智能信息处理导论PDF|Epub|txt|kindle电子书版本网盘下载

智能信息处理导论PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 模糊信息处理1

1.1模糊信息概述1

1.1.1模糊信息相关知识1

1.1.2模糊研究内容与应用5

1.1.3诊断模糊模型8

1.2多目标模糊优化方法13

1.2.1常规多目标优化设计的模糊解法13

1.2.2模糊多目标优化设计15

1.2.3普遍型多目标模糊优化设计方法17

1.3数据处理的模糊熵方法20

1.3.1模糊熵的公理体系与定义20

1.3.2模糊熵的图像处理21

1.4自适应模糊聚类分析22

1.4.1相关的模糊聚类算法23

1.4.2自适应模糊聚类算法24

1.4.3算法收敛性分析26

1.5模糊关联分析26

1.5.1模糊关联分析法26

1.5.2评价原理和方法27

1.5.3实证研究28

1.6模糊信息优化方法31

1.6.1模糊信息优化处理的基本理论31

1.6.2模糊信息优化实例分析32

1.7模糊多属性决策的模糊贴近度方法33

1.7.1模糊多属性决策33

1.7.2模糊多属性决策模型33

1.7.3模糊多属性决策的模糊贴近度解法34

1.7.4算例分析35

1.8信息不完全确知的模糊决策集成模型36

1.8.1信息不完全确知的多目标决策36

1.8.2决策信息不完全确知的模糊决策集成模型36

1.8.3决策信息不完全确知的模糊决策集成模型分析39

1.8.4实例分析40

1.9模糊Petri网41

1.9.1 Petri网概述41

1.9.2模糊Petri网的基本理论42

1.9.3基于模糊Petri网的推理算法及应用43

习题44

第2章 神经网络信息处理45

2.1神经网络的一般模型45

2.1.1一般形式的神经网络模型45

2.1.2神经网络学习算法45

2.1.3神经网络计算的特点46

2.1.4神经网络的拓扑结构47

2.2 BP神经网络模型47

2.2.1 BP神经网络学习算法47

2.2.2 BP神经网络建模49

2.3贝叶斯神经网络49

2.3.1传统神经网络和贝叶斯方法49

2.3.2神经根网络的贝叶斯学习50

2.3.3贝叶斯神经网络算法51

2.4 RBF神经网络52

2.4.1 RBF特点52

2.4.2 RBF神经网络的结构与训练52

2.4.3高速公路ANN限速控制器的设计53

2.5贝叶斯——高速神经网络非线性系统辨识54

2.5.1 BPNN分析54

2.5.2 BG推理模型和BGNN54

2.5.3 BGNN的自组织过程56

2.5.4仿真研究57

2.6广义神经网络57

2.6.1智能神经元模型57

2.6.2广义神经网络模型及学习算法58

2.6.3交通流预测模型59

2.7发动机神经网络BP算法建模59

2.7.1发动机性能曲线神经网络处理方法59

2.7.2发动机神经网络辨识结构60

2.8组合灰色神经网络模型62

2.8.1灰色预测模型62

2.8.2灰色神经网络预测模型64

2.8.3电力远期价格预测65

2.9概率神经网络66

2.9.1概率神经网络结构66

2.9.2概率神经网络训练67

习题68

第3章 云信息处理70

3.1隶属云70

3.1.1模糊隶属函数70

3.1.2对隶属函数的质疑71

3.1.3隶属云定义71

3.1.4隶属云的数字特征71

3.1.5隶属云发生器72

3.1.6隶属云发生器的实现技术72

3.2云滴与云滴生成算法72

3.2.1云滴72

3.2.2云滴生成算法73

3.3云计算73

3.3.1云模型与不确定推理73

3.3.2云计算原理74

3.3.3云化计算过程74

3.3.4云化计算的系统实现75

3.4定性规则的云表示75

3.4.1二维云模型75

3.4.2二维云及多维云生成算法的改进76

3.4.3定性规则的云模型表示76

3.4.4一条带“或条件”的定性规则的表示77

3.4.5一条多重条件的定性规则的表示77

3.4.6定性规则的统一表示77

3.5云综合评判模型77

3.5.1云综合评判77

3.5.2应用实例79

3.6云决策树79

3.6.1决策树方法79

3.6.2基于云理论的神经网络映射学习80

3.6.3云决策树的生成和应用80

3.7定性预测系统的建模81

3.7.1二维云算法81

3.7.2算法描述及实现机制81

3.7.3算法步骤81

3.8应用实例82

3.8.1三级倒立摆82

3.8.2模型与云推理83

3.8.3倒立摆的智能控制实验与分析83

3.8.4实验分析结果84

习题85

第4章 可拓信息处理86

4.1可拓学概述86

4.1.1可拓学的研究对象、理论框架和方法体系87

4.1.2可拓工程思想、工具和方法88

4.2可拓集合92

4.2.1可拓集合的含义93

4.2.2扩展的可拓集合概念94

4.2.3可拓集合的应用96

4.3集装箱生成量可拓聚类预测97

4.3.1集装箱生成量可拓聚类预测的建模机制97

4.3.2可拓聚类预测的物元模型98

4.3.3集装箱生成量可拓聚类预测的物元模型99

4.4可拓故障诊断101

4.4.1整体故障分析102

4.4.2硬部故障分析103

4.4.3软部故障分析104

4.5可拓层次分析法104

4.5.1层次分析法分析104

4.5.2可拓区间数及其运算105

4.5.3可拓区间数判断矩阵及其一致性106

4.5.4可拓层次分析法107

4.5.5实例算法108

4.6可拓控制策略109

4.6.1可拓控制的提出109

4.6.2可拓控制的物元模型110

4.6.3可拓控制算法112

4.7菱形思维可拓神经网络模型114

4.7.1菱形思维方法114

4.7.2菱形思维的可拓神经网络模型及表示114

4.7.3菱形思维可拓神经网络模型的学习算法115

4.7.4菱形思维可拓神经网络的评判机制117

4.8应用案例117

习题118

第5章 粗集信息处理119

5.1粗集理论基础119

5.1.1粗集理论的提出119

5.1.2等价类120

5.1.3知识的约简120

5.2粗糙模糊集合121

5.2.1粗集与模糊集合分析121

5.2.2模糊粗集121

5.3粗集神经网络123

5.3.1 Rough-ANN结合的特点123

5.3.2决策表简化方法124

5.3.3粗集神经网络系统124

5.4贝叶斯分类器粗集算法125

5.4.1简单贝叶斯分类125

5.4.2基于粗集的属性约简方法126

5.4.3基于粗集的贝叶斯分类器算法126

5.4.4试验结果127

5.5系统评估粗集方法128

5.5.1系统评估粗集方法的特点128

5.5.2系统综合评估粗集方法128

5.5.3建立评估体系的粗集方法129

5.5.4试验验证129

5.6文字识别的粗集算法130

5.6.1模式识别与粗集方法130

5.6.2文字粗集表达与知识简化130

5.6.3基于粗集理论方法的文字识别131

5.7图像中值滤波的粗集方法132

5.7.1基本依据132

5.7.2粗集中值滤波132

5.7.3试验结论和讨论133

5.8灰色粗集模型与故障诊断135

5.8.1灰色关联分析方法135

5.8.2参数属性分析135

5.8.3灰色粗集模型的建立136

5.8.4试验结果及分析137

习题138

第6章 遗传算法139

6.1遗传算法基础139

6.1.1遗传算法的历史139

6.1.2遗传算法的基本原理140

6.1.3遗传算法数学基础分析142

6.2遗传算法分析145

6.2.1遗传算法结构及主要参数145

6.2.2基因操作145

6.2.3遗传算法参数选择及其对算法收敛性的影响148

6.2.4遗传算法的特点149

6.3 TSP的遗传算法解149

6.3.1问题的描述与分析150

6.3.2针对TSP的遗传算法算子151

6.3.3实例分析152

6.4神经网络的遗传学习算法156

6.4.1遗传学习算法157

6.4.2利用遗传算法辅助设计人工神经网络的权值和域值157

6.5协同进化遗传算法160

6.5.1协同进化算法160

6.5.2协同进化遗传算法介绍161

6.5.3协同进化遗传算法的设计161

6.6应用实例162

习题166

第7章 免疫算法167

7.1免疫算法的生物学基础167

7.1.1免疫系统的形态空间167

7.1.2免疫应答169

7.1.3多样性169

7.1.4克隆选择和扩增170

7.2免疫优化算法概述171

7.2.1人工免疫系统的定义171

7.2.2免疫算法的提出172

7.2.3免疫算法中涉及的术语173

7.2.4免疫算法的算法思想173

7.2.5免疫算法的收敛性174

7.2.6免疫算法与免疫系统的对应175

7.2.7常见免疫算法176

7.2.8免疫算子说明178

7.3免疫算法与遗传算法的比较180

7.3.1两者关系180

7.3.2遗传算法的原理及缺陷181

7.3.3免疫算法的原理及优势181

7.4免疫优化算法在VRP中的应用184

7.4.1装卸一体化的物流配送VRP描述185

7.4.2抗体编码187

7.4.3初始抗体的产生187

7.4.4抗体亲和力计算187

7.4.5产生记忆／抑制细胞189

7.4.6选择、交叉、变异189

7.5用免疫算法求解TSP190

7.5.1 TSP描述190

7.5.2免疫算子的构造方法190

7.5.3免疫疫苗选取的具体步骤190

7.5.4免疫算法的程序191

习题193

第8章 蚁群算法194

8.1蚁群算法原理194

8.1.1蚁群智能194

8.1.2基本蚁群算法的机制原理195

8.1.3蚁群算法的系统学特征196

8.2 Ant-Cycle算法与自适应蚁群算法198

8.2.1基本蚁群系统模型198

8.2.2 Ant-Cycle算法199

8.2.3自适应蚁群算法200

8.3遗传算法与蚁群算法的融合203

8.3.1 GAAA算法中遗传算法的结构原理203

8.3.2 GAAA算法中蚁群算法的设计204

8.4组合优化的蚁群算法与连续优化问题的蚁群算法204

8.4.1在静态组合优化中的应用205

8.4.2在动态组合优化中的应用206

8.4.3连续优化问题的蚁群算法206

8.5系统辨识的蚁群算法与聚类问题的蚁群算法208

8.5.1系统辨识的蚁群算法208

8.5.2聚类分析的蚁群算法211

8.6函数优化蚁群算法与蚁群神经网络215

8.6.1蚁群算法在函数优化问题中的应用215

8.6.2蚁群神经网络217

8.7免疫算法与蚁群算法的融合219

8.8并行蚁群算法222

8.8.1并行计算机及其分类222

8.8.2并行算法的设计222

8.8.3蚁群算法常用的并行策略223

8.9蚁群算法的应用案例224

习题226

第9章 量子智能信息处理227

9.1量子信息论227

9.1.1量子计算227

9.1.2量子信息论基础229

9.1.3量子信息处理231

9.1.4量子加密232

9.1.5信息论与量子信息论对比233

9.2量子神经计算234

9.2.1神经计算回顾234

9.2.2量子计算与神经计算的结合235

9.2.3量子神经信息处理235

9.2.4量子神经计算模型238

9.3典型量子神经网络模型241

9.3.1 ANN概念的量子类比241

9.3.2 QNN的物理实现241

9.3.3几种QNN模型242

9.4量子神经元244

9.4.1量子逻辑门244

9.4.2量子神经元模型245

9.4.3量子神经元学习算法246

9.4.4量子逻辑运算特性247

9.5量子遗传算法248

9.5.1量子遗传算法基础248

9.5.2改进量子遗传算法249

9.5.3新量子遗传算法250

9.5.4分组量子遗传算法251

9.5.5量子遗传算法的其他形式251

9.5.6量子智能优化的算法模型253

习题253

第10章 信息融合254

10.1多源信息融合概述254

10.1.1多源信息融合基本概念254

10.1.2多源信息融合分类256

10.1.3多源信息融合技术的发展260

10.2信息融合模型与算法262

10.2.1信息融合的模型262

10.2.2多源信息融合算法概述272

10.3贝叶斯信息融合方法275

10.3.1贝叶斯统计理论概述275

10.3.2基于贝叶斯统计理论的信息融合277

10.4信息的模糊决策融合算法278

10.4.1模糊逻辑概述278

10.4.2多传感器模糊关系函数的融合281

10.4.3基于可能性理论的信息融合应用281

10.5 Dempster-Shafer证据理论282

10.5.1 Dempster-Shafer证据理论概述282

10.5.2基于Dempster-Shafer证据理论的信息融合284

10.6 Vague集模糊信息融合289

10.6.1 Vague集定义289

10.6.2信息融合模型描述289

10.6.3基于Vague集的融合方法290

10.6.4仿真实例291

10.7信息融合的神经网络模型与算法291

10.7.1信息融合模型的神经网络表示292

10.7.2基于神经网络的信息融合技术293

10.7.3基于神经网络的融合识别的基本原理295

10.8信息融合的模糊神经Petri网模型297

10.8.1模糊Petri网297

10.8.2多传感器信息融合298

10.8.3模糊神经Petri网298

10.9案例——基于贝叶斯信息融合的航空发动机健康状态评估方法研究299

10.9.1引言299

10.9.2贝叶斯统计理论300

10.9.3发动机评估指标的确定和优化300

10.9.4基于贝叶斯融合方法的性能状态评估模型301

10.9.5计算实例与结论303

习题304

参考文献306