智能信息处理PDF电子书下载

第1章　模糊信息处理 1

1.1　电气设备故障诊断模糊模型 1

1.1.1 故障诊断模糊化的必要 1

1.1.2　三比值法模糊化处理 1

1.1.3　举例说明 4

1.1.4　模糊故障诊断要点 4

1.2　多目标模糊优化方法 5

1.2.1 多目标优化问题 5

1.2.2　多目标结构模糊优化问题的解法 5

1.2.3　隶属函数选取时对优化结果的影响 6

1.2.4　数值实例 8

1.3　数据处理的模糊熵方法 10

1.3.1　模糊事件的熵 10

1.3.2　用基于熵的模糊方法评定测量结果 11

1.3.3　实例分析 11

1.4　自适应模糊聚类分析 12

1.4.1　基本的FCM聚类算法 12

1.4.2 自适应模糊C均值聚类（AFCMC）算法 13

1.4.3　应用实例 13

1.5.1　模糊综合评价分析 14

1.5.2　模糊关联分析法原理与方法 14

1.5　模糊关联分析 14

1.5.3　实例研究 16

1.6　模糊信息优化方法 17

1.6.1　模糊信息优化处理概述 17

1.6.2　模糊信息优化处理的基本理论 18

1.6.3　黄土湿陷性评价实例分析 19

1.7　模糊多属性决策的模糊贴近度方法 19

1.7.1　模糊多属性决策 19

1.7.2　模糊多属性决策模型 20

1.7.3　模糊多属性决策的模糊贴近度解法 20

1.7.4　算例分析 21

1.8　信息不完全确知的模糊决策集成模型 22

1.8.1 信息不完全确知的多目标决策 22

1.8.2　I2DM模糊决策集成模型 22

1.8.3　I2DM模糊决策集成模型分析 25

1.9　模糊Petri网 26

1.9.1　Petri网 26

1.9.2　基于模糊Petri网模型的知识描述 26

1.9.3　基于模糊Petri网的推理算法 28

1.9.4　推理实例 29

2.1.2　神经网络学习算法 31

2.1.1　一般形式的神经网络模型 31

2.1　神经网络一般模型 31

第2章　神经网络信息处理 31

2.1.3　神经网络计算的特点 32

2.2　BP神经网络模型 33

2.2.1　BP神经网络学习算法 33

2.2.2　BP神经网络建模 34

2.3　贝叶斯神经网络 35

2.3.1　传统神经网络和贝叶斯方法 35

2.3.2　神经网络的贝叶斯学习 35

2.4.2　RBF神经网络的结构与训练 37

2.4.1　RBF特点 37

2.4　RBF神经网络 37

2.3.3　贝叶斯神经网络算法 37

2.4.3　高速公路ANN限速控制器的设计 39

2.5　贝叶斯—高斯神经网络非线性系统辨识 39

2.5.1　BPNN分析 39

2.5.2　BG推理模型和BGNN 40

2.5.3　BGNN的自组织过程 42

2.5.4　仿真研究 42

2.6　广义神经网络 43

2.6.1 智能神经元模型 43

2.7.1　发动机性能曲线神经网络处理方法 45

2.7　发动机神经网络BP算法建模 45

2.6.2　广义神经网络模型及学习算法 45

2.6.3　交通流预测模型 45

2.7.2　发动机神经网络辨识结构 46

2.8　组合灰色神经网络模型 49

2.8.1　灰色预测模型 49

2.8.2　灰色神经网络预测模型 51

2.8.3 电力远期价格预测 52

3.1.1　模糊隶属函数 54

3.1.2　对隶属函数的质疑 54

3.1　隶属云 54

第3章　云信息处理 54

3.1.3　隶属云定义 55

3.1.4　隶属云的数字特征 55

3.1.5　隶属云发生器 56

3.1.6　隶属云发生器的实现技术 58

3.2　云滴与云滴生成算法 59

3.2.1 云滴 59

3.2.2　云滴生成算法 59

3.3　云计算 60

3.3.1　云模型与不确定推理 60

3.3.3　云化计算过程 62

3.3.2　云计算原理 62

3.3.4　云化计算的系统实现 65

3.4　定性规则的云表示 65

3.4.1　二维云模型 65

3.4.2　二维云及多维云生成算法的改进 66

3.4.3　定性规则的云模型表示 67

3.4.4 一条带“或条件”的定性规则的表示 69

3.4.5　一条多重条件的定性规则的表示 69

3.4.6　定性规则的统一表示 70

3.5.2　云综合评判 71

3.5.1　综合评判 71

3.5　云综合评判模型 71

3.5.3 应用实例 72

3.6　云决策树 73

3.6.1　决策树方法 73

3.6.2　基于云理论的神经网络映射学习 73

3.6.3　云决策树的生成和应用 76

3.7　定性预测系统的建模 77

3.7.1　二维云算法 77

3.7.2　算法描述及实现机制 77

3.7.3　算法步骤 78

3.8.1　三级倒立摆 79

3.8　三级倒立摆的云控制 79

3.8.3　倒立摆的智能控制试验与分析 80

3.8.2　云模型与云推理 80

3.8.4　试验结果分析 81

第4章　可拓信息处理 83

4.1　可拓学概述 83

4.1.1 可拓学的研究对象、理论框架和方法体系 83

4.1.2　可拓工程思想、工具和方法 86

4.2.1　可拓集合涵义 91

4.2.2　扩展的可拓集合概念 91

4.2　可拓集合 91

4.2.3　可拓集合的应用 94

4.3　集装箱生成量可拓聚类预测 95

4.3.1 集装箱生成量可拓聚类预测的建模机制 95

4.3.2　可拓聚类预测的物元模型 95

4.3.3　集装箱生成量可拓聚类预测的物元模型 96

4.4　可拓故障诊断模型 99

4.4.1 变压器故障诊断 99

4.4.2　变压器故障的可拓诊断 99

4.4.3 实例研究 102

4.5.1　层次分析法分析 103

4.5.2 可拓区间数及其运算 103

4.5　可拓层次分析法 103

4.5.3　可拓区间数判断矩阵及其一致性 104

4.5.4　可拓层次分析 105

4.5.5 实例算法 106

4.6　可拓控制策略 107

4.6.1　可拓控制的提出 107

4.6.2　可拓控制器的结构 107

4.6.3　可拓控制器的设计 108

4.7　菱形思维可拓神经网络模型 111

4.7.1　菱形思维方法 111

4.6.4　仿真与展望 111

4.7.2　菱形思维的可拓神经网络模型及表示 112

4.7.3 菱形思维可拓神经网络模型的学习算法 113

4.7.4　菱形思维可拓神经网络的评判机制 114

第5章　粗集信息处理 116

5.1　粗集理论基础 116

5.1.1　粗集理论的提出 116

5.1.2　等价类 116

5.1.3　知识的约简 118

5.2　粗糙模糊集合 118

5.2.1　粗集与模糊集合分析 118

5.2.2　模糊粗集 120

5.2.3　知识近似模型的统一 121

5.3　粗集神经网络 122

5.3.1　Rough-ANN结合的特点 122

5.3.2　决策表简化方法 122

5.3.3　粗集神经网络系统 123

5.4　贝叶斯分类器粗集算法 124

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 125

5.4.3　基于粗集的贝叶斯分类器算法 126

5.4.4　试验结果 128

5.5.2 系统综合评估粗集方法 129

5.5.1 系统评估粗集方法的特点 129

5.5　系统评估粗集方法 129

5.5.3　建立评估体系的粗集方法 130

5.5.4　试验验证 131

5.6　文字识别的粗集算法 132

5.6.1　模式识别与粗集方法 132

5.6.2　文字粗集表达与知识简化 133

5.6.3　基于粗集理论方法的文字识别 133

5.7　图像中值滤波的粗集方法 135

5.7.1 基本依据 135

5.7.2　粗集中值滤波 135

5.8　灰色粗集模型与故障诊断 136

5.8.1　灰色关联分析方法 136

5.7.3　试验结论和讨论 136

5.8.2　参数属性分析 137

5.8.3　灰色粗集模型的建立 138

5.8.4　试验结果及分析 139

第6章　遗传算法 141

6.1　遗传算法基础 141

6.1.1　遗传算法的历史 141

6.1.2　遗传算法的基本原理 141

6.1.3　遗传算法数学基础分析 143

6.2.1　遗传算法结构分析 145

6.2　遗传算法分析 145

6.2.2　基因操作 146

6.2.3　遗传算法参数选择 148

6.3　TSP问题的遗传算法解 148

6.3.1 问题的分析 148

6.3.2　遗传算法算子 148

6.3.3　算法与试验 150

6.4　神经网络的遗传学习算法 150

6.4.1　遗传算法概述 151

6.4.2　遗传学习算法之一 152

6.4.3　遗传学习算法之二 153

6.5.1 复数编码遗传算法的基本原理 154

6.5　复数编码遗传算法 154

6.5.2　基于神经网络的控制结构 155

6.5.3　机器人竞争性协进化仿真 156

6.6　并行遗传算法 158

6.6.1　遗传算法并行化的必要性 158

6.6.2　并行选择过程 158

6.6.3 并行遗传算法的设计方案 159

6.7　回溯遗传算法 161

6.7.1 回溯机制 161

6.7.3　试验 162

6.7.2 回溯遗传算法的特点 162

6.8　协同进化遗传算法 164

6.8.1 生态种群捕获竞争模型 164

6.8.2　捕获竞争遗传算法 165

6.8.3　试验结果及比较 165

第7章　蚁群算法 168

7.1　蚁群算法原理 168

7.1.1 基本原理 168

7.1.2　蚁群系统模型及其实现 169

7.2　ant-cycle算法 170

7.3.2 自适应蚁群算法（Adaptive ACS） 172

7.3.1　基本蚁群算法分析 172

7.3　自适应蚁群算法 172

7.3.3　仿真结果 173

7.4　遗传算法与蚁群算法的融合 174

7.4.1　遗传算法与蚁群算法分析 174

7.4.2　蚁群算法的优化机理及模型描述 175

7.4.3　遗传算法与蚁群算法的融合（GAAA） 176

7.4.4　仿真试验结果 177

7.5　组合优化的蚁群算法 180

7.5.1　路径优化问题 180

7.5.2　最优树问题 182

7.6.1　无约束非线性最优化问题 183

7.6.2　连续优化问题的蚁群算法 183

7.5.3　软件实现 183

7.6　连续优化问题的蚁群算法 183

7.6.3　计算实例 185

7.7　系统辨识的蚁群算法 185

7.7.1　连续空间寻优的蚁群算法回顾 185

7.7.2 系统蚁群辨识算法 186

7.7.3　实例研究及仿真结果 190

7.8　聚类问题的蚁群算法 191

7.8.1　数学模型 191

7.8.4　蚁群算法 192

7.8.2　K—均值算法 192

7.8.3　模拟退火算法 192

7.8.5　算法比较 193

7.9　函数优化蚁群算法 194

7.9.1 函数优化的蚁群模型 194

7.9.2　典型测试函数应用实例 195

7.10　蚁群神经网络 196

7.10.1　基于蚁群算法的神经网络训练 196

7.10.2　蚁群神经网络算法步骤 197

7.11　智能蚁群算法 198

7.11.1　蚁群算法缺陷 198

7.10.3　计算机仿真试验 198

7.11.2　智能蚁群模型 199

7.11.3　参数设定及结果 200

7.12　自适应进化蚁群算法 200

7.12.1　进化的必要性 200

7.12.2 自适应进化蚁群模型 200

7.12.3　仿真试验结果 201

第8章　免疫算法 203

8.1　免疫算法基础 203

8.1.1　遗传算法的缺憾 203

8.1.2　免疫算法的生物学基础 203

8.1.3　免疫算法及其收敛性 204

8.1.4　免疫算子的机理与构造 206

8.1.5　免疫算子的执行算法 207

8.1.6　免疫疫苗的选取示例 207

8.1.7　TSP问题的免疫算法求解 208

8.2　免疫算法的设计 210

8.2.1 免疫算法结构 210

8.2.2　算法设计与实现 211

8.3　多目标Flow-shop问题的免疫算法 213

8.3.1 生产调度问题 213

8.3.2　免疫调度算法 214

8.3.3　工程应用 215

8.3.4　免疫算法参数对优化效果的影响 216

8.4　路径免疫规划算法 217

8.4.1 系统描述 217

8.4.2　算法描述 218

8.4.3　仿真试验 220

8.5　图像自适应免疫增强算法 221

8.5.1 图像增强技术分析 221

8.5.2　图像自适应增强 221

8.5.3 图像增强的自适应免疫算法 222

8.6.1　免疫算法的亲和性 223

8.6　电网免疫规划算法 223

8.6.2　电网规划免疫算法的基本步骤 224

8.6.3 电网规划免疫模型 225

8.6.4　应用实例 225

8.7　电力系统最优潮流的免疫计算 226

8.7.1 电力系统最优潮流的计算难题 226

8.7.2 电力系统最优潮流的数学模型 226

8.7.3　最优潮流的免疫算法实现 227

8.7.4　算例分析 229

9.1　多传感器信息融合概述 230

9.1.1　历史背景 230

第9章　信息融合 230

9.1.2 多传感器信息融合系统的处理模型 232

9.1.3 多传感器信息融合的层次问题 233

9.1.4　信息融合的实现方法 234

9.2　信息融合模型与算法 234

9.2.1　信息融合模型 234

9.2.2　信息融合算法 237

9.3　贝叶斯信息融合方法 238

9.3.1 贝叶斯融合算法模型 238

9.3.2　实例分析 239

9.4　信息的模糊决策融合算法 240

9.4.1　基于模糊决策树算法的融合模型 241

9.4.2　应用实例 243

9.5　信息融合的D-S算法 244

9.5.1 互补信息 244

9.5.2　D-S理论基础 245

9.5.3　Dempster合成法则 245

9.5.4　D-S证据理论在多信息融合中的应用 246

9.6　Vague集模糊信息融合 247

9.6.1　Vague集 247

9.6.2　基于Vague集的融合模型 248

9.6.3　算例分析 249

9.7.1　ANN信息融合特点 250

9.7　信息融合的神经网络模型与算法 250

9.7.2　信息融合的MART模型及算法 251

9.8　信息融合的模糊神经Petri网模型 253

9.8.1　模糊Petri网 253

9.8.2　模糊神经Petri网 254

9.8.3　进一步关注 255

第10章　量子智能信息处理 257

10.1　量子信息论 257

10.1.1　量子计算 257

10.1.2　量子信息论基础 258

10.1.3　量子信息处理 260

10.1.5　信息论与量子信息论对比 264

10.1.4　量子加密 264

10.2　量子神经计算 265

10.2.1 神经计算回顾 265

10.2.2　量子计算与神经计算的结合 266

10.2.3　量子神经信息处理 266

10.2.4　量子神经计算模型 268

10.3　典型量子神经网络模型 269

10.3.1　ANN概念的量子类比 269

10.3.2　QNN的物理实现 270

10.3.3　几种QNN模型 271

10.4.1 量子逻辑门 274

10.4　量子神经元 274

10.4.2　量子神经元模型 275

10.4.3　量子神经元学习算法 275

10.4.4　量子逻辑运算特性 277

10.5　量子遗传算法 279

10.5.1　量子遗传算法基础 279

10.5.2　改进量子遗传算法 280

10.5.3　新量子遗传算法 281

10.5.4　分组量子遗传算法 282

10.5.5　量子遗传算法的其他形式 283

参考文献 284