智能信息處理方法導論

前言
第1章 緒論
1. 1 智能
1. 2 人工智能
1. 2. 1 人工智能的定義
1. 2. 2 人工智能的三個關鍵部分
1. 2. 3 人工智能的發(fā)展簡史
1. 3 計算智能
1. 3. 1 計算智能的產(chǎn)生與發(fā)展
1. 3. 2 計算智能的重要特征
1. 4 智能信息處理方法導論
1. 4. 1 人工神經(jīng)網(wǎng)絡
1. 4. 2 模糊理論及其應用
1. 4. 3 進化計算及其應用
1. 4. 4 協(xié)同計算及其應用
1. 4. 5 信息融合技術及其應用
1. 4. 6 盲分離技術及其應用
1. 4. 7 分形理論及其應用
1. 4. 8 粗糙集合理論及其應用
1. 4. 9 認知圖及其應用
參考文獻
第2章 模糊理論及其應用
2. 1 引言
2. 2 模糊理論基礎
2. 2. 1 模糊集的基本概念及表示形式
2. 2. 2 模糊集合的基本運算
2. 2. 3 模糊關系及其合成
2. 2. 4 隸屬函數(shù)的確定方法
2. 3 模糊系統(tǒng)
2. 3. 1 模糊邏輯系統(tǒng)簡介
2. 3. 2 模糊邏輯系統(tǒng)的組成
2. 3. 3 幾種常見的模糊邏輯系統(tǒng)
2. 3. 4 模糊系統(tǒng)的應用
2. 4 模糊神經(jīng)網(wǎng)絡
2. 4. 1 模糊系統(tǒng)和神經(jīng)網(wǎng)絡的結合——神經(jīng)模糊技術
2. 4. 2 模糊神經(jīng)網(wǎng)絡的發(fā)展歷程
2. 4. 3 模糊神經(jīng)元
2. 4. 4 模糊神經(jīng)網(wǎng)絡的定義與類型
2. 4. 5 模糊系統(tǒng)和神經(jīng)網(wǎng)絡的區(qū)別和聯(lián)系
2. 5 模糊理論的應用
2. 5. 1 模糊聚類分析
2. 5. 2 模糊模式識別
2. 5. 3 模糊理論在圖像處理中的應用
2. 5. 4 模糊控制
2. 6 模糊理論的研究現(xiàn)狀與發(fā)展趨勢
2. 6. 1 研究現(xiàn)狀
2. 6. 2 發(fā)展趨勢
參考文獻
第3章 進化計算及應用
3. 1 引言
3. 1. 1 進化計算的產(chǎn)生背景
3. 1. 2 進化計算的發(fā)展過程
3. 1. 3 進化計算的主要特點
3. 2 進化計算
3. 2. 1 進化計算的生物學基礎
3. 2. 2 進化計算的基本結構
3. 2. 3 進化計算的分類
3. 3 遺傳算法基本理論
3. 3. 1 遺傳算法的基本思想
3. 3. 2 遺傳算法的基本結構
3. 3. 3 基本遺傳算子
3. 3. 4 遺傳算法的數(shù)學基礎
3. 3. 5 遺傳規(guī)劃
3. 4 進化策略基本理論
3. 4. 1 進化策略的基本算法構成
3. 4. 2 進化策略的數(shù)學基礎
3. 4. 3 進化策略的主要特點
3. 5 進化規(guī)劃基本理論
3. 5. 1 進化規(guī)劃的基本算法構成
3. 5. 2 進化規(guī)劃的主要特點
3. 6 進化計算的研究現(xiàn)狀和發(fā)展趨勢
3. 6. 1 進化計算的研究現(xiàn)狀
3. 6. 2 進化計算的發(fā)展趨勢
3. 6. 3 網(wǎng)上進化計算的相關資源
參考文獻
第4章 協(xié)同計算及其應用
4. 1 引言
4. 2協(xié)同學簡介
4. 2. 1 協(xié)同學的基本思想
4. 2. 2 協(xié)同學的數(shù)學模型
4. 2. 3 協(xié)同學中的關鍵概念
4. 3 協(xié)同模式識別方法
4. 3. 1 模式識別的基本理論與方法
4. 3. 2 協(xié)同模式識別及其數(shù)學模型
4. 3. 3 協(xié)同識別的網(wǎng)絡實現(xiàn)——協(xié)同神經(jīng)網(wǎng)絡
4. 3. 4 協(xié)同識別中的關鍵概念
4. 3. 5 協(xié)同模式識別過程
4. 3. 6 協(xié)同識別中的關鍵技術
4. 3. 7 協(xié)同模式識別方法的優(yōu)點
4. 4 協(xié)同計算的應用
4. 4. 1 模式識別中的應用
4. 4. 2 圖像分析中的應用
4. 4. 3 協(xié)同信息理論
4. 4. 4 協(xié)同聯(lián)想記憶
4. 4. 5 協(xié)同計算機視覺
4. 4. 6 其他應用
4. 5 協(xié)同計算的研究現(xiàn)狀與發(fā)展趨勢
4. 5. 1 研究現(xiàn)狀
4. 5. 2 發(fā)展趨勢
參考文獻
第5章 信息融合技術及其應用
5. 1 引言
5. 2 信息融合的基本理論
5. 2. 1 信息融合的定義
5. 2. 2 信息融合的基本原理
5. 2. 3 信息融合的功能模型及相應方法
5. 2. 4 信息融合的體系結構
5. 2. 5 信息融合的層次結構
5. 3 信息融合算法
5. 3. 1 物理模型類識別算法
5. 3. 2 基于特征的推理技術
5. 3. 3 認知模型類識別算法
5. 4 D-S證據(jù)理論
5. 4. 1 基本概念
5. 4. 2 結合多源信息的Dempster準則
5. 4. 3 基本概率賦值的獲取
5. 4. 4 D-S證據(jù)理論的優(yōu)缺點
5. 4. 5 D-S證據(jù)理論的應用
5. 5 信息融合的應用
5. 5. 1 軍事應用
5. 5. 2 非軍事應用
5. 6 信息融合的研究現(xiàn)狀與發(fā)展趨勢
5. 6. 1 研究現(xiàn)狀
5. 6. 2 發(fā)展趨勢
參考文獻
第6章 盲信號分離及其應用
6. 1 引言
6. 2 盲信號分離的基本理論
6. 2. 1 盲信號分離的數(shù)學建模
6. 2. 2 盲信號分離的可解性與獨立性分析
6. 2. 3 盲信號分離的目標函數(shù)
6. 2. 4 盲信號分離的優(yōu)化算法
6. 3 盲信號分離的典型算法
6. 3. 1 H-J算法
6. 3. 2 最大熵算法
6. 3. 3 最小互信息算法
6. 3. 4 最大似然算法
6. 3. 5 定點算法
6. 3. 6 非線性PCA算法
6. 3. 7 算法的統(tǒng)一性與相關性
6. 3. 8 盲反卷積算法和非線性盲分離算法概述
6. 4 盲信號分離的應用
6. 4. 1 語音信號處理
6. 4. 2 生物醫(yī)學信號處理
6. 4. 3 金融數(shù)據(jù)分析
6. 4. 4 圖像處理
6. 4. 5 特征提取及其在人臉識別中的應用
6. 4. 6 陣列信號處理以及在移動通信中的應用
6. 5 盲信號分離的研究現(xiàn)狀與發(fā)展趨勢
6. 5. 1 盲信號分離的研究現(xiàn)狀
6. 5. 2 盲信號分離的發(fā)展趨勢
參考文獻
第7章 分形理論及其應用
7. 1 引言
7. 1. 1 分形理論的產(chǎn)生與發(fā)展
7. 1. 2 分形概念
7. 2 分形的基本理論
7. 2. 1 迭代函數(shù)系統(tǒng)
7. 2. 2 分數(shù)維
7. 2. 3 分形布朗運動
7. 2. 4 圖像分數(shù)維的提取
7. 3 分形理論的應用
7. 3. 1 圖像分析與處理
7. 3. 2 L系統(tǒng)與植物模擬
7. 3. 3 雷達信號處理
7. 3. 4 語音識別
7. 3. 5 信息隱藏
7. 4 分形理論的研究現(xiàn)狀與發(fā)展趨勢
參考文獻
第8章 粗糙集理論及其應用
8. 1 引言
8. 2 粗糙集基本理論
8. 2. 1 基本概念
8. 2. 2 近似集的性質(zhì)
8. 2. 3 粗糙集信息處理方法及過程
8. 3 粗糙集應用
8. 3. 1 醫(yī)療診斷系統(tǒng)
8. 3. 2 模式識別
8. 3. 3 機器人控制系統(tǒng)
8. 3. 4 其他應用
8. 3. 5 粗糙集實驗系統(tǒng)
8. 4 粗糙集理論的研究現(xiàn)狀與發(fā)展趨勢
8. 4. 1 粗糙集的研究現(xiàn)狀概述
8. 4. 2 粗糙集的發(fā)展前景
參考文獻
第9章 認知圖及其應用
9. 1 引言
9. 2 古典認知圖與模糊認知圖
9. 2. 1 古典認知圖
9. 2. 2 模糊認知圖
9. 3 概率模糊認知圖
9. 3. 1 概率模糊認知圖
9. 3. 2 PFCM的性質(zhì)
9. 3. 3 試驗結果
9. 4 基于知識庫的信任模糊認知圖
9. 4. 1 模糊認知圖與基于規(guī)則的模糊認知圖
9. 4. 2 基于知識庫的信任模糊認知圖
9. 4. 3 實驗結果與分析
9. 5 基于模糊認知圖的機器人高層規(guī)劃
9. 5. 1 基于認知圖的機器人高層規(guī)劃
9. 5. 2 機器人在含障礙物環(huán)境中的高層規(guī)劃
9. 5. 3 機器人在復雜環(huán)境中的高層規(guī)劃
9. 5. 4 機器人在復雜環(huán)境中的合作與協(xié)調(diào)
9. 5. 5 實驗結果
9. 6 認知圖的發(fā)展趨勢與研究現(xiàn)狀
9. 6. 1 認知圖的發(fā)展簡史
9. 6. 2 認知圖的研究現(xiàn)狀
9. 6. 3 認知圖各主要模型的比較
9. 6. 4 認知圖的發(fā)展趨勢
參考文獻
附錄 中英文關鍵詞對照