第1章 绪论 1
1.1 智能信息处理概述 1
1.1.1 智能信息处理的产生及发展 1
1.1.2 人工智能概述 2
1.1.3 AI的发展 2
1.1.4 AI主要的研究学派和研究方法 3
1.1.5 AI研究内容和研究领域 4
1.1.6 计算智能的产生 5
1.2 计算智能信息处理的主要技术 5
1.2.1 模糊计算技术 5
1.2.2 神经计算技术 7
1.2.3 进化计算技术 7
1.3 计算智能技术的综合集成 9
1.3.1 模糊系统与神经网络的结合 9
1.3.2 神经网络与遗传算法的结合 9
1.3.3 模糊技术、神经网络和遗传算法的综合集成 9
习题 9
第2章 神经计算 10
2.1 概述 10
2.1.1 神经网络的定义 10
2.1.2 神经网络的发展历史 11
2.1.3 神经网络的特点 11
2.1.4 神经网络的应用 12
2.2 神经网络基本原理 12
2.2.1 神经元的基本构成 12
2.2.2 神经元的基本数学模型 13
2.2.3 基本激活函数 14
2.2.4 神经网络的拓扑结构 15
2.3 前馈型神经网络 18
2.3.1 感知器 18
2.3.2 BP神经网络 20
2.3.3 BP算法的若干改进 24
2.3.4 前馈型神经网络的应用 26
2.4 反馈型神经网络 29
2.4.1 Hopfield神经网络 29
2.4.2 BAM网络 36
2.4.3 Hamming网络 38
2.5 RBF神经网络 39
2.5.1 RBF神经网络的结构 39
2.5.2 RBF神经网络的训练 40
2.5.3 RBF神经网络在交通流预测中的应用 41
2.6 自组织神经网络 41
2.6.1 竞争学习 42
2.6.2 自组织特征映射神经网络 43
2.6.3 基于自适应谐振构成的自组织神经网络 47
2.7 神经网络和模糊系统 51
2.7.1 简述 51
2.7.2 神经网络和模糊系统的结合方式 54
2.7.3 模糊神经网络 55
2.7.4 模糊神经网络的应用 56
习题 60
第3章 进化计算 61
3.1 进化计算的一般框架与共同特点 61
3.1.1 进化计算的一般框架 61
3.1.2 进化计算的共同特点 62
3.2 遗传算法基础 63
3.2.1 遗传算法的历史与发展 63
3.2.2 遗传算法的基本原理 64
3.2.3 遗传算法数学基础分析 66
3.3 遗传算法分析 69
3.3.1 遗传算法基本结构 69
3.3.2 基因操作 69
3.3.3 遗传算法参数选择 71
3.3.4 遗传算法的改进 71
3.3.5 遗传算法的基本实例 77
3.4 遗传算法在函数优化及TSP中的应用 80
3.4.1 一元函数优化实例 81
3.4.2 多元函数优化实例 91
3.4.3 TSP问题的描述及优化意义 94
3.4.4 TSP问题的遗传算法设计 95
3.5 进化规划 102
3.5.1 进化规划的起源与发展 102
3.5.2 进化规划的主要特点 102
3.5.3 进化规划中的算法分析 103
3.5.4 进化规划的应用 104
3.6 进化策略 105
3.6.1 进化策略的起源与发展 105
3.6.2 进化策略的主要特点 106
3.6.3 进化策略的不同形式及基本思想 106
3.6.4 进化策略的执行过程 107
习题 109
第4章 模糊计算 110
4.1 知识表示和推理 110
4.1.1 知识与推理中的关系 110
4.1.2 产生式系统 111
4.2 模糊理论及三大基本元素 115
4.3 模糊集合的基本运算 123
4.4 模糊集合运算的基本规则 124
4.5 模糊关系 125
4.5.1 模糊关系与模糊关系矩阵 125
4.5.2 模糊关系矩阵的运算 126
4.5.3 λ截矩阵－λ水平截集 126
4.5.4 模糊关系的运算和性质 127
4.5.5 模糊逻辑推理及应用 128
4.6 模糊信息处理 140
4.6.1 模糊模式识别 140
4.6.2 模糊聚类分析 141
4.6.3 基于模糊等价关系的模式分类 143
4.6.4 基于模糊相似关系的模式分类 145
4.6.5 基于最大隶属原则的模式分类 148
4.6.6 基于择近原则的模式分类 149
习题 150
第5章 数据融合 152
5.1 数据融合的基本概念 152
5.2 数据融合的传感器管理与数据库 155
5.2.1 传感器管理 155
5.2.2 态势数据库 155
5.3 数据融合方法 156
5.3.1 Bayes估计方法 156
5.3.2 Dempster－Shafer算法 159
5.4 数据融合系统结构形式及数据准备 162
5.4.1 数据融合系统结构形式 162
5.4.2 数据融合系统的功能模型 164
5.4.3 数据融合的层次 165
5.5 数据准备 167
5.5.1 融合中心数据处理的前提 167
5.5.2 数据的预处理 167
5.5.3 数据对准 169
5.6 数据关联技术 170
5.6.1 数据关联的目的 170
5.6.2 关联的基本思路 171
5.6.3 数据关联的主要形式 172
5.6.4 数据关联过程 173
5.7 状态估计——卡尔曼滤波 182
5.7.1 数字滤波器作估值器 183
5.7.2 线性均方估计 184
5.7.3 标量卡尔曼滤波器 186
5.7.4 向量卡尔曼滤波器 189
5.7.5 卡尔曼滤波器的应用 193
5.7.6 常系数α－β和α－β－γ滤波器 195
习题 199
第6章 常见的智能优化算法 200
6.1 智能优化算法的产生与发展 200
6.1.1 最优化问题及其分类 200
6.1.2 优化算法的分类 202
6.1.3 智能优化算法的产生与发展 203
6.2 禁忌搜索算法 204
6.2.1 基本禁忌搜索 205
6.2.2 禁忌搜索的关键要素 208
6.2.3 禁忌搜索的基本步骤与算法流程 212
6.2.4 禁忌搜索算法的改进 213
6.2.5 禁忌搜索算法在多用户检测中的应用 217
6.3 模拟退火算法 221
6.3.1 简述 222
6.3.2 模拟退火算法的收敛性 223
6.3.3 模拟退火算法的关键参数 227
6.3.4 模拟退火算法的改进与发展 229
6.3.5 模拟退火算法在成组技术中加工中心的组成问题中的应用 231
6.4 蚁群算法 233
6.4.1 蚁群算法的由来 233
6.4.2 基本蚁群算法 235
6.4.3 改进的蚁群算法 238
6.4.4 蚁群算法在机器人路径规划中的应用 243
6.5 粒子群优化算法 245
6.5.1 粒子群优化算法的基本原理 246
6.5.2 粒子群优化算法的构成要素 248
6.5.3 改进的粒子群优化算法 250
6.5.4 粒子群优化算法在PID参数整定中的应用 259
习题 262
参考文献 264