上篇 基础理论篇 1
第1章 软计算概述 1
1.1 软计算基本概念 1
1.2 软计算与人工智能的关系 2
1.2.1 从传统人工智能到计算智能 2
1.2.2 软计算对计算智能的意义 3
1.3 软计算方法的广义模糊认知哲学基础 4
1.4 小结 8
习题1 8
第2章 模糊计算 9
2.1 模糊集合 9
2.1.1 模糊集合概念 9
2.1.2 隶属函数 10
2.1.3 模糊集合运算 11
2.1.4 模糊集合与普通集合的关系 11
2.2 模糊关系 12
2.2.1 模糊关系基本概念 12
2.2.2 模糊关系合成 13
2.2.3 模糊变换 13
2.3 模糊推理 13
2.3.1 模糊语言与语言变量 13
2.3.2 模糊命题与模糊条件语句 14
2.3.3 模糊推理 16
2.4 模糊计算在工程技术中的应用实例 17
2.4.1 模糊控制系统的原理与设计过程 17
2.4.2 模糊控制在电饭锅中的应用 18
2.4.3 模糊优化研究进展 21
2.5 粗糙集方法简介 22
2.6 小结 25
习题2 25
第3章 神经计算 27
3.1 神经网络基本概念 27
3.2 神经网络类型 28
3.3 神经网络学习算法 31
3.4 几种典型的神经网络 32
3.4.1 生物神经元模型 32
3.4.2 人工神经元模型 33
3.4.3 BP网络 34
3.4.4 Hopfield网络 38
3.5 神经计算在工程技术中的应用实例 41
3.5.1 神经网络控制的结构 41
3.5.2 神经控制在复杂系统中的应用 42
3.6 小结 44
习题3 44
第4章 进化计算 46
4.1 遗传算法 46
4.1.1 遗传算法基础理论 46
4.1.2 遗传算法研究进展 49
4.2 进化策略简介 51
4.3 进化编程简介 52
4.4 进化计算在工程技术中的应用实例 54
4.4.1 组织协同进化分类算法 54
4.4.2 AGAFCM算法 55
4.4.3 遗传算法在模糊控制中的应用 57
4.5 小结 59
习题4 60
第5章 免疫计算 61
5.1 人工免疫系统的生物学原理 61
5.1.1 生物免疫学的发展 61
5.1.2 生物免疫系统概述 62
5.1.3 生物免疫原理 63
5.1.4 生物免疫系统对人工免疫系统研究的启示 66
5.2 人工免疫算法 67
5.2.1 从生物免疫系统到人工免疫系统 67
5.2.2 典型的人工免疫算法 67
5.3 小结 72
习题5 78
第6章 自然计算 79
6.1 自然计算产生背景 79
6.1.1 生物系统 79
6.1.2 生态系统 81
6.2 自然计算相关概念 82
6.2.1 基本概念 82
6.2.2 主要研究领域 82
6.3 自然计算基本特征 84
6.3.1 从人工智能到自然计算 84
6.3.2 自然计算的新特征 86
6.4 自然计算算法原理 89
6.4.1 自然计算映射模型 89
6.4.2 自然计算算法 90
6.5 协同进化计算的自然计算理念求证 91
6.5.1 协同进化的生物学基础 92
6.5.2 协同进化的动力学描述 95
6.6 自然计算研究整体框架 97
6.7 小结 97
习题6 98
第7章 其他软计算方法 99
7.1 群集智能 99
7.1.1 蚁群算法 99
7.1.2 粒子群算法 102
7.1.3 集群智能与其他计算智能的比较 103
7.2 量子计算 104
7.3 支持向量机 107
7.4 小结 108
习题7 108
下篇 综合应用篇 109
第8章 模糊计算在复杂工业系统中的应用 109
8.1 基于遗传算法的第二类模糊非线性规划问题求解 109
8.1.1 第二类模糊非线性规划问题描述 109
8.1.2 FRNLP模型的常规容差法最优模糊判决及求解 109
8.1.3 FRNLP模型的满意解和精确最优解 111
8.1.4 遗传算法在非线性规划上的运用 111
8.1.5 实验仿真 112
8.1.6 结论 112
8.2 基于遗传算法的动态模糊聚类 112
8.2.1 模糊聚类基本概念 112
8.2.2 将遗传算法用于迭代优化映射平面的坐标 114
8.2.3 实验仿真 115
8.2.4 结论 118
8.3 模糊计算在洗衣机控制系统中的应用 118
8.3.1 模糊神经控制的知识基础 119
8.3.2 基于模糊神经网络的洗衣机控制系统的设计 124
8.3.3 洗衣机模糊神经控制系统的实现 132
8.3.4 结论 136
8.4 小结 137
习题8 137
第9章 遗传算法在医学图像配准中的应用 138
9.1 医学图像配准研究背景 138
9.1.1 医学图像配准的意义 138
9.1.2 医学图像配准技术的发展历史 138
9.1.3 医学图像配准技术在临床上的应用 139
9.1.4 医学图像配准技术存在的问题 139
9.2 医学图像配准技术综述 139
9.2.1 图像配准的基本原理及概念 139
9.2.2 图像配准方法的分类 140
9.2.3 图像配准的主要过程 141
9.2.4 主要的医学图像配准方法 143
9.2.5 配准的评估 146
9.3 基于互信息的医学图像配准 146
9.3.1 基本概念 147
9.3.2 互信息配准的基本步骤 148
9.4 互信息局部极值的成因及抑制方法 155
9.4.1 互信息函数局部极值成因分析 155
9.4.2 基于压缩图像灰度级对局部极值的抑制 157
9.4.3 配准实验 163
9.4.4 算法可靠性分析 166
9.5 互信息最优化搜索算法 167
9.5.1 基本遗传算法 167
9.5.2 改进遗传算法 169
9.5.3 实数编码自适应遗传算法配准实验 171
9.5.4 混合优化算法 173
9.6 小结 174
习题9 175
第10章 人工免疫在故障诊断中的应用 176
10.1 课题研究背景 176
10.1.1 研究目的及意义 176
10.1.2 人工免疫系统概述 176
10.1.3 故障诊断方法综述 178
10.2 基于否定选择算法的故障诊断方法 180
10.2.1 基于aiNet故障样本约减研究 181
10.2.2 基于否定选择算法的变压器故障诊断方法 185
10.3 基于克隆变异机理的故障诊断方法研究 190
10.3.1 免疫克隆变异机理与克隆选择算法 191
10.3.2 故障诊断方法研究 191
10.4 小结 196
习题10 197
第11章 自然计算在系统辨识中的应用 198
11.1 课题研究背景 198
11.1.1 自然计算概念提出的背景 198
11.1.2 模糊优化研究进展及现状 199
11.1.3 遗传算法研究进展及现状 200
11.1.4 基于遗传算法的模糊优化在系统辨识中的应用 201
11.2 自然启发的系统辨识 202
11.2.1 系统辨识基本性质 202
11.2.2 经典系统辨识 203
11.2.3 现代系统辨识 204
11.2.4 基于自然计算的系统辨识 215
11.2.5 RFG框架与NFG框架特点分析 220
11.3 系统辨识中的模糊优化 222
11.3.1 模糊优化相关概念 222
11.3.2 传统模糊优化问题 226
11.3.3 系统辨识中的模糊优化问题 232
11.4 模糊优化问题的遗传算法求解 238
11.4.1 基于正交设计的初始化方法 238
11.4.2 遗传参数适应性调整 240
11.4.3 沿加权梯度方向的变异及其权值的自适应调整 242
11.4.4 遗传算法的改进策略 244
11.4.5 基于遗传算法的模糊优化求解的有效性 244
11.5 基于自然计算的系统辨识实现 249
11.5.1 系统辨识的性能评估 250
11.5.2 基于RFG框架的系统辨识实现 251
11.5.3 基于RFG框架的系统辨识应用 255
11.5.4 基于NFG框架的系统辨识实现 262
11.5.5 基于NFG框架的系统辨识应用 267
11.6 小结 273
习题11 275
参考文献 277