內容簡介
本書對自然計算、機器學習、圖像自動理解與解譯三個前沿領域進行了詳細的論述。主要內容包括進化計算、人工免疫系統、量子計算智慧型、多智慧型體系統、進化多目標最佳化、核機器學習、流形學習與譜圖學習、集成學習、非線性逼近理論、多尺度幾何分析、多尺度變換域圖像感知與識別、圖像的高維奇異性檢測、圖像去噪的閾值方法、SAR圖像理解與解譯。
本書著重對上述領域的國內外發展現狀進行總結，闡述作者對相關領域未來發展的研究與思考。本書可以作為計算機科學、信息科學、人工智慧自動化技術等領域從事自然計算、機器學習、圖像處理研究的相關專業技術人員的參考書，也可以作為相關專業高年級本科生和研究生的教材。
目錄
第1章 進化計算 1
1.1 從人工智慧到計算智慧型 2
1.2 從進化論到進化計算 4
1.2.1 現代進化論 5
1.2.2 生物進化與最佳化 7
1.3 進化計算基礎知識 8
1.3.1 進化計算的主要分支 9
1.3.2 進化計算的數學基礎 12
1.3.3 進化算法的收斂理論 13
1.3.4 進化計算的套用 18
1.4 協同進化計算 19
1.4.1 協同進化的生物學基礎 20
1.4.2 協同進化的動力學描述 24
1.4.3 協同進化算法的發展現狀 25
1.5 非達爾文進化理論與密母計算 28
1.5.1 非達爾文進化的主要理論 29
1.5.2 密母計算的研究進展 30
參考文獻 32
第2章 人工免疫系統 44
2.1 從免疫系統到人工免疫系統 44
2.2 人工免疫系統的研究領域 46
2.2.1 人工免疫系統模型的研究 46
2.2.2 人工免疫系統算法的研究 48
2.2.3 人工免疫系統方法的套用研究 52
2.3 人工免疫系統與其它方法的比較 55
2.3.1 人工免疫系統與進化計算 55
2.3.2 人工免疫系統與人工神經網路 55
2.3.3 人工免疫系統與一般的確定性最佳化算法 57
2.4 免疫最佳化計算研究的新進展 58
2.4.1 免疫最佳化算法研究的主要進展 58
2.4.2 免疫最佳化計算理論分析的主要進展 63
2.5 問題與展望 65
參考文獻 66
第3章 量子計算智慧型 75
3.1 量子計算原理 75
3.1.1 狀態的疊加 76
3.1.2 狀態的相干 76
3.1.3 狀態的糾纏 76
3.1.4 量子並行性 77
3.2 量子計算智慧型的幾種模型 77
3.2.1 量子人工神經網路 77
3.2.2 基於量子染色體的進化算法 78
3.2.3 基於量子特性的最佳化算法 78
3.2.4 量子聚類算法 79
3.2.5 量子模式識別算法 79
3.2.6 量子小波與小波包算法 80
3.2.7 量子退火算法 80
3.2.8 其它 80
3.3 量子進化算法 81
3.3.1 量子進化算法的提出 81
3.3.2 量子進化操作 82
3.3.3 量子進化算法的結構框架 86
3.4 問題與展望 88
參考文獻 89
第4章 多智慧型體系統 93
4.1 複雜適應系統 93
4.1.1 複雜適應系統概述 93
4.1.2 複雜適應系統的適應性與生物進化過程 95
4.1.3 生物進化過程的數學模型 97
4.2 多智慧型體系統 99
4.2.1 智慧型體的基本概念 100
4.2.2 智慧型體形式化描述 102
4.2.3 多智慧型體系統的主要研究內容 105
4.2.4 面向問題解決的多智慧型體系統研究現狀 108
4.2.5 多智慧型體系統與分散式人工智慧 110
4.2.6 多智慧型體系統與人工生命 111
4.2.7 多智慧型體系統與進化計算 114
參考文獻 115
第5章 進化多目標最佳化 119
5.1 多目標最佳化問題的數學描述 120
5.2 進化多目標最佳化的主要算法 121
5.2.1 第一代進化多目標最佳化算法 121
5.2.2 第二代進化多目標最佳化算法 122
5.3 當代進化多目標最佳化算法及研究趨勢 124
5.3.1 基於粒子群最佳化的多目標最佳化 125
5.3.2 基於人工免疫系統的多目標最佳化 125
5.3.3 基於分布估計算法的多目標最佳化 126
5.3.4 新型占優機制研究 126
5.3.5 高維多目標最佳化研究 127
5.4 幾種典型進化多目標最佳化算法的性能比較 128
5.4.1 實驗設定 129
5.4.2 NSGAⅡ、 SPEA2、 PESAⅡ和NNIA的性能比較 132
5.5 總結與展望 136
參考文獻 136
第6章 核機器學習 143
6.1 Mercer核 144
6.2 核機器學習的主要方法 144
6.2.1 支撐矢量機及統計學習理論 144
6.2.2 支持矢量新穎發現 147
6.2.3 核匹配追蹤學習機 148
6.2.4 Mercer聚類方法 150
6.2.5 Mercer核主分量分析 151
6.2.6 Mercer核Fisher判別分析 152
6.2.7 SVMs用於排序學習 153
6.2.8 學習 154
6.2.9 用於結構化數據識別的核方法 154
6.3 核機器學習方法的優勢與不足 155
6.3.1 Mercer核技術的優勢 155
6.3.2 Mercer核技術的不足 156
6.4 推廣Mercer核函式的主要研究方向 157
參考文獻 159
第7章 流形學習與譜圖學習 166
7.1 流形學習的基本概念 166
7.2 流形學習的降維方法分類 167
7.2.1 構建關係矩陣的方法 167
7.2.2 基於局部模型的全局坐標對齊方法 172
7.2.3 十二種流形降維方法的比較 175
7.3 譜聚類 177
7.3.1 譜圖劃分算法 177
7.3.2 譜聚類算法 179
參考文獻 180
第8章 集成學習 184
8.1 集成學習系統的結構 184
8.1.1 集成學習中多樣性個體的構造 185
8.1.2 集成方法的系統結構 187
8.1.3 集成學習算法中的合併方法 187
8.2 集成核匹配追蹤學習機 188
8.2.1 集成核匹配追蹤學習機的理論分析 188
8.2.2 集成核匹配追蹤學習機的建立 191
8.3 譜聚類集成 191
8.3.1 無監督集成問題 191
8.3.2 具有多樣性的個體譜聚類的構造 192
8.3.3 多個譜聚類結果的合併 193
8.3.4 譜聚類集成的流程 195
參考文獻 196
第9章 非線性逼近理論 199
9.1 函式逼近簡述 199
9.2 非線性逼近 200
9.2.1 基本概念 200
9.2.2 希爾伯特空間中的非線性逼近 202
9.2.3 小波逼近 203
9.3 高度非線性逼近 205
9.3.1 研究背景及其意義 205
9.3.2 正交基庫中最優基的選擇 207
9.3.3 函式字典中最優原子的選擇 208
9.4 問題與展望 215
9.4.1 關於數據的多尺度幾何表示 215
9.4.2 關於基的學習問題 217
參考文獻 218
第10章 多尺度幾何分析 224
10.1 概念的產生 224
10.2 從傅立葉分析到小波分析 225
10.3 小波圖像逼近 227
10.4 人類視覺模型 229
10.5 圖像的多尺度幾何分析 230
10.5.1 自適應幾何逼近 231
10.5.2 Bandelet變換 231
10.5.3 脊波及單尺度脊波變換 234
10.5.4 Curvelet變換 236
10.5.5 Contourlet變換 237
10.6 問題與展望 240
參考文獻 243
第11章 多尺度變換域圖像感知與識別 248
11.1 小波變換的三級統計特性及其機理分析 248
11.2 小波域隱馬爾可夫模型 250
11.2.1 隱馬爾可夫模型 250
11.2.2 小波域隱馬爾可夫模型概述 251
11.3 變換域的十種統計模型 252
11.3.1 小波域的八種模型 253
11.3.2 復小波域模型 257
11.3.3 Contourlet變換域模型 258
11.4 基於變換域統計模型的圖像感知與識別 258
11.4.1 圖像恢復和重建 258
11.4.2 圖像分割 260
11.4.3 邊緣檢測 261
11.5 問題與展望 261
11.5.1 面向套用的模型設計和算法構造 261
11.5.2 變換域的拓展 263
11.5.3 套用領域的推廣 264
參考文獻 264
第12章 圖像的高維奇異性檢測、 學習與理解 271
12.1 圖像識別與理解中存在的主要問題 271
12.1.1 高維奇異性特徵提取問題 271
12.1.2 多元特徵選擇問題 272
12.1.3 特徵學習中的“維數災難”問題 273
12.1.4 相對小樣本問題 275
12.1.5 計算複雜度問題 275
12.1.6 特徵提取與相似性測度定義和學習問題 275
12.1.7 無監督和半監督學習問題 276
12.2 解決高維數據奇異性檢測、 學習與理解的關鍵技術 277
12.2.1 高維數據奇異性檢測、 學習與理解概述 277
12.2.2 多尺度幾何分析與高維奇異性稀疏逼近及方向信息檢測 280
12.2.3 非線性映射技術 281
12.2.4 假設空間容量控制 283
12.2.5 無監督和半監督學習 284
參考文獻 287
第13章 圖像去噪的閾值方法 294
13.1 基本概念 294
13.1.1 空間濾波 294
13.1.2 小波去噪 295
13.1.3 噪聲估計 296
13.2 閾值函式 297
13.3 閾值規則 298
13.3.1 塔形分解中的尺度內相關法則 299
13.3.2 小波分解中的尺度內相關法則 301
13.3.3 尺度間相關法則 302
13.3.4 高維數據處理法則 305
13.4 閾值方案 306
13.4.1 全局閾值 307
13.4.2 SURE規則 307
13.4.3 假設檢驗 308
13.4.4 Bayes閾值 308
13.5 問題與展望 309
13.5.1 圖像的恢復和重構 310
13.5.2 係數獨立性假設 310
13.5.3 係數建模 311
13.5.4 變換域的拓展 312
參考文獻 312
第14章 SAR圖像理解與解譯 317
14.1 SAR圖像自動理解與解譯的系統組成 317
14.2 相干斑抑制 319
14.2.1 空域濾波技術 319
14.2.2 頻域濾波技術 320
14.3SAR 圖像分割 321
14.3.1 閾值分割方法 322
14.3.2 基於像素特徵的分割方法 322
14.3.3 統計分割方法 323
14.4 圖像融合 323
14.4.1 SAR 圖像和TM 圖像的融合 324
14.4.2 SAR圖像不同波段和不同極化圖像的融合 324
14.4.3 極化SAR圖像和超光譜圖像的融合 325
14.5 特徵提取 325
14.5.1 邊緣特徵提取 325
14.5.2 紋理特徵提取 326
14.5.3 形狀特徵提取 327
14.5.4 方向特徵提取 327
14.6 識別與分類 328
14.6.1 最近鄰和k近鄰 329
14.6.2 決策樹 329
14.6.3 貝葉斯分類器 329
14.6.4 神經網路 330
14.6.5 支撐矢量機330
14.6.6 Boosting和Bagging 331
14.7 SAR圖像特殊目標檢測 331
14.7.1 艦船檢測 332
14.7.2 路網檢測 332
14.7.3 其它目標檢測 332
14.8 問題與展望 332
參考文獻 333
