第一章 绪论 1
第一节 什么是计算智能 1
一、什么是智能 1
二、智能科学 2
三、计算智能与人工智能 5
四、计算智能与西药快速设计 9
五、经验科学与经验的科学 11
第二节 什么是机器学习 12
一、学习：智能之核心 13
二、什么是机器学习 15
三、机器如何学习 17
第三节 如何开发智能配方系统 19
一、智能配方系统的目标 19
二、系统开发的途径 20
三、系统开发对企业的要求 21
第二章 产品配方与感觉品质评估 23
第一节 产品质量的感觉评估 23
一、品酒师 23
二、感觉系统与感觉评估 25
三、文化背景的影响 28
四、物性感知科学 29
第二节 物性的感觉测试技术 32
一、心理物理学研究 32
二、评估小组与实验室 33
三、评估方式 34
四、感觉测试面临的问题 35
第三节 配方问题的复杂性 36
一、原料成分的复杂性 37
二、生态环境影响的复杂性 40
三、中西药配方的复杂性 42
四、什么是复杂性？ 44
第四节 传统计算方法面临的问题 45
一、传统数学方法的不足 45
二、计算智能技术应用动态 48
第三章 神经网络与感觉评估 50
第一节 人工感觉系统 50
一、传感器：模拟生物感觉器官 50
二、模拟感觉系统 52
第二节 人工神经网络 53
一、什么是神经网络 53
二、与其他方法的比较 56
第三节 多层感知器：通用函数逼近器 58
一、多层感知器 58
二、反向传播（BP）学习算法 60
第四节 BP算法的改进 63
一、学习参数自适应调节 63
二、激励函数参数自适应调节 65
三、学习曲线与交叉验证 66
四、正则化与惩罚项 67
五、LMBP算法 69
第五节 网络结构优化 71
一、网络剪裁 72
二、神经元模型的推广 74
第六节 模糊集与模拟感觉评估 75
一、模糊集 75
二、模糊数与神经网络 77
三、模拟评估师·图灵测试 78
第七节 径向基函数网络 80
一、径向基函数方法 80
二、RBF网络 81
第四章 知识发现与复杂相关性分析 84
第一节 统计学相关分析能做什么 85
一、散点图 85
二、回归与相关分析 87
三、线性回归分析 89
四、SPSS统计分析软件 90
第二节 神经网络知识发现概论 92
一、神经网络结构分析 93
二、神经网络功能模拟 94
三、利用阶梯样本提取知识 97
第三节 神经网络暗箱打开了吗？ 100
一、ANN与模糊规则基的等价性 101
二、IRIS分类问题 103
三、打开ANN暗箱 105
第四节 网络剪裁与激励函数片线性分析 106
一、分段线性逼近 106
二、规则生成算法 107
三、多种方法难分高下 109
第五节 网络权值分析与内部知识提取 110
一、MLP分类器 110
二、MLP函数逼近器的内部行为 111
三、S型函数的半线性分析 113
第六节 信息扩散与模糊信息优化 117
一、信息扩散原理 118
二、模糊变换散点图 120
三、产品属性与原料成分关系图 122
第七节 决策树归纳学习 125
一、用实例归纳决策树 126
二、模型树 128
三、模型树M5′算法 131
四、啤酒属性Y与成分的相关分析 133
五、烟叶成分与感觉评估和烟气指标相关分析 134
六、烟叶感觉评估指标与烟气指标预测 137
第五章 模式识别与原料分类 139
第一节 实例启动的学习 140
一、k-近邻分类法 140
二、距离加权最近邻算法 142
三、学习方式：被动与主动、局部与全体 143
第二节 模糊c-均值聚类 145
一、c-均值聚类 146
二、模糊c-均值聚类 147
第三节 自组织映射何以能拓扑保序 148
一、仿生模式识别与SOM 148
二、SOM算法要点 151
三、两类模拟弹性力 152
四、弹性网的变形与保序 154
五、改进SOM用于原配料分类 158
第四节 MLP：模糊线性分类器 161
一、模糊线性判别函数（F-LDF） 161
二、MLP：模糊线性分类器 165
三、隐层权向量的初始化 166
四、最优分类超平面 169
第六章 支持向量机方法 172
第一节 统计学习与支持向量机 172
一、如何提高学习机的推广能力 172
二、VC维与结构风险最小化 175
三、SVM的基本思想 176
第二节 线性SVM模式分类器 180
一、最优超平面与支持向量 180
二、线性不可分问题求解 183
三、SVM模式分类器 184
第三节 SVM回归分析 186
一、ε-不敏感误差函数 186
二、SVM非线性回归 187
三、SVM回归分析的特点 190
第四节 几种算法性能比较 192
一、SVM方法之优劣 192
二、最小二乘SVM 194
三、SVM模拟感觉评估 194
四、多种算法性能比较：手写体数字识别 196
第七章 进化计算配方寻优方法 199
第一节 什么是进化计算 199
一、生物进化的启示 199
二、进化算法概述 201
第二节 遗传算法的基本操作 206
一、编码（基因链码、染色体） 206
二、个体与群体 207
三、适应度函数 207
四、基本遗传算子 209
第三节 进化算法与配方寻优 213
一、新药的快速发现 213
二、卷烟配方问题 214
三、叶组配方设计 216
第四节 多种群遗传算法 218
一、多种群遗传算法要点 218
二、进化神经网络 219
三、实验验证 222
第五节 遗传算法普适性质疑 224
一、模式定理 224
二、基因组成长假设 226
第八章 计算智能的若干哲理 228
第一节 没有包治百病的药 228
一、没有免费的午餐定理 228
二、丑小鸭定理 230
三、利于治疗许多病的药 231
第二节 经验、直觉与算法 233
一、算法的局限性 233
二、先验知识的关键作用 235
第三节 有从特殊到特殊的直推吗 237
一、归纳＋演绎的推理 237
二、SVM是从样本到样本的直推吗？ 238
第九章 人机交互智能配方系统 241
第一节 集体学习 241
一、什么是集体学习 241
二、分而治之的策略 242
第二节 与领域专家经验相结合 245
一、建立专家知识库 245
二、人机交互的配方优化过程 246
第三节 多种算法集成 247
一、什么是多种算法集成 248
二、多算法集成的另一实例 250
第四节 配方系统与现代集成制造系统 251
一、智能配方系统结构 252
二、配方系统融入企业信息化大系统 258
三、从经验配方到科学配方 260
参考文献 263
致谢 272