第1章 概述 1
1.1 智能信息感知的产生及其发展 1
1.1.1 智能感知系统的组成与特点 1
1.1.2 智能计算的产生与发展 3
1.2 人工智能信息感知技术关键 6
1.2.1 神经计算技术 6
1.2.2 深度学习 7
1.2.3 模糊计算技术 9
1.2.4 进化计算技术 10
参考文献 12
第2章 信息感知与数据融合 14
2.1 概述 14
2.2 协作感知与数据融合 15
2.2.1 网络化智能协作感知 15
2.2.2 多传感器数据融合 19
2.3 多传感数据融合基本原理 21
2.3.1 多传感器数据融合目标 21
2.3.2 多传感器数据融合的层次与结构 21
2.3.3 数据融合中的检测、分类与识别算法 25
2.3.4 典型的数据融合方法 26
2.3.5 多传感器数据融合方法的特点 31
2.4 自适应动态数据融合方法 31
2.4.1 测量模型与方法简述 31
2.4.2 测量数据范围的推导 32
2.4.3 最优范围的确定 33
参考文献 34
第3章 神经计算基础 38
3.1 人工神经网络基础 38
3.1.1 人工神经网络的提出 39
3.1.2 人工神经网络的特点 44
3.1.3 历史回顾 46
3.1.4 生物神经网络 49
3.1.5 人工神经元 50
3.1.6 人工神经网络的拓扑特性 53
3.1.7 存储与映射 58
3.1.8 人工神经网络的训练 59
3.2 感知器 61
3.2.1 感知器与人工神经网络的早期发展 61
3.2.2 感知器的学习算法 62
3.2.3 线性不可分问题 66
参考文献 68
第4章 神经计算基本方法 69
4.1 BP网络 69
4.1.1 BP网络简介 69
4.1.2 基本BP算法 70
4.1.3 BP算法的实现 76
4.1.4 BP算法的理论基础 77
4.1.5 几个问题的讨论 81
4.2 径向基函数神经网络 82
4.2.1 函数逼近与内插 82
4.2.2 正规化理论 84
4.2.3 RBF网络的学习 86
4.2.4 RBF网络的一些变形 91
4.3 Hopfield反馈神经网络 92
4.3.1 联想存储器 92
4.3.2 反馈网络 93
4.3.3 用反馈网络作联想存储器 98
4.3.4 相关学习算法 100
4.3.5 反馈网络用于优化计算 101
4.4 随机型神经网络 104
4.4.1 模拟退火算法 105
4.4.2 Boltzmann机 108
4.4.3 Gaussian机 120
4.5 自组织竞争网络 123
4.5.1 SOFM网络结构 124
4.5.2 SOFM网络的应用 126
4.5.3 ART神经网络 128
4.6 神经网络计算的组织 130
4.6.1 输入层和输出层设计 130
4.6.2 网络数据的准备 132
4.6.3 网络初始权值的选择 134
4.6.4 隐层数及隐层节点设计 134
4.6.5 网络的训练、检测及性能评价 137
参考文献 139
第5章 深度学习 142
5.1 深度学习概述 142
5.1.1 深度学习定义 142
5.1.2 深度学习特点 143
5.1.3 深度学习平台 143
5.2 自编码器 144
5.2.1 稀疏自编码器 144
5.2.2 多层自编码器表示 148
5.2.3 各类自编码器介绍 148
5.3 深度神经网络 150
5.3.1 多层神经网络近似定理 150
5.3.2 深度置信网络 151
5.3.3 深层玻尔兹曼机 153
5.3.4 深度神经网络结构分析 156
5.4 卷积神经网络 157
5.4.1 卷积与池化 157
5.4.2 卷积核 160
5.4.3 卷积神经网络结构 162
5.5 递归神经网络 163
5.5.1 展开计算图 163
5.5.2 回声状态网络 167
5.5.3 门控增强单元 168
5.5.4 长短时记忆单元 169
5.6 深度增强学习 170
5.6.1 增强学习 170
5.6.2 马尔可夫决策 171
5.6.3 决策迭代 172
5.6.4 Q-Learning算法 174
5.6.5 深度增强网络 177
5.7 深度学习应用 179
5.7.1 视觉感知 179
5.7.2 语音识别 181
5.7.3 自然语言处理 182
5.7.4 生物信息处理 183
参考文献 184
第6章 支持向量机 190
6.1 统计学习理论的基本内容 190
6.1.1 机器学习的基本问题 190
6.1.2 学习机的复杂性与推广能力 192
6.1.3 统计学习的基本理论 192
6.2 支持向量机 194
6.2.1 最大间隔分类支持向量机 194
6.2.2 软间隔分类支持向量机 196
6.2.3 基于核的支持向量机 196
6.3 多分类支持向量机 197
6.3.1 直接法 198
6.3.2 分解法 198
6.4 基于SVM的机械设备故障诊断 201
6.4.1 实验平台及故障信号获取 201
6.4.2 基于小波包变换的故障特征提取 202
6.4.3 基于多类分类SVM的故障诊断识别 204
参考文献 206
第7章 模糊逻辑与模糊推理基本方法 207
7.1 模糊逻辑的历史 207
7.2 模糊集 209
7.3 隶属函数 213
7.3.1 隶属函数的几种确定方法 213
7.3.2 几种常用的隶属函数 215
7.3.3 模糊逻辑工具箱内置的隶属函数 217
7.4 模糊运算与模糊推理 219
7.4.1 模糊运算 219
7.4.2 模糊规则与模糊推理 223
7.4.3 Marndani型推理与Sugeno型推理 226
7.5 模糊系统 227
7.5.1 模糊系统的结构 227
7.5.2 模糊控制器的设计 228
7.5.3 神经-模糊系统 231
7.5.4 自适应模糊模型 233
7.5.5 自适应模糊控制系统 238
第8章 模糊计算实现 243
8.1 模糊推理过程 243
8.1.1 模糊推理过程的步骤 243
8.1.2 自定义模糊推理 245
8.2 模糊逻辑工具箱的图形界面工具 246
8.2.1 FIS编辑器 247
8.2.2 隶属函数编辑器 248
8.2.3 模糊规则编辑器 249
8.2.4 模糊规则观察器 251
8.2.5 输出曲面观察器 252
8.2.6 自定义模糊推理系统 254
8.3 模糊逻辑工具箱的命令行工作方式 255
8.3.1 系统结构函数 255
8.3.2 系统显示函数 255
8.3.3 在命令行中建立系统 256
8.3.4 FIS求解 257
8.3.5 FIS结构 258
8.4 神经-模糊推理编辑器ANFIS 258
8.4.1 神经-模糊推理 259
8.4.2 ANFIS编辑器 260
8.4.3 应用ANFIS编辑器的步骤 261
参考文献 265
第9章 遗传算法 266
9.1 遗传优化算法基础 266
9.1.1 遗传算法的产生与发展 266
9.1.2 遗传算法概要 268
9.1.3 遗传算法的应用情况 273
9.1.4 基本遗传算法 274
9.1.5 模式定理 282
9.1.6 遗传算法的改进 285
9.1.7 遗传算法与函数最优化 291
9.1.8 遗传算法与系统辨识 295
9.1.9 遗传算法与神经控制 301
9.2 遗传优化算法的工程应用 305
9.2.1 遗传算法在无约束优化中的应用 305
9.2.2 遗传算法在非线性规划中的应用 308
参考文献 312
第10章 粒群智能 314
10.1 引言 314
10.1.1 微粒群算法综述 314
10.1.2 微粒群算法的研究方向 315
10.2 微粒群算法的基本原理 316
10.2.1 引言 316
10.2.2 基本微粒群算法 317
10.2.3 基本微粒群算法的社会行为分析 318
10.2.4 带惯性权重的微粒群算法 320
10.3 改进微粒群算法 320
10.3.1 基本微粒群算法进化方程的改进 320
10.3.2 收敛性改进 324
10.4 微粒群算法的实验设计与参数选择 326
10.4.1 设计微粒群算法的基本原则与步骤 326
10.4.2 几种典型的微粒群模型及参数选择 329
10.5 基于微粒群算法的人工神经网络优化 333
10.5.1 神经网络的微粒群算法优化策略 333
10.5.2 协同微粒群算法优化神经网络 335
10.6 蚁群智能 336
10.6.1 双桥实验与随机模型 336
10.6.2 人工蚂蚁模型 340
10.6.3 蚁群优化元启发式算法 347
参考文献 350