第一章 绪论 1
1.1计算智能信息处理的产生及其发展 1
1.1.1计算智能的产生 1
1.1.2计算智能信息处理技术的应用和现状 3
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 8
1.2.3进化计算技术 10
1.2.4混沌计算技术 12
1.2.5分形计算技术 16
1.3计算智能技术的综合集成 18
1.3.1模糊系统与神经网络结合 18
1.3.2神经网络和遗传算法的结合 19
1.3.3模糊技术、神经网络和遗传算法的综合集成 20
1.3.4神经、模糊和混沌的融合 20
1.3.5分形与混沌：孪生兄弟 21
1.3.6计算智能展望 21
参考文献 21
第一篇 模糊计算 24
第二章 模糊集合与模糊逻辑 24
2.1普通集合及其运算 24
2.1.1集合的概念 24
2.1.2集合的表示方法 24
2.1.3集合的基本运算 26
2.1.4集合运算规则 26
2.1.5特征函数 27
2.1.6集合的直积 28
2.1.7关系矩阵 29
2.2模糊集合及其运算规则 29
2.2.1模糊集合与隶属度 29
2.2.2模糊集合的表示 31
2.2.3隶属函数及其确定 32
2.2.4模糊集合的基本运算 37
2.2.5模糊集合运算的基本规则 38
2.3模糊关系 39
2.4模糊逻辑和模糊推理 43
2.4.1模糊逻辑 43
2.4.2模糊推理 44
2.4.3几种常见的模糊推理图形解释 47
参考文献 50
第三章 模糊信息处理 51
3.1模糊逻辑控制的信息处理 51
3.1.1模糊控制的基本结构和组成 51
3.1.2基本模糊控制器的设计方法 52
3.1.3基本模糊控制器设计实例 54
3.1.4多变量模糊控制器的信息处理 59
3.1.5自组织模糊控制系统 61
3.1.6模糊系统辨识 66
3.2模糊模式识别信息处理 68
3.2.1模糊聚类分析 68
3.2.2模糊等价关系与聚类分析 71
3.2.3基于模糊相似关系的模式分类 72
3.2.4基于最大隶属原则的识别 76
3.2.5基于择近原则的识别 79
3.3模糊集在图像信息处理中的应用 80
3.3.1图像的模糊特征平面 80
3.3.2图像的模糊增强 80
3.3.3图像的模糊性指数和模糊熵 83
3.3.4图像边缘检测中的模糊方法 84
3.3.5图像的模糊聚类分割 87
参考文献 88
第二篇 神经计算 90
第四章 神经网络信息处理 90
4.1神经网络的基本原理 90
4.1.1神经网络处理单元 90
4.1.2神经网络的拓扑结构 96
4.2前馈型神经网络 98
4.2.1多层感知器神经网络 99
4.2.2BP（Back-propagation）神经网络模型 100
4.2.3几种BP算法的改进方法 103
4.3反馈型神经网络 107
4.3.1离散型Hopfield网络 107
4.3.2连续型Hopfield网络 109
4.3.3Hopfield网络用于联想记忆 110
4.4径向基函数网络 116
4.5自组织神经网络 118
4.5.1自组织特征映射网络 118
4.5.2自适应共振理论模型 120
4.6双向联想记忆网络 123
4.6.1网络拓扑结构 123
4.6.2学习规则及联想回忆 123
4.6.3网络的稳定性及扩展形式 124
4.7脑模型控制器 125
4.8小波神经网络 128
4.8.1小波分析简介 128
4.8.2小波基神经网络 129
4.8.3用于信号分类的小波神经网络 130
4.9细胞神经网络 131
4.9.1CNN网络的模型 131
4.9.2CNN网络系统的分析 134
4.9.3CNN网络的应用 135
4.10B样条神经网络 142
参考文献 146
第五章 模糊神经网络信息处理 147
5.1模糊信息处理与神经网络的融合 147
5.2模糊逻辑神经网络信息处理器 150
5.2.1模糊逻辑神经元 150
5.2.2神经网络实现模糊化、反模糊化 155
5.3模糊推理网络模型 160
5.3.1直接推理网络模型 160
5.3.2模糊信息处理神经网络 161
5.3.3模糊推理网络系统 164
5.4基于模糊规则系统的神经网络模型 166
5.5基于模糊神经网络的模型参考自适应控制 169
5.6神经网络的模糊识别应用 173
参考文献 176
第三篇 进化计算 178
第六章 进化计算的基本方法 178
6.1进化计算的简要概念 178
6.1.1进化计算的诞生 178
6.1.2进化计算的主要特点和分类 178
6.1.3进化计算的理论研究与应用现状 181
6.2遗传算法的描述 181
6.3遗传算法的基本原理和方法 185
6.3.1遗传算法的基本原理 185
6.3.2模式理论 192
6.3.3遗传算法的算子 196
6.4遗传规划的基本原理和方法 200
6.4.1遗传规划的一般方法步骤 201
6.4.2遗传规划基本原理 201
6.4.3辅助算子 209
6.4.4控制参数 212
6.4.5模式理论 212
6.5进化策略的基本方法和模式 214
参考文献 216
第七章 进化计算的信息处理 217
7.1遗传算法在优化中的应用 217
7.1.1遗传算法在非线性优化中的应用 217
7.1.2背包问题（Knapsack problem） 218
7.1.3基于GA的多机阶段的Flow Shop问题 221
7.2进化算法与神经网络、模糊系统的结合 225
7.2.1遗传算法与神经网络的结合 225
7.2.2遗传算法与模糊系统的结合 233
7.3遗传算法在神经网络控制器中的应用 236
7.3.1改进型的遗传算法 236
7.3.2基于GA的神经网络自适应控制系统 237
7.4遗传算法在图像处理中的应用 239
7.4.1GA在图像恢复中的应用 239
7.4.2图像分割的遗传算法方法 241
7.5遗传算法在人工生命中的应用 243
7.5.1人工生命的研究内容和方法 243
7.5.2遗传算法与人工生命进化模型 244
7.5.3人工生命与遗传信息处理 245
参考文献 248
第四篇 混沌与分形计算 250
第八章 混沌信息处理 250
8.1混沌的基本概念 250
8.2混沌与智能信息处理 251
8.2.1复杂动力学与信息处理功能 252
8.2.2混沌松弛与多输入输出功能 252
8.2.3混沌吸引子 253
8.2.4混沌学习 253
8.2.5混沌与1/f起伏 253
8.2.6混沌在信息处理中的其他应用 254
8.2.7混沌工程学 254
8.3混沌动力学 256
8.3.1Logistic映射 256
8.3.2圆周映射 262
8.3.3分支 263
8.3.4Lyapunov指数 269
8.4混沌神经网络模型 277
8.4.1混沌神经网络 277
8.4.2自组织映射混沌神经网络模型 280
8.5混沌在优化中的应用 286
8.6混沌在智能控制中的应用 288
参考文献 291
第九章 分形信息处理 292
9.1分形的定义 292
9.2分形理论基础 296
9.2.1分形空间 296
9.2.2迭代函数系统 297
9.2.3拼贴原理 304
9.2.4分数布朗运动的建立 308
9.2.5分形插值 310
9.2.6分数维 312
9.3分形神经网络信息处理 317
9.4分形图像压缩的基本方法 322
9.5图像中分数维的提取及应用 326
9.6分形变换在图像压缩中的应用 329
参考文献 336
第十章 计算智能信息处理技术的应用实例 337
10.1神经计算在图像信息处理中的应用 337
10.1.1卫星遥感图像的神经网络自动分类 337
10.1.2自联想神经网络的遥感图像主分量提取 342
10.1.3神经网络图像压缩编码 347
10.2基于神经网络的机器人控制 350
10.3语音的神经网络识别技术 355
10.3.1基于玻耳兹曼机的音素识别 355
10.3.2基于矢量化器（LVQ）方法的音素识别 357
10.4小波神经网络信息融合故障诊断处理 359
10.5复杂工业过程的综合集成智能控制 363
10.5.1复杂大系统的工业自动化 363
10.5.2基于遗传算法与模糊神经网络集成的智能控制系统 366
10.5.3神经网络自适应模糊控制在复杂工业过程控制系统中的应用 370
10.6神经网络在线性规划中的应用 376
10.6.1不等式条件的LP（线性规则） 376
10.7混沌动力学系统的控制 379
10.8分形变换在图像噪声平滑中的应用 384
10.9短时分形维数的模糊控制滤波应用 387
参考文献 390