4.2抗體編碼
7.4.3初始抗體的產生
7.4.4抗體親和力計算
7.4.5產生記憶/抑制細胞
7.4.6選擇、交叉、變異
7.5用免疫算法求解tsp
7.5.1 tsp描述
7.5.2免疫運算元的構造方法
7.5.3免疫疫苗選取的具體步驟
7.5.4免疫算法的程式
習題
第8章蟻群算法
8.1蟻群算法原理
8.1.1蟻群智慧型
8.1.2基本蟻群算法的機制原理
8.1.3蟻群算法的系統學特徵
8.2 ant-cycle算法與自適應蟻群算法
8.2.1基本蟻群系統模型
8.2.2 ant-cycle算法
8.2.3自適應蟻群算法
8.3遺傳算法與蟻群算法的融合
8.3.1 gaaa算法中遺傳算法的結構原理
8.3.2 gaaa算法中蟻群算法的設計
8.4組合最佳化的蟻群算法與連續最佳化問題的蟻群算法
8.4.1在靜態組合最佳化中的套用
8.4.2在動態組合最佳化中的套用
8.4.3連續最佳化問題的蟻群算法
8.5系統辨識的蟻群算法與聚類問題的蟻群算法
8.5.1系統辨識的蟻群算法
8.5.2聚類分析的蟻群算法
8.6函式最佳化蟻群算法與蟻群神經網路
8.6.1蟻群算法在函式最佳化問題中的套用
8.6.2蟻群神經網路
8.7免疫算法與蟻群算法的融合
8.8並行蟻群算法
8.8.1並行計算機及其分類
8.8.2並行算法的設計
8.8.3蟻群算法常用的並行策略
8.9蟻群算法的套用案例
習題
第9章量子智慧型信息處理
9.1量子資訊理論
9.1.1量子計算
9.1.2量子資訊理論基礎
9.1.3量子信息處理
9.1.4量子加密
9.1.5資訊理論與量子資訊理論對比
9.2量子神經計算
9.2.1神經計算回顧
9.2.2量子計算與神經計算的結合
9.2.3量子神經信息處理
9.2.4量子神經計算模型
9.3典型量子神經網路模型
9.3.1 ann概念的量子類比
9.3.2 qnn的物理實現
9.3.3幾種qnn模型
9.4量子神經元
9.4.1量子邏輯門
9.4.2量子神經元模型
9.4.3量子神經元學習算法
9.4.4量子邏輯運算特性
9.5量子遺傳算法
9.5.1量子遺傳算法基礎
9.5.2改進量子遺傳算法
9.5.3新量子遺傳算法
9.5.4分組量子遺傳算法
9.5.5量子遺傳算法的其他形式
9.5.6量子智慧型最佳化的算法模型
習題
第10章信息融合
10.1多源信息融合概述
10.1.1多源信息融合基本概念
10.1.2多源信息融合分類
10.1.3多源信息融合技術的發展
10.2信息融合模型與算法
10.2.1信息融合的模型
10.2.2多源信息融合算法概述
10.3貝葉斯信息融合方法
10.3.1貝葉斯統計理論概述
10.3.2基於貝葉斯統計理論的信息融合
10.4信息的模糊決策融合算法
10.4.1模糊邏輯概述
10.4.2多感測器模糊關係函式的融合
10.4.3基於可能性理論的信息融合套用
10.5 dempster-shafer證據理論
10.5.1 dempster-shafer證據理論概述
10.5.2基於dempster-shafer證據理論的信息融合
10.6 vague集模糊信息融合
10.6.1 vague集定義
10.6.2信息融合模型描述
10.6.3基於vague集的融合方法
10.6.4仿真實例
10.7信息融合的神經網路模型與算法
10.7.1信息融合模型的神經網路表示
10.7.2基於神經網路的信息融合技術
10.7.3基於神經網路的融合識別的基本原理
10.8信息融合的模糊神經 petri網模型
10.8.1模糊 petri網
10.8.2多感測器信息融合
10.8.3模糊神經 petri網
10.9案例——基於貝葉斯信息融合的航空發動機健康狀態評估方法研究
10.9.1引言
10.9.2貝葉斯統計理論
10.9.3發動機評估指標的確定和最佳化
10.9.4基於貝葉斯融合方法的性能狀態評估模型
10.9.5計算實例與結論
習題
參考文獻
