1.1 智能 1
第1章 绪论 1
1.2人工智能 2
1.2.1人工智能的定义 2
1.2.2人工智能的三个关键部分 2
1.2.3人工智能的发展简史 3
1.3计算智能 6
1.3.1计算智能的产生与发展 7
1.3.2计算智能的重要特征 8
1.4智能信息处理方法导论 11
1.4.1人工神经网络 11
1.4.2模糊理论及其应用 12
1.4.4协同计算及其应用 13
1.4.3进化计算及其应用 13
1.4.5信息融合技术及其应用 14
1.4.6盲分离技术及其应用 14
1.4.7分形理论及其应用 15
1.4.8粗糙集合理论及其应用 16
1.4.9认知图及其应用 16
参考文献 17
第2章 模糊理论及其应用 20
2.1 引言 20
2.2模糊理论基础 21
2.2.1模糊集的基本概念及表示形式 21
2.2.2模糊集合的基本运算 23
2.2.4隶属函数的确定方法 25
2.2.3模糊关系及其合成 25
2.3.1模糊逻辑系统简介 26
2.3模糊系统 26
2.3.2模糊逻辑系统的组成 28
2.3.3 几种常见的模糊逻辑系统 31
2.3.4模糊系统的应用 32
2.4模糊神经网络 33
2.4.1模糊系统和神经网络的结合——神经模糊技术 33
2.4.2模糊神经网络的发展历程 34
2.4.3模糊神经元 35
2.4.4模糊神经网络的定义与类型 37
2.4.5模糊系统和神经网络的区别和联系 38
2.5.1模糊聚类分析 39
2.5模糊理论的应用 39
2.5.2模糊模式识别 42
2.5.3模糊理论在图像处理中的应用 43
2.5.4模糊控制 46
2.6模糊理论的研究现状与发展趋势 50
2.6.1研究现状 50
2.6.2发展趋势 52
参考文献 53
第3章 进化计算及应用 65
3.1引言 65
3.1.1进化计算的产生背景 65
3.1.2进化计算的发展过程 65
3.1.3进化计算的主要特点 67
3.2进化计算 68
3.2.1进化计算的生物学基础 68
3.2.2进化计算的基本结构 69
3.2.3进化计算的分类 70
3.3遗传算法基本理论 70
3.3.1遗传算法的基本思想 70
3.3.2遗传算法的基本结构 71
3.3.3基本遗传算子 76
3.3.4遗传算法的数学基础 83
3.3.5遗传规划 85
3.4进化策略基本理论 87
3.4.1进化策略的基本算法构成 87
3.4.2进化策略的数学基础 89
3.4.3进化策略的主要特点 90
3.5进化规划基本理论 91
3.5.1进化规划的基本算法构成 91
3.5.2进化规划的主要特点 92
3.6进化计算的研究现状和发展趋势 93
3.6.1进化计算的研究现状 93
3.6.2进化计算的发展趋势 97
3.6.3网上进化计算的相关资源 99
参考文献 99
第4章 协同计算及其应用 108
4.1引言 108
4.2协同学简介 110
4.2.1协同学的基本思想 111
4.2.2协同学的数学模型 113
4.2.3协同学中的关键概念 114
4.3协同模式识别方法 116
4.3.1模式识别的基本理论与方法 117
4.3.2协同模式识别及其数学模型 118
4.3.3协同识别的网络实现——协同神经网络 120
4.3.4协同识别中的关键概念 122
4.3.5协同模式识别过程 124
4.3.6协同识别中的关键技术 126
4.3.7协同模式识别方法的优点 130
4.4协同计算的应用 130
4.4.1模式识别中的应用 131
4.4.2图像分析中的应用 132
4.4.3协同信息理论 133
4.4.4协同联想记忆 134
4.4.5协同计算机视觉 135
4.4.6其他应用 135
4.5协同计算的研究现状与发展趋势 135
4.5.1研究现状 135
4.5.2发展趋势 136
参考文献 138
第5章 信息融合技术及其应用 144
5.1 引言 144
5.2信息融合的基本理论 145
5.2.1信息融合的定义 145
5.2.2信息融合的基本原理 146
5.2.3信息融合的功能模型及相应方法 147
5.2.4信息融合的体系结构 150
5.2.5信息融合的层次结构 153
5.3信息融合算法 156
5.3.1物理模型类识别算法 157
5.3.2基于特征的推理技术 157
5.3.3认知模型类识别算法 159
5.4 D-S证据理论 160
5.4.1基本概念 160
5.4.2结合多源信息的Dempster准则 162
5.4.3基本概率赋值的获取 163
5.4.4 D-S证据理论的优缺点 165
5.5.1军事应用 166
5.5信息融合的应用 166
5.4.5 D-S证据理论的应用 166
5.5.2非军事应用 167
5.6信息融合的研究现状与发展趋势 172
5.6.1研究现状 172
5.6.2发展趋势 174
参考文献 175
第6章 盲信号分离及其应用 181
6.1 引言 181
6.2盲信号分离的基本理论 182
6.2.1盲信号分离的数学建模 182
6.2.2盲信号分离的可解性与独立性分析 183
6.2.3盲信号分离的目标函数 185
6.2.4盲信号分离的优化算法 191
6.3.1 H-J算法 192
6.3盲信号分离的典型算法 192
6.3.2最大熵算法 194
6.3.3最小互信息算法 196
6.3.4最大似然算法 197
6.3.5定点算法 198
6.3.6非线性PCA算法 199
6.3.7算法的统一性与相关性 199
6.3.8盲反卷积算法和非线性盲分离算法概述 200
6.4盲信号分离的应用 201
6.4.1语音信号处理 201
6.4.2生物医学信号处理 201
6.4.5特征提取及其在人脸识别中的应用 202
6.4.3金融数据分析 202
6.4.4图像处理 202
6.4.6阵列信号处理以及在移动通信中的应用 203
6.5盲信号分离的研究现状与发展趋势 203
6.5.1盲信号分离的研究现状 203
6.5.2盲信号分离的发展趋势 205
参考文献 206
第7章 分形理论及其应用 213
7.1引言 213
7.1.1分形理论的产生与发展 213
7.1.2分形概念 214
7.2分形的基本理论 218
7.2.1迭代函数系统 218
7.2.2分数维 223
7.2.3分形布朗运动 229
7.2.4图像分数维的提取 231
7.3分形理论的应用 235
7.3.1图像分析与处理 235
7.3.2 L系统与植物模拟 244
7.3.3雷达信号处理 246
7.3.4语音识别 247
7.3.5信息隐藏 247
7.4分形理论的研究现状与发展趋势 248
参考文献 249
第8章 粗糙集理论及其应用 254
8.1引言 254
8.2.1基本概念 255
8.2粗糙集基本理论 255
8.2.2近似集的性质 258
8.2.3粗糙集信息处理方法及过程 260
8.3粗糙集应用 270
8.3.1医疗诊断系统 270
8.3.2模式识别 271
8.3.3机器人控制系统 273
8.3.4其他应用 274
8.3.5粗糙集实验系统 275
8.4粗糙集理论的研究现状与发展趋势 276
8.4.1粗糙集的研究现状概述 276
8.4.2粗糙集的发展前景 280
参考文献 281
第9章 认知图及其应用 285
9.1引言 285
9.2古典认知图与模糊认知图 285
9.2.1古典认知图 285
9.2.2模糊认知图 286
9.3概率模糊认知图 288
9.3.1概率模糊认知图 288
9.3.2 PFCM的性质 290
9.3.3试验结果 291
9.4基于知识库的信任模糊认知图 293
9.4.1模糊认知图与基于规则的模糊认知图 294
9.4.2基于知识库的信任模糊认知图 295
9.4.3实验结果与分析 297
9.5基于模糊认知图的机器人高层规划 299
9.5.1基于认知图的机器人高层规划 300
9.5.2机器人在含障碍物环境中的高层规划 300
9.5.3机器人在复杂环境中的高层规划 302
9.5.4机器人在复杂环境中的合作与协调 303
9.5.5实验结果 304
9.6认知图的发展趋势与研究现状 305
9.6.1认知图的发展简史 305
9.6.2认知图的研究现状 306
9.6.3认知图各主要模型的比较 310
9.6.4认知图的发展趋势 310
参考文献 311
附录 中英文关键词对照 315