第1章 模糊信息处理 1
1.1模糊信息概述 1
1.1.1模糊信息相关知识 1
1.1.2模糊研究内容与应用 5
1.1.3诊断模糊模型 8
1.2多目标模糊优化方法 13
1.2.1常规多目标优化设计的模糊解法 13
1.2.2模糊多目标优化设计 15
1.2.3普遍型多目标模糊优化设计方法 17
1.3数据处理的模糊熵方法 20
1.3.1模糊熵的公理体系与定义 20
1.3.2模糊熵的图像处理 21
1.4自适应模糊聚类分析 22
1.4.1相关的模糊聚类算法 23
1.4.2自适应模糊聚类算法 24
1.4.3算法收敛性分析 26
1.5模糊关联分析 26
1.5.1模糊关联分析法 26
1.5.2评价原理和方法 27
1.5.3实证研究 28
1.6模糊信息优化方法 31
1.6.1模糊信息优化处理的基本理论 31
1.6.2模糊信息优化实例分析 32
1.7模糊多属性决策的模糊贴近度方法 33
1.7.1模糊多属性决策 33
1.7.2模糊多属性决策模型 33
1.7.3模糊多属性决策的模糊贴近度解法 34
1.7.4算例分析 35
1.8信息不完全确知的模糊决策集成模型 36
1.8.1信息不完全确知的多目标决策 36
1.8.2决策信息不完全确知的模糊决策集成模型 36
1.8.3决策信息不完全确知的模糊决策集成模型分析 39
1.8.4实例分析 40
1.9模糊Petri网 41
1.9.1 Petri网概述 41
1.9.2模糊Petri网的基本理论 42
1.9.3基于模糊Petri网的推理算法及应用 43
习题 44
第2章 神经网络信息处理 45
2.1神经网络的一般模型 45
2.1.1一般形式的神经网络模型 45
2.1.2神经网络学习算法 45
2.1.3神经网络计算的特点 46
2.1.4神经网络的拓扑结构 47
2.2 BP神经网络模型 47
2.2.1 BP神经网络学习算法 47
2.2.2 BP神经网络建模 49
2.3贝叶斯神经网络 49
2.3.1传统神经网络和贝叶斯方法 49
2.3.2神经根网络的贝叶斯学习 50
2.3.3贝叶斯神经网络算法 51
2.4 RBF神经网络 52
2.4.1 RBF特点 52
2.4.2 RBF神经网络的结构与训练 52
2.4.3高速公路ANN限速控制器的设计 53
2.5贝叶斯——高速神经网络非线性系统辨识 54
2.5.1 BPNN分析 54
2.5.2 BG推理模型和BGNN 54
2.5.3 BGNN的自组织过程 56
2.5.4仿真研究 57
2.6广义神经网络 57
2.6.1智能神经元模型 57
2.6.2广义神经网络模型及学习算法 58
2.6.3交通流预测模型 59
2.7发动机神经网络BP算法建模 59
2.7.1发动机性能曲线神经网络处理方法 59
2.7.2发动机神经网络辨识结构 60
2.8组合灰色神经网络模型 62
2.8.1灰色预测模型 62
2.8.2灰色神经网络预测模型 64
2.8.3电力远期价格预测 65
2.9概率神经网络 66
2.9.1概率神经网络结构 66
2.9.2概率神经网络训练 67
习题 68
第3章 云信息处理 70
3.1隶属云 70
3.1.1模糊隶属函数 70
3.1.2对隶属函数的质疑 71
3.1.3隶属云定义 71
3.1.4隶属云的数字特征 71
3.1.5隶属云发生器 72
3.1.6隶属云发生器的实现技术 72
3.2云滴与云滴生成算法 72
3.2.1云滴 72
3.2.2云滴生成算法 73
3.3云计算 73
3.3.1云模型与不确定推理 73
3.3.2云计算原理 74
3.3.3云化计算过程 74
3.3.4云化计算的系统实现 75
3.4定性规则的云表示 75
3.4.1二维云模型 75
3.4.2二维云及多维云生成算法的改进 76
3.4.3定性规则的云模型表示 76
3.4.4一条带“或条件”的定性规则的表示 77
3.4.5一条多重条件的定性规则的表示 77
3.4.6定性规则的统一表示 77
3.5云综合评判模型 77
3.5.1云综合评判 77
3.5.2应用实例 79
3.6云决策树 79
3.6.1决策树方法 79
3.6.2基于云理论的神经网络映射学习 80
3.6.3云决策树的生成和应用 80
3.7定性预测系统的建模 81
3.7.1二维云算法 81
3.7.2算法描述及实现机制 81
3.7.3算法步骤 81
3.8应用实例 82
3.8.1三级倒立摆 82
3.8.2模型与云推理 83
3.8.3倒立摆的智能控制实验与分析 83
3.8.4实验分析结果 84
习题 85
第4章 可拓信息处理 86
4.1可拓学概述 86
4.1.1可拓学的研究对象、理论框架和方法体系 87
4.1.2可拓工程思想、工具和方法 88
4.2可拓集合 92
4.2.1可拓集合的含义 93
4.2.2扩展的可拓集合概念 94
4.2.3可拓集合的应用 96
4.3集装箱生成量可拓聚类预测 97
4.3.1集装箱生成量可拓聚类预测的建模机制 97
4.3.2可拓聚类预测的物元模型 98
4.3.3集装箱生成量可拓聚类预测的物元模型 99
4.4可拓故障诊断 101
4.4.1整体故障分析 102
4.4.2硬部故障分析 103
4.4.3软部故障分析 104
4.5可拓层次分析法 104
4.5.1层次分析法分析 104
4.5.2可拓区间数及其运算 105
4.5.3可拓区间数判断矩阵及其一致性 106
4.5.4可拓层次分析法 107
4.5.5实例算法 108
4.6可拓控制策略 109
4.6.1可拓控制的提出 109
4.6.2可拓控制的物元模型 110
4.6.3可拓控制算法 112
4.7菱形思维可拓神经网络模型 114
4.7.1菱形思维方法 114
4.7.2菱形思维的可拓神经网络模型及表示 114
4.7.3菱形思维可拓神经网络模型的学习算法 115
4.7.4菱形思维可拓神经网络的评判机制 117
4.8应用案例 117
习题 118
第5章 粗集信息处理 119
5.1粗集理论基础 119
5.1.1粗集理论的提出 119
5.1.2等价类 120
5.1.3知识的约简 120
5.2粗糙模糊集合 121
5.2.1粗集与模糊集合分析 121
5.2.2模糊粗集 121
5.3粗集神经网络 123
5.3.1 Rough-ANN结合的特点 123
5.3.2决策表简化方法 124
5.3.3粗集神经网络系统 124
5.4贝叶斯分类器粗集算法 125
5.4.1简单贝叶斯分类 125
5.4.2基于粗集的属性约简方法 126
5.4.3基于粗集的贝叶斯分类器算法 126
5.4.4试验结果 127
5.5系统评估粗集方法 128
5.5.1系统评估粗集方法的特点 128
5.5.2系统综合评估粗集方法 128
5.5.3建立评估体系的粗集方法 129
5.5.4试验验证 129
5.6文字识别的粗集算法 130
5.6.1模式识别与粗集方法 130
5.6.2文字粗集表达与知识简化 130
5.6.3基于粗集理论方法的文字识别 131
5.7图像中值滤波的粗集方法 132
5.7.1基本依据 132
5.7.2粗集中值滤波 132
5.7.3试验结论和讨论 133
5.8灰色粗集模型与故障诊断 135
5.8.1灰色关联分析方法 135
5.8.2参数属性分析 135
5.8.3灰色粗集模型的建立 136
5.8.4试验结果及分析 137
习题 138
第6章 遗传算法 139
6.1遗传算法基础 139
6.1.1遗传算法的历史 139
6.1.2遗传算法的基本原理 140
6.1.3遗传算法数学基础分析 142
6.2遗传算法分析 145
6.2.1遗传算法结构及主要参数 145
6.2.2基因操作 145
6.2.3遗传算法参数选择及其对算法收敛性的影响 148
6.2.4遗传算法的特点 149
6.3 TSP的遗传算法解 149
6.3.1问题的描述与分析 150
6.3.2针对TSP的遗传算法算子 151
6.3.3实例分析 152
6.4神经网络的遗传学习算法 156
6.4.1遗传学习算法 157
6.4.2利用遗传算法辅助设计人工神经网络的权值和域值 157
6.5协同进化遗传算法 160
6.5.1协同进化算法 160
6.5.2协同进化遗传算法介绍 161
6.5.3协同进化遗传算法的设计 161
6.6应用实例 162
习题 166
第7章 免疫算法 167
7.1免疫算法的生物学基础 167
7.1.1免疫系统的形态空间 167
7.1.2免疫应答 169
7.1.3多样性 169
7.1.4克隆选择和扩增 170
7.2免疫优化算法概述 171
7.2.1人工免疫系统的定义 171
7.2.2免疫算法的提出 172
7.2.3免疫算法中涉及的术语 173
7.2.4免疫算法的算法思想 173
7.2.5免疫算法的收敛性 174
7.2.6免疫算法与免疫系统的对应 175
7.2.7常见免疫算法 176
7.2.8免疫算子说明 178
7.3免疫算法与遗传算法的比较 180
7.3.1两者关系 180
7.3.2遗传算法的原理及缺陷 181
7.3.3免疫算法的原理及优势 181
7.4免疫优化算法在VRP中的应用 184
7.4.1装卸一体化的物流配送VRP描述 185
7.4.2抗体编码 187
7.4.3初始抗体的产生 187
7.4.4抗体亲和力计算 187
7.4.5产生记忆／抑制细胞 189
7.4.6选择、交叉、变异 189
7.5用免疫算法求解TSP 190
7.5.1 TSP描述 190
7.5.2免疫算子的构造方法 190
7.5.3免疫疫苗选取的具体步骤 190
7.5.4免疫算法的程序 191
习题 193
第8章 蚁群算法 194
8.1蚁群算法原理 194
8.1.1蚁群智能 194
8.1.2基本蚁群算法的机制原理 195
8.1.3蚁群算法的系统学特征 196
8.2 Ant-Cycle算法与自适应蚁群算法 198
8.2.1基本蚁群系统模型 198
8.2.2 Ant-Cycle算法 199
8.2.3自适应蚁群算法 200
8.3遗传算法与蚁群算法的融合 203
8.3.1 GAAA算法中遗传算法的结构原理 203
8.3.2 GAAA算法中蚁群算法的设计 204
8.4组合优化的蚁群算法与连续优化问题的蚁群算法 204
8.4.1在静态组合优化中的应用 205
8.4.2在动态组合优化中的应用 206
8.4.3连续优化问题的蚁群算法 206
8.5系统辨识的蚁群算法与聚类问题的蚁群算法 208
8.5.1系统辨识的蚁群算法 208
8.5.2聚类分析的蚁群算法 211
8.6函数优化蚁群算法与蚁群神经网络 215
8.6.1蚁群算法在函数优化问题中的应用 215
8.6.2蚁群神经网络 217
8.7免疫算法与蚁群算法的融合 219
8.8并行蚁群算法 222
8.8.1并行计算机及其分类 222
8.8.2并行算法的设计 222
8.8.3蚁群算法常用的并行策略 223
8.9蚁群算法的应用案例 224
习题 226
第9章 量子智能信息处理 227
9.1量子信息论 227
9.1.1量子计算 227
9.1.2量子信息论基础 229
9.1.3量子信息处理 231
9.1.4量子加密 232
9.1.5信息论与量子信息论对比 233
9.2量子神经计算 234
9.2.1神经计算回顾 234
9.2.2量子计算与神经计算的结合 235
9.2.3量子神经信息处理 235
9.2.4量子神经计算模型 238
9.3典型量子神经网络模型 241
9.3.1 ANN概念的量子类比 241
9.3.2 QNN的物理实现 241
9.3.3几种QNN模型 242
9.4量子神经元 244
9.4.1量子逻辑门 244
9.4.2量子神经元模型 245
9.4.3量子神经元学习算法 246
9.4.4量子逻辑运算特性 247
9.5量子遗传算法 248
9.5.1量子遗传算法基础 248
9.5.2改进量子遗传算法 249
9.5.3新量子遗传算法 250
9.5.4分组量子遗传算法 251
9.5.5量子遗传算法的其他形式 251
9.5.6量子智能优化的算法模型 253
习题 253
第10章 信息融合 254
10.1多源信息融合概述 254
10.1.1多源信息融合基本概念 254
10.1.2多源信息融合分类 256
10.1.3多源信息融合技术的发展 260
10.2信息融合模型与算法 262
10.2.1信息融合的模型 262
10.2.2多源信息融合算法概述 272
10.3贝叶斯信息融合方法 275
10.3.1贝叶斯统计理论概述 275
10.3.2基于贝叶斯统计理论的信息融合 277
10.4信息的模糊决策融合算法 278
10.4.1模糊逻辑概述 278
10.4.2多传感器模糊关系函数的融合 281
10.4.3基于可能性理论的信息融合应用 281
10.5 Dempster-Shafer证据理论 282
10.5.1 Dempster-Shafer证据理论概述 282
10.5.2基于Dempster-Shafer证据理论的信息融合 284
10.6 Vague集模糊信息融合 289
10.6.1 Vague集定义 289
10.6.2信息融合模型描述 289
10.6.3基于Vague集的融合方法 290
10.6.4仿真实例 291
10.7信息融合的神经网络模型与算法 291
10.7.1信息融合模型的神经网络表示 292
10.7.2基于神经网络的信息融合技术 293
10.7.3基于神经网络的融合识别的基本原理 295
10.8信息融合的模糊神经Petri网模型 297
10.8.1模糊Petri网 297
10.8.2多传感器信息融合 298
10.8.3模糊神经Petri网 298
10.9案例——基于贝叶斯信息融合的航空发动机健康状态评估方法研究 299
10.9.1引言 299
10.9.2贝叶斯统计理论 300
10.9.3发动机评估指标的确定和优化 300
10.9.4基于贝叶斯融合方法的性能状态评估模型 301
10.9.5计算实例与结论 303
习题 304
参考文献 306