智能信息处理技术原理与应用【2025|PDF下载-Epub版本|mobi电子书|kindle百度云盘下载】

智能信息处理技术原理与应用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 绪论1

1.1 智能信息处理概述1

1.1.1 智能信息处理的产生及发展1

1.1.2 人工智能概述2

1.1.3 AI的发展2

1.1.4 AI主要的研究学派和研究方法3

1.1.5 AI研究内容和研究领域4

1.1.6 计算智能的产生5

1.2 计算智能信息处理的主要技术5

1.2.1 模糊计算技术5

1.2.2 神经计算技术7

1.2.3 进化计算技术7

1.3 计算智能技术的综合集成9

1.3.1 模糊系统与神经网络的结合9

1.3.2 神经网络与遗传算法的结合9

1.3.3 模糊技术、神经网络和遗传算法的综合集成9

习题9

第2章 神经计算10

2.1 概述10

2.1.1 神经网络的定义10

2.1.2 神经网络的发展历史11

2.1.3 神经网络的特点11

2.1.4 神经网络的应用12

2.2 神经网络基本原理12

2.2.1 神经元的基本构成12

2.2.2 神经元的基本数学模型13

2.2.3 基本激活函数14

2.2.4 神经网络的拓扑结构15

2.3 前馈型神经网络18

2.3.1 感知器18

2.3.2 BP神经网络20

2.3.3 BP算法的若干改进24

2.3.4 前馈型神经网络的应用26

2.4 反馈型神经网络29

2.4.1 Hopfield神经网络29

2.4.2 BAM网络36

2.4.3 Hamming网络38

2.5 RBF神经网络39

2.5.1 RBF神经网络的结构39

2.5.2 RBF神经网络的训练40

2.5.3 RBF神经网络在交通流预测中的应用41

2.6 自组织神经网络41

2.6.1 竞争学习42

2.6.2 自组织特征映射神经网络43

2.6.3 基于自适应谐振构成的自组织神经网络47

2.7 神经网络和模糊系统51

2.7.1 简述51

2.7.2 神经网络和模糊系统的结合方式54

2.7.3 模糊神经网络55

2.7.4 模糊神经网络的应用56

习题60

第3章 进化计算61

3.1 进化计算的一般框架与共同特点61

3.1.1 进化计算的一般框架61

3.1.2 进化计算的共同特点62

3.2 遗传算法基础63

3.2.1 遗传算法的历史与发展63

3.2.2 遗传算法的基本原理64

3.2.3 遗传算法数学基础分析66

3.3 遗传算法分析69

3.3.1 遗传算法基本结构69

3.3.2 基因操作69

3.3.3 遗传算法参数选择71

3.3.4 遗传算法的改进71

3.3.5 遗传算法的基本实例77

3.4 遗传算法在函数优化及TSP中的应用80

3.4.1 一元函数优化实例81

3.4.2 多元函数优化实例91

3.4.3 TSP问题的描述及优化意义94

3.4.4 TSP问题的遗传算法设计95

3.5 进化规划102

3.5.1 进化规划的起源与发展102

3.5.2 进化规划的主要特点102

3.5.3 进化规划中的算法分析103

3.5.4 进化规划的应用104

3.6 进化策略105

3.6.1 进化策略的起源与发展105

3.6.2 进化策略的主要特点106

3.6.3 进化策略的不同形式及基本思想106

3.6.4 进化策略的执行过程107

习题109

第4章 模糊计算110

4.1 知识表示和推理110

4.1.1 知识与推理中的关系110

4.1.2 产生式系统111

4.2 模糊理论及三大基本元素115

4.3 模糊集合的基本运算123

4.4 模糊集合运算的基本规则124

4.5 模糊关系125

4.5.1 模糊关系与模糊关系矩阵125

4.5.2 模糊关系矩阵的运算126

4.5.3 λ截矩阵－λ水平截集126

4.5.4 模糊关系的运算和性质127

4.5.5 模糊逻辑推理及应用128

4.6 模糊信息处理140

4.6.1 模糊模式识别140

4.6.2 模糊聚类分析141

4.6.3 基于模糊等价关系的模式分类143

4.6.4 基于模糊相似关系的模式分类145

4.6.5 基于最大隶属原则的模式分类148

4.6.6 基于择近原则的模式分类149

习题150

第5章 数据融合152

5.1 数据融合的基本概念152

5.2 数据融合的传感器管理与数据库155

5.2.1 传感器管理155

5.2.2 态势数据库155

5.3 数据融合方法156

5.3.1 Bayes估计方法156

5.3.2 Dempster－Shafer算法159

5.4 数据融合系统结构形式及数据准备162

5.4.1 数据融合系统结构形式162

5.4.2 数据融合系统的功能模型164

5.4.3 数据融合的层次165

5.5 数据准备167

5.5.1 融合中心数据处理的前提167

5.5.2 数据的预处理167

5.5.3 数据对准169

5.6 数据关联技术170

5.6.1 数据关联的目的170

5.6.2 关联的基本思路171

5.6.3 数据关联的主要形式172

5.6.4 数据关联过程173

5.7 状态估计——卡尔曼滤波182

5.7.1 数字滤波器作估值器183

5.7.2 线性均方估计184

5.7.3 标量卡尔曼滤波器186

5.7.4 向量卡尔曼滤波器189

5.7.5 卡尔曼滤波器的应用193

5.7.6 常系数α－β和α－β－γ滤波器195

习题199

第6章 常见的智能优化算法200

6.1 智能优化算法的产生与发展200

6.1.1 最优化问题及其分类200

6.1.2 优化算法的分类202

6.1.3 智能优化算法的产生与发展203

6.2 禁忌搜索算法204

6.2.1 基本禁忌搜索205

6.2.2 禁忌搜索的关键要素208

6.2.3 禁忌搜索的基本步骤与算法流程212

6.2.4 禁忌搜索算法的改进213

6.2.5 禁忌搜索算法在多用户检测中的应用217

6.3 模拟退火算法221

6.3.1 简述222

6.3.2 模拟退火算法的收敛性223

6.3.3 模拟退火算法的关键参数227

6.3.4 模拟退火算法的改进与发展229

6.3.5 模拟退火算法在成组技术中加工中心的组成问题中的应用231

6.4 蚁群算法233

6.4.1 蚁群算法的由来233

6.4.2 基本蚁群算法235

6.4.3 改进的蚁群算法238

6.4.4 蚁群算法在机器人路径规划中的应用243

6.5 粒子群优化算法245

6.5.1 粒子群优化算法的基本原理246

6.5.2 粒子群优化算法的构成要素248

6.5.3 改进的粒子群优化算法250

6.5.4 粒子群优化算法在PID参数整定中的应用259

习题262

参考文献264