测试智能信息处理PDF电子书下载

第1篇 绪论 3

1 测试智能信息处理概述 3

1.1 测试智能信息处理的产生及发展 3

1.1.1 测试系统的组成与特点 3

1.1.2 智能计算的产生与发展 5

1.2 智能信息处理的主要技术 8

1.2.1 神经计算技术 8

1.2.2 模糊计算技术 11

1.2.3 进化计算技术 12

1.3 智能技术的综合集成 16

1.3.1 模糊系统与神经网络结合 16

1.3.2 神经网络和遗传算法结合 17

1.3.3 模糊技术、神经网络和遗传算法综合集成 18

1.3.4 智能计算展望 18

参考文献 19

2 数据融合与信息处理 20

2.1 多传感器数据融合概述 20

2.2 多传感器数据融合的基本原理 23

2.2.1 多传感器数据融合的目的 23

2.2.2 多传感器数据融合的层次与结构 24

2.2.3 数据融合中的检测、分类与识别算法 28

2.2.4 典型的数据融合方法 29

2.2.5 多传感器数据融合方法的特点 34

2.3 分布式自适应动态数据融合方法 34

2.3.1 测量模型与方法简述 34

2.3.2 测量数据范围的推导 35

2.3.3 最优范围的确定 36

2.4 小结 37

参考文献 37

第2篇 神经计算 43

3 神经计算基础 43

3.1 人工神经网络基础 43

3.1.1 人工神经网络的提出 43

3.1.2 人工神经网络的特点 49

3.1.3 历史回顾 52

3.1.4 生物神经网络 55

3.1.5 人工神经元 56

3.1.6 人工神经网络的拓扑特性 59

3.1.7 存储与映射 65

3.1.8 人工神经网络的训练 67

3.2 感知器 69

3.2.1 感知器与人工神经网络的早期发展 69

3.2.2 感知器的学习算法 70

3.2.3 线性不可分问题 74

参考文献 77

4 神经计算基本方法 78

4.1 BP网络 78

4.1.1 BP网络简介 78

4.1.2 基本BP算法 79

4.1.3 BP算法的实现 86

4.1.4 BP算法的理论基础 87

4.1.5 几个问题的讨论 91

4.2 径向基函数神经网络 93

4.2.1 函数逼近与内插 93

4.2.2 正规化理论 95

4.2.3 RBF网络的学习 97

4.2.4 RBF网络的一些变形 102

4.3 Hopfield反馈神经网络 104

4.3.1 联想存储器 104

4.3.2 反馈网络 105

4.3.3 用反馈网络作联想存储器 111

4.3.4 相关学习算法 112

4.3.5 反馈网络用于优化计算 114

4.4 随机型神经网络 118

4.4.1 模拟退火算法 118

4.4.2 Boltzmann机 122

4.4.3 Gaussian机 136

4.5 自组织竞争网络 139

4.5.1 SOFM网络结构 140

4.5.2 SOFM网络的应用 143

4.5.3 ART神经网络 144

参考文献 147

5 神经计算实现技术 149

5.1 神经网络计算的组织 149

5.1.1 输入层和输出层设计 149

5.1.2 网络数据的准备 151

5.1.3 网络初始权值的选择 153

5.1.4 隐层数及隐层结点设计 154

5.1.5 网络的训练、检测及性能评价 156

5.2 主分量分析 159

5.2.1 主分量分析基本原理 159

5.2.2 基于Hebb的最大特征滤波器 165

5.2.3 基于Hebb的主分量分析 167

5.2.4 计算机实验：图形编码 171

5.2.5 小结 173

5.3 神经计算的硬件和软件实现 174

5.3.1 硬件实现概述 174

5.3.2 神经元器件 177

5.3.3 神经网络系统结构 180

5.3.4 神经网络的光学实现 183

5.4 神经计算在机械制造设备中的应用 186

5.4.1 神经网络与机械制造工艺规程 186

5.4.2 神经网络与加工参数优化 192

5.4.3 神经网络与故障诊断 195

5.4.4 神经网络与工况监测及预报 201

5.4.5 神经网络与加工系统辨识及控制 209

参考文献 215

6 支持向量机 217

6.1 统计学习理论的基本内容 217

6.1.1 机器学习的基本问题 217

6.1.2 学习机的复杂性与推广能力 219

6.1.3 统计学习的基本理论 219

6.2 支持向量机 221

6.2.1 最大间隔分类支持向量机 221

6.2.2 软间隔分类支持向量机 223

6.2.3 基于核的支持向量机 224

6.3 多分类支持向量机 225

6.3.1 直接法 226

6.3.2 分解法 226

6.4 基于SVM的机械设备故障诊断 229

6.4.1 实验平台及故障信号获取 229

6.4.2 基于小波包变换的故障特征提取 231

6.4.3 基于多类分类SVM的故障诊断识别 233

参考文献 235

第3篇 模糊计算 239

7 模糊逻辑与模糊推理 239

7.1 模糊逻辑与模糊推理概述 239

7.1.1 模糊逻辑的历史 239

7.1.2 模糊集 242

7.1.3 隶属函数 246

7.1.4 模糊运算与模糊推理 253

7.1.5 模糊系统 262

7.2 模糊推理的MATLAB实现 278

7.2.1 模糊推理过程 279

7.2.2 模糊逻辑工具箱的图形界面工具 281

7.2.3 模糊逻辑工具箱的命令行工作方式 292

7.2.4 神经-模糊推理编辑器ANFIS 296

参考文献 303

8 模糊计算的应用 304

8.1 模糊PID控制 304

8.1.1 几种自适应PID控制 305

8.1.2 两种类型的模糊PID控制器 308

8.2 模糊逻辑系统应用设计实例 315

8.2.1 二关节机械手的逆运动学建模 315

8.2.2 卡车倒摆系统模糊控制 322

8.2.3 模糊自适应消噪 332

8.2.4 卡车倒车的模糊控制系统 337

8.2.5 小结 342

参考文献 342

9 粗糙集 344

9.1 智能数据预处理及知识系统表达 344

9.1.1 数据表知识表达系统 344

9.1.2 不完整、不精确数据预处理 346

9.1.3 属性值的离散归一化处理 350

9.2 知识与分类、近似与粗集的基本概念 352

9.2.1 知识与分类 352

9.2.2 集合近似与粗集的概念 355

9.2.3 集合近似及分类近似的度量 360

9.3 知识系统的简化和逻辑表达 363

9.3.1 知识的简化 363

9.3.2 知识的相对简化 365

9.3.3 范畴的简化 367

9.3.4 范畴的相对简化 368

9.3.5 知识的依赖性 369

9.3.6 知识表达系统数据的协调性 371

9.3.7 知识表达系统属性的简化 372

9.3.8 知识表达系统决策规则的简化 373

9.3.9 推理学习 376

9.4 集成粗糙神经网络预示诊断应用 380

9.4.1 集成粗糙神经网络的融合算法 381

9.4.2 车轮踏面擦伤融合预示诊断实验 383

9.4.3 小结 385

参考文献 386

第4篇 进化计算与群智能 391

10 遗传算法 391

10.1 遗传优化算法基础 391

10.1.1 遗传算法的产生与发展 391

10.1.2 遗传算法概要 393

10.1.3 遗传算法的应用情况 398

10.1.4 基本遗传算法 400

10.1.5 模式定理 410

10.1.6 遗传算法的改进 413

10.1.7 遗传算法与函数最优化 420

10.1.8 遗传算法与系统辨识 424

10.1.9 遗传算法与神经控制 431

10.1.10 小结 435

10.2 遗传优化算法的工程应用 436

10.2.1 遗传算法在无约束优化中的应用 436

10.2.2 遗传算法在非线性规划中的应用 439

10.2.3 遗传算法在可靠性优化中的应用 443

10.2.4 遗传算法在车间布局优化中的应用 447

10.2.5 遗传算法在参数优化中的应用 453

参考文献 460

11 禁忌搜索算法 462

11.1 禁忌搜索算法的要素 462

11.1.1 禁忌搜索算法的基本思想 462

11.1.2 禁忌搜索算法的主要构成 463

11.1.3 禁忌搜索算法的求解过程 465

11.2 禁忌搜索算法示例 466

11.3 禁忌搜索算法的发展和应用 468

11.3.1 并行禁忌搜索算法 468

11.3.2 遗传算法与禁忌搜索算法的混合策略 469

11.3.3 Flow-shop问题的禁忌搜索算法 471

11.3.4 禁忌搜索算法流程 472

11.3.5 基于禁忌搜索的函数优化 474

11.4 小结 478

参考文献 478

12 粒群智能 480

12.1 引言 480

12.1.1 微粒群算法综述 480

12.1.2 微粒群算法的研究方向 481

12.2 微粒群算法的基本原理 482

12.2.1 引言 482

12.2.2 基本微粒群算法 483

12.2.3 基本微粒群算法的社会行为分析 484

12.2.4 带惯性权重的微粒群算法 486

12.3 改进微粒群算法 487

12.3.1 基本微粒群算法进化方程的改进 487

12.3.2 收敛性改进 491

12.4 微粒群算法的实验设计与参数选择 494

12.4.1 设计微粒群算法的基本原则与步骤 494

12.4.2 几种典型的微粒群模型及参数选择 496

12.5 基于微粒群算法的人工神经网络优化 501

12.5.1 神经网络的微粒群算法优化策略 501

12.5.2 协同微粒群算法优化神经网络 503

12.6 无线传感网络节点位置微粒群优化 504

12.6.1 问题模型与假设 505

12.6.2 基于微粒群算法的移动节点位置优化 507

12.6.3 并行微粒群优化策略的基本原理 508

12.6.4 仿真实验分析 509

参考文献 511

13 蚁群智能 514

13.1 引言 514

13.1.1 双桥实验 515

13.1.2 随机模型 517

13.2 人工蚂蚁模型 518

13.2.1 人工蚂蚁方法 518

13.2.2 人工蚂蚁和最小成本路径 520

13.3蚁群优化元启发式算法 527

13.3.1 问题描述 528

13.3.2 蚂蚁的行为 529

13.3.3 元启发式算法 530

13.4 蚁群优化算法应用 531

13.4.1 故障诊断 531

13.4.2 机器人领域 535

13.4.3 图像处理 539

参考文献 542