內容提要
測試智慧型信息處理智慧型計算是測試智慧型信息處理的核心技術，是目前多學科研究和套用的熱點，涉及測試技術、電子技術、計算機技術、控制技術等，具有廣泛的套用前景。測量技術是信息處理的關鍵和基礎。本書介紹了測試系統的組成、特點以及信號測量處理的過程，給出了數據融合的基本方法，重點介紹了測試智慧型計算的基礎理論和方法。具體內容包括測試系統的組成和信息獲取的過程、智慧型計算的產生和發展、數據融合的基本原理；神經網路計算的基礎、神經計算的基本方法、神經計算的實現技術和支持向量機；模糊計算中的模糊邏輯與模糊推理、模糊計算套用和粗糙集；進化計算中的遺傳算法、粒群智慧型、蟻群智慧型 等方法和實例。 本書可作為測控技術、電子科學技術、計算機科學技術、電氣工程、控制技術、信息通信技術、機械電子工程等專業的研究生、高年級本科生的教材和參考書，也可供相關工程技術人員和科技工作者作為專業參考書。
編輯推薦
主要內容
測試智慧型信息處理足·門新興交叉學科，涉及測試技術、電子技術、計算機技術、控制技術等領域，是工程測試技術中最新發展的重要組成部分，具有廣泛的套用前景。本書根據測量系統的組成、特點以及信號測量處理的過程，以信號獲取、信號處理、信息融合以及智慧型信息處理為蕾線，重點介紹r智慧型計算的基礎理論和方法以及最新的智慧型信息處理方法，內容涵蓋了測試智慧型信息處理的核心內容。此外，本書還專門介紹了國內外智慧型信息處理的前沿理論，內容新穎、翔實，反映了該領域的最新進展。
本書特色
◆突出信息處理在工程測試技術中的重要作用，將信息獲取與智慧型信息處理有機結合；
◆一闡述清晰，以工程測試技術為主線，介紹各種現代測試智慧型信息處理的新方法；
◆內容取材全面、新穎，涵蓋了神經計算、進化計算和模糊計算等智慧型信息處理的核心內容，同時還介紹了基於統計的支持向量機、主分量分析方法，以及群智慧型中的粒群智慧型和蟻群智慧型等新的智慧型信息處理方法；
◆介紹了大量典型的工程測試系統與測試智慧型信息處理相結合的套用實例，並針對套用實例給出了大量的MATLAB程式代碼，深入淺出，適於各類讀者進行套用實踐；
◆實用性強，體系完整，適用面廣，既可以作為高等學校機械、儀器、計算機、自動化等專業的研究生教材，也可作為工程測試技術相關領域專業人員的參考書。
目錄
第1篇緒論
1測試智慧型信息處理概述
1.1測試智慧型信息處理的產生及發展
1.1.1測試系統的組成與特點
1.1.2智慧型計算的產生與發展
1.2智慧型信息處理的主要技術
1.2.1神經計算技術
1.2.2模糊計算技術
1.2.3進化計算技術
1.3智慧型技術的綜合集成
1.3.1模糊系統與神經網路結合
1.3.2神經網路和遺傳算法結合
1.3.3模糊技術、神經網路和遺傳算法綜合集成
1.3.4智慧型計算展望
2數據融合與信息處理
2.1多感測器數據融合概述
2.2多感測器數據融合的基本原理
2.2.1多感測器數據融合的目的
2.2.2多感測器數據融合的層次與結構
2.2.3數據融合中的檢測、分類與識別算法
2.2.4典型的數據融合方法
2.2.5多感測器數據融合方法的特點
2.3分散式自適應動態數據融合方法
2.3.1測量模型與方法簡述
2.3.2測量數據範圍的推導
2.3.3最優範圍的確定
2.4小結
第2篇神 經 計 算
3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
4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
5神經計算實現技術
5.1神經網路計算的組織
5.1.1輸入層和輸出層設計
5.1.2網路數據的準備
5.1.3網路初始權值的選擇
5.1.4隱層數及隱層結點設計
5.1.5網路的訓練、檢測及性能評價
5.2主分量分析
5.2.1主分量分析基本原理
5.2.2基於Hebb的最大特徵濾波器
5.2.3基於Hebb的主分量分析
5.2.4計算機實驗：圖形編碼
5.2.5小結
5.3神經計算的硬體和軟體實現
5.3.1硬體實現概述
5.3.2神經元器件
5.3.3神經網路系統結構
5.3.4神經網路的光學實現
5.4神經計算在機械製造設備中的套用
5.4.1神經網路與機械製造工藝規程
5.4.2神經網路與加工參數最佳化
5.4.3神經網路與故障診斷
5.4.4神經網路與工況監測及預報
5.4.5神經網路與加工系統辨識及控制
6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
第3篇模 糊 計 算
7模糊邏輯與模糊推理
7.1模糊邏輯與模糊推理概述
7.1.1模糊邏輯的歷史
7.1.2模糊集
7.1.3隸屬函式
7.1.4模糊運算與模糊推理
7.1.5模糊系統
7.2模糊推理的MATLAB實現
7.2.1模糊推理過程
7.2.2模糊邏輯工具箱的圖形界面工具
7.2.3模糊邏輯工具箱的命令行工作方式
7.2.4神經?模糊推理編輯器ANFIS
8模糊計算的套用
8.1模糊PID控制
8.1.1幾種自適應PID控制
8.1.2兩種類型的模糊PID控制器
8.2模糊邏輯系統套用設計實例
8.2.1二關節機械手的逆運動學建模
8.2.2卡車倒擺系統模糊控制
8.2.3模糊自適應消噪
8.2.4卡車倒車的模糊控制系統
8.2.5小結
9粗糙集
9.1智慧型數據預處理及知識系統表達
9.1.1數據表知識表達系統
9.1.2不完整、不精確數據預處理
9.1.3屬性值的離散歸一化處理
9.2知識與分類、近似與粗集的基本概念
9.2.1知識與分類
9.2.2集合近似與粗集的概念
9.2.3集合近似及分類近似的度量
9.3知識系統的簡化和邏輯表達
9.3.1知識的簡化
9.3.2知識的相對簡化
9.3.3範疇的簡化
9.3.4範疇的相對簡化
9.3.5知識的依賴性
9.3.6知識表達系統數據的協調性
9.3.7知識表達系統屬性的簡化
9.3.8知識表達系統決策規則的簡化
9.3.9推理學習
9.4集成粗糙神經網路預示診斷套用
9.4.1集成粗糙神經網路的融合算法
9.4.2車輪踏面擦傷融合預示診斷實驗
9.4.3小結
第4篇進化計算與群智慧型
10遺傳算法
10.1遺傳最佳化算法基礎
10.1.1遺傳算法的產生與發展
10.1.2遺傳算法概要
10.1.3遺傳算法的套用情況
10.1.4基本遺傳算法
10.1.5模式定理
10.1.6遺傳算法的改進
10.1.7遺傳算法與函式最最佳化
10.1.8遺傳算法與系統辨識
10.1.9遺傳算法與神經控制
10.1.10小結
10.2遺傳最佳化算法的工程套用
10.2.1遺傳算法在無約束最佳化中的套用
10.2.2遺傳算法在非線性規劃中的套用
10.2.3遺傳算法在可靠性最佳化中的套用
10.2.4遺傳算法在車間布局最佳化中的套用
10.2.5遺傳算法在參數最佳化中的套用
11禁忌搜尋算法
11.1禁忌搜尋算法的要素
11.1.1禁忌搜尋算法的基本思想
11.1.2禁忌搜尋算法的主要構成
11.1.3禁忌搜尋算法的求解過程
11.2禁忌搜尋算法示例
11.3禁忌搜尋算法的發展和套用
11.3.1並行禁忌搜尋算法
11.3.2遺傳算法與禁忌搜尋算法的混合策略
11.3.3Flow?shop問題的禁忌搜尋算法
11.3.4禁忌搜尋算法流程
11.3.5基於禁忌搜尋的函式最佳化
11.4小結
12粒群智慧型
12.1引言
12.1.1微粒群算法綜述
12.1.2微粒群算法的研究方向
12.2微粒群算法的基本原理
12.2.1引言
12.2.2基本微粒群算法
12.2.3基本微粒群算法的社會行為分析
12.2.4帶慣性權重的微粒群算法
12.3改進微粒群算法
12.3.1基本微粒群算法進化方程的改進
12.3.2收斂性改進
12.4微粒群算法的實驗設計與參數選擇
12.4.1設計微粒群算法的基本原則與步驟
12.4.2幾種典型的微粒群模型及參數選擇
12.5基於微粒群算法的人工神經網路最佳化
12.5.1神經網路的微粒群算法最佳化策略
12.5.2協同微粒群算法最佳化神經網路
12.6無線感測網路節點位置微粒群最佳化
12.6.1問題模型與假設
12.6.2基於微粒群算法的移動節點位置最佳化
12.6.3並行微粒群最佳化策略的基本原理
12.6.4仿真實驗分析
13蟻群智慧型
13.1引言
13.1.1雙橋實驗
13.1.2隨機模型
13.2人工螞蟻模型
13.2.1人工螞蟻方法
13.2.2人工螞蟻和最小成本路徑
13.3蟻群最佳化元啟發式算法
13.3.1問題描述
13.3.2螞蟻的行為
13.3.3元啟發式算法
13.4蟻群最佳化算法套用
13.4.1故障診斷
13.4.2機器人領域
13.4.3圖像處理
