智能信息处理与应用PDF电子书下载

第1章 不确定性信息处理 1

1.1 知识的不确定性 1

1.1.1 随机性 1

1.1.2 模糊性 2

1.1.3 自然语言中的不确定性 2

1.1.4 常识的不确定性 2

1.1.5 知识的其他不确定性 3

1.2 不确定性的度量方法 3

1.2.1 概率度量和贝叶斯公式 3

1.2.2 模糊度量及性质 5

1.2.3 其他度量方法 6

1.3 不确定性推理方法 6

1.3.1 主观贝叶斯推理 6

1.3.2 模糊逻辑推理 10

1.3.3 证据理论 12

1.4 挖掘不确定知识的方法 14

1.5 小结 18

参考文献 18

第2章 模糊集与粗糙集理论 20

2.1 模糊集合及其运算 20

2.1.1 模糊集合的概念 21

2.1.2 模糊集合的运算 23

2.1.3 模糊集合的扩张原理 24

2.1.4 隶属函数的建立 25

2.2 粗糙集经典理论 26

2.3 知识约简 28

2.3.1 一般约简 29

2.3.2 相对约简 29

2.3.3 分辨矩阵 30

2.4 决策表的约简 31

2.4.1 决策规则和决策算法 32

2.4.2 决策规则中的不一致性和不可分辨性 32

2.4.3 属性的依赖性 33

2.4.4 一致决策表的约简 33

2.4.5 非一致决策表的约简 37

2.5 基于属性值的约简算法 42

2.5.1 什么是属性值的约简 42

2.5.2 属性值的约简在决策表当中的应用 43

2.5.3 属性值的直接约简及应用 46

2.6 粗糙集的扩展模型 49

2.6.1 可变精度粗糙集模型 49

2.6.2 概率粗糙集模型 51

2.7 小结 53

参考文献 54

第3章 人工神经网络 55

3.1 人工神经网络概述 55

3.1.1 神经元理论 56

3.1.2 神经网络的拓扑结构 57

3.1.3 人工神经网络的学习和训练 58

3.2 BP神经网络 59

3.2.1 BP人工神经网络结构 59

3.2.2 BP算法的基本思想 62

3.2.3 BP网络学习算法 62

3.3 RBF神经网络 65

3.3.1 RBF神经网络结构 65

3.3.2 RBF神经网络的映射关系 66

3.3.3 RBF网络学习算法 68

3.4 概率神经网络 71

3.4.1 概率神经网络结构 71

3.4.2 概率神经网络训练 72

3.5 小结 73

参考文献 74

第4章 支持向量机 76

4.1 机器学习问题 76

4.2 统计学习理论 79

4.2.1 VC维 79

4.2.2 推广性的界 82

4.2.3 结构风险最小化理论 82

4.3 支持向量机的工作原理 84

4.3.1 最优分类面 84

4.3.2 广义最优分类面 87

4.3.3 核函数 87

4.4 支持向量机的训练法 89

4.4.1 分块算法 90

4.4.2 多变量更新算法 93

4.4.3 序列算法 93

4.5 小结 94

参考文献 95

第5章 遗传算法 96

5.1 遗传算法概述 97

5.1.1 遗传算法的发展 97

5.1.2 遗传算法的特点和应用 99

5.2 遗传算法的基本流程及实现技术 102

5.2.1 遗传算法的基本流程 102

5.2.2 遗传算法的实现技术 104

5.3 遗传算法的基本原理 109

5.3.1 模式定理 109

5.3.2 积木块假设 111

5.3.3 收敛性理论 112

5.4 遗传算法的改进 115

5.4.1 混合遗传算法 115

5.4.2 自适应遗传算法 116

5.4.3 变长度染色体遗传算法 117

5.4.4 小生境遗传算法 118

5.4.5 并行遗传算法 119

5.5 小结 121

参考文献 122

第6章 群体智能 124

6.1 粒子群优化算法 124

6.1.1 粒子群优化算法的基本原理 125

6.1.2 改进的粒子群优化算法 127

6.1.3 粒子群优化算法的应用 133

6.2 蚁群算法 137

6.2.1 蚁群算法的原理 137

6.2.2 改进型蚁群算法 139

6.2.3 蚁群算法的应用 142

6.3 小结 144

参考文献 145

第7章 人工免疫 149

7.1 AIS的生物原型和免疫机理 149

7.1.1 AIS的生物原型 149

7.1.2 AIS的免疫机理 150

7.2 AIS的模型及算法 152

7.2.1 AIS的模型 152

7.2.2 AIS的算法 153

7.3 人工免疫系统的应用 156

7.4 小结 157

参考文献 158

第8章 量子算法 161

8.1 量子及基本特性 161

8.1.1 量子位 162

8.1.2 量子纠缠 163

8.1.3 量子克隆 163

8.2 量子智能算法 164

8.2.1 量子神经网络 164

8.2.2 量子进化算法 166

8.3 小结 172

参考文献 173

第9章 信息融合技术 174

9.1 信息融合技术的形成与发展 174

9.1.1 信息融合的定义及其必要性 174

9.1.2 信息融合的发展历史 177

9.1.3 信息融合的研究现状 177

9.1.4 信息融合的发展趋势 180

9.2 信息融合技术基础 181

9.2.1 信息融合的基本原理 181

9.2.2 信息融合的功能模型 183

9.2.3 信息融合的层次结构 187

9.3 信息融合常用算法 190

9.3.1 加权融合算法 190

9.3.2 贝叶斯估计 190

9.3.3 D-S证据理论 191

9.3.4 卡尔曼滤波 193

9.3.5 Markov链 194

9.3.6 可能性理论 194

9.3.7 模糊逻辑 194

9.3.8 神经网络 194

9.3.9 粗糙集方法 195

9.4 信息融合的典型应用 195

9.4.1 军事中的应用 196

9.4.2 人脸识别中的应用 197

9.4.3 语音处理与说话人识别中的应用 202

9.4.4 多生物特征认证中的应用 207

9.5 小结 211

参考文献 212

第10章 人脸识别技术 214

10.1 人脸识别概述 215

10.1.1 人脸识别研究现状 216

10.1.2 人脸识别的最新进展 217

10.2 人脸图像的预处理 220

10.2.1 尺寸归一化 221

10.2.2 光照归一化 221

10.3 人脸识别的研究内容及方法 222

10.3.1 人脸检测 222

10.3.2 特征提取 223

10.3.3 传统分类方法 228

10.4 核机器学习在人脸识别中的应用 230

10.4.1 基于核机器的非线性特征选择与提取 230

10.4.2 基于核机器的人脸分类 234

10.4.3 基于软计算的核函数选择与优化 237

10.5小 结 239

参考文献 240

第11章 说话人识别 243

11.1 概述 243

11.1.1 说话人识别的研究背景 243

11.1.2 说话人识别的研究现状 244

11.1.3 说话人识别的系统结构及分类 245

11.2 说话人识别中的特征参数 246

11.2.1 特征参数的评价方法 246

11.2.2 说话人识别系统中常用的特征参数 247

11.3 说话人识别的主要方法 249

11.3.1 矢量量化法（VQ） 249

11.3.2 隐马尔可夫模型（HMM） 250

11.3.3 高斯混合模型（GMM） 251

11.3.4 多类分类支持向量机 255

11.3.5 人工神经网络法（ANN） 258

11.3.6 混合方法 261

11.4 说话人识别的系统性能评价标准 261

11.4.1 说话人辨认 261

11.4.2 说话人确认 262

11.5 改进的说话人识别算法及系统 262

11.5.1 支持向量机在说话人识别中的应用改进实例 262

11.5.2 基于组合神经网络的说话人识别系统 267

11.5.3 基于TES-PCA分类器和KFD的多级说话人确认 269

11.6 小结 274

参考文献 275