智能信息處理

第1章 模糊信息處理
1.1 電氣設(shè)備故障診斷模糊模型
1.1.1 故障診斷模糊化的必要
1.1.2 三比值法模糊化處理
1.1.3 舉例說明
1.1.4 模糊故障診斷要點
1.2 多目標模糊優(yōu)化方法
1.2.1 多目標優(yōu)化問題
1.2.2 多目標結(jié)構(gòu)模糊優(yōu)化問題的解法
1.2.3 隸屬函數(shù)選取時對優(yōu)化結(jié)果的影響
1.2.4 數(shù)值實例
1.3 數(shù)據(jù)處理的模糊熵方法
1.3.1 模糊事件的熵
1.3.2 用基于熵的模糊方法評定測量結(jié)果
1.3.3 實例分析
1.4 自適應(yīng)模糊聚類分析
1.4.1 基本的FCM聚類算法
1.4.2 自適應(yīng)模糊C均值聚類(AFCMC)算法
1.4.3 應(yīng)用實例
1.5 模糊關(guān)聯(lián)分析
1.5.1 模糊綜合評價分析
1.5.2 模糊關(guān)聯(lián)分析法原理與方法
1.5.3 實例研究
1.6 模糊信息優(yōu)化方法
1.6.1 模糊信息優(yōu)化處理概述
1.6.2 模糊信息優(yōu)化處理的基本理論
1.6.3 黃土濕陷性評價實例分析
1.7 模糊多屬性決策的模糊貼近度方法
1.7.1 模糊多屬性決策
1.7.2 模糊多屬性決策模型
1.7.3 模糊多屬性決策的模糊貼近度解法
1.7.4 算例分析
1.8 信息不完全確知的模糊決策集成模型
1.8.1 信息不完全確知的多目標決策
1.8.2 I2DM模糊決策集成模型
1.8.3 I2DM模糊決策集成模型分析
1.9 模糊Petri網(wǎng)
1.9.1 Petri網(wǎng)
1.9.2 基于模糊Petri網(wǎng)模型的知識描述
1.9.3 基于模糊Petri網(wǎng)的推理算法
1.9.4 推理實例
第2章 神經(jīng)網(wǎng)絡(luò)信息處理
2.1 神經(jīng)網(wǎng)絡(luò)一般模型
2.1.1 一般形式的神經(jīng)網(wǎng)絡(luò)模型
2.1.2 神經(jīng)網(wǎng)絡(luò)學習算法
2.1.3 神經(jīng)網(wǎng)絡(luò)計算的特點
2.2 BP神經(jīng)網(wǎng)絡(luò)模型
2.2.1 BP神經(jīng)網(wǎng)絡(luò)學習算法
2.2.2 BP神經(jīng)網(wǎng)絡(luò)建模
2.3 貝葉斯神經(jīng)網(wǎng)絡(luò)
2.3.1 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)和貝葉斯方法
2.3.2 神經(jīng)網(wǎng)絡(luò)的貝葉斯學習
2.3.3 貝葉斯神經(jīng)網(wǎng)絡(luò)算法
2.4 RBF神經(jīng)網(wǎng)絡(luò)
2.4.1 RBF特點
2.4.2 RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與訓(xùn)練
2.4.3 高速公路ANN限速控制器的設(shè)計
2.5 貝葉斯一高斯神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識
2.5.1 BPNN分析
2.5.2 BG推理模型和BGNN
2.5.3 BGNN的自組織過程
2.5.4 仿真研究
2.6 廣義神經(jīng)網(wǎng)絡(luò)
2.6.1 智能神經(jīng)元模型
2.6.2 廣義神經(jīng)網(wǎng)絡(luò)模型及學習算法
2.6.3 交通流預(yù)測模型
2.7 發(fā)動機神經(jīng)網(wǎng)絡(luò)BP算法建模
2.7.1 發(fā)動機性能曲線神經(jīng)網(wǎng)絡(luò)處理方法
2.7.2 發(fā)動機神經(jīng)網(wǎng)絡(luò)辨識結(jié)構(gòu)
2.8 組合灰色神經(jīng)網(wǎng)絡(luò)模型
2.8.1 灰色預(yù)測模型
2.8.2 灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型
2.8.3 電力遠期價格預(yù)測
第3章 云信息處理
3.1 隸屬云
3.1.1 模糊隸屬函數(shù)
3.1.2 對隸屬函數(shù)的質(zhì)疑
3.1.3 隸屬云定義
3.1.4 隸屬云的數(shù)字特征
3.1.5 隸屬云發(fā)生器
3.1.6 隸屬云發(fā)生器的實現(xiàn)技術(shù)
3.2 云滴與云滴生成算法
3.2.1 云滴
3.2.2 云滴生成算法
3.3 云計算
3.3.1 云模型與不確定推理
3.3.2 云計算原理
3.3.3 云化計算過程
3.3.4 云化計算的系統(tǒng)實現(xiàn)
3.4 定性規(guī)則的云表示
3.4.1 二維云模型
3.4.2 二維云及多維云生成算法的改進
3.4.3 定性規(guī)則的云模型表示
3.4.4 一條帶“或條件”的定性規(guī)則的表示
3.4.5 一條多重條件的定性規(guī)則的表示
3.4.6 定性規(guī)則的統(tǒng)一表示
3.5 云綜合評判模型
3.5.1 云綜合評判
3.5.2 云綜合評判
3.5.3 應(yīng)用實例
3.6 云決策樹
3.6.1 決策樹方法
3.6.2 基于云理論的神經(jīng)網(wǎng)絡(luò)映射學習
3.6.3 云決策樹的生成和應(yīng)用
3.7 定性預(yù)測系統(tǒng)的建模
3.7.1 二維云算法
3.7.2 算法描述及實現(xiàn)機制
3.7.3 算法步驟
3.8 三級倒立擺的云控制
3.8.1 三級倒立擺
3.8.2 云模型與云推理
3.8.3 倒立擺的智能控制試驗與分析
3.8.4 試驗結(jié)果分析
第4章 可拓信息處理
4.1 可拓學概述
4.1.1 可拓學的研究對象、理論框架和方法體系
4.1.2 可拓工程思想、工具和方法
4.2 可拓集合
4.2.1 可拓集合涵義
4.2.2 擴展的可拓集合概念
4.2.3 可拓集合的應(yīng)用
4.3 集裝箱生成量可拓聚類預(yù)測
4.3.1 集裝箱生成量可拓聚類預(yù)測的建模機制
4.3.2 可拓聚類預(yù)測的物元模型
4.3.3 集裝箱生成量可拓聚類預(yù)測的物元模型
4.4 可拓故障診斷模型
4.4.1 變壓器故障診斷
4.4.2 變壓器故障的可拓診斷
4.4.3 實例研究
4.5 可拓層次分析法
4.5.1 層次分析法分析
4.5.2 可拓區(qū)間數(shù)及其運算
4.5.3 可拓區(qū)間數(shù)判斷矩陣及其一致性
4.5.4 可拓層次分析
4.5.5 實例算法
4.6 可拓控制策略
4.6.1 可拓控制的提出
4.6.2 可拓控制器的結(jié)構(gòu)
4.6.3 可拓控制器的設(shè)計
4.6.4 仿真與展望
4.7 菱形思維可拓神經(jīng)網(wǎng)絡(luò)模型
4.7.1 菱形思維方法
4.7.2 菱形思維的可拓神經(jīng)網(wǎng)絡(luò)模型及表示
4.7.3 菱形思維可拓神經(jīng)網(wǎng)絡(luò)模型的學習算法
4.7.4 菱形思維可拓神經(jīng)網(wǎng)絡(luò)的評判機制
第5章 粗集信息處理
5.1 粗集理論基礎(chǔ)
5.1.1 粗集理論的提出
5.1.2 等價類
3.8.2 云模型與云推理
3.8.3 倒立擺的智能控制試驗與分析
3.8.4 試驗結(jié)果分析
第4章 可拓信息處理
4.1 可拓學概述
4.1.1 可拓學的研究對象、理論框架和方法體系
4.1.2 可拓工程思想、工具和方法
4.2 可拓集合
4.2.1 拓集合涵義
4.2.2 擴展的可拓集合概念
4.2.3 拓集合的應(yīng)用
4.3 集裝箱生成量可拓聚類預(yù)測
4.3.1 集裝箱生成量可拓聚類預(yù)測的建模機制
4.3.2 拓聚類預(yù)測的物元模型
4.3.3 集裝箱生成量可拓聚類預(yù)測的物元模型
4.4 可拓故障診斷模型
4.4.1 變壓器故障診斷
4.4.2 變壓器故障的可拓診斷
4.4.3 實例研究
4.5 拓層次分析法
4.5.1 層次分析法分析
4.5.2 可拓區(qū)間數(shù)及其運算
4.5.3 可拓區(qū)間數(shù)判斷矩陣及其一致性
4.5.4 可拓層次分析
4.5.5 實例算法
4.6 可拓控制策略
4.6.1 可拓控制的提出
4.6.2 可拓控制器的結(jié)構(gòu)
4.6.3 可拓控制器的設(shè)計
4.6.4 仿真與展望
4.7 菱形思維可拓神經(jīng)網(wǎng)絡(luò)模型
4.7.1 菱形思維方法
4.7.2 菱形思維的可拓神經(jīng)網(wǎng)絡(luò)模型及表示
4.7.3 菱形思維可拓神經(jīng)網(wǎng)絡(luò)模型的學習算法
4.7.4 菱形思維可拓神經(jīng)網(wǎng)絡(luò)的評判機制
第5章 粗集信息處理
5.1 粗集理論基礎(chǔ)
5.1.1 粗集理論的提出
5.1.2 等價類
5.1.3 知識的約簡
5.2 粗糙模糊集合
5.2.1 粗集與模糊集合分析
5.2.2 模糊粗集
5.2.3 知識近似模型的統(tǒng)一
5.3 粗集神經(jīng)網(wǎng)絡(luò)
5.3.1 Rough—ANN結(jié)合的特點
5.3.2 決策表簡化方法
5.3.3 粗集神經(jīng)網(wǎng)絡(luò)系統(tǒng)
5.4 貝葉斯分類器粗集算法
5.4.1 簡單貝葉斯分類
5.4.2 基于粗集的屬性約簡方法
5.4.3 基于粗集的貝葉斯分類器算法
5.4.4 試驗結(jié)果
5.5 系統(tǒng)評估粗集方法
5.5.1 系統(tǒng)評估粗集方法的特點
5.5.2 系統(tǒng)綜合評估粗集方法
5.5.3 建立評估體系的粗集方法
5.5.4 試驗驗證
5.6 文字識別的粗集算法
5.6.1 模式識別與粗集方法
5.6.2 文字粗集表達與知識簡化
5.6.3 基于粗集理論方法的文字識別
5.7 圖像中值濾波的粗集方法
5.7.1 基本依據(jù)
5.7.2 粗集中值濾波
5.7.3 試驗結(jié)論和討論
5.8 灰色粗集模型與故障診斷
5.8.1 灰色關(guān)聯(lián)分析方法
5.8.2 參數(shù)屬性分析
5.8.3 灰色粗集模型的建立
5.8.4 試驗結(jié)果及分析
第6章 遺傳算法
6.1 遺傳算法基礎(chǔ)
6.1.1 遺傳算法的歷史
6.1.2 遺傳算法的基本原理
6.1.3 遺傳算法數(shù)學基礎(chǔ)分析
6.2 遺傳算法分析
6.2.1 遺傳算法結(jié)構(gòu)分析
6.2.2 基因操作
6.2.3 遺傳算法參數(shù)選擇
6.3 TSP問題的遺傳算法解
6.3.1 問題的分析
6.3.2 遺傳算法算子
6.3.3 算法與試驗
6.4 神經(jīng)網(wǎng)絡(luò)的遺傳學習算法
6.4.1 遺傳算法概述
6.4.2 遺傳學習算法之一
6.4.3 遺傳學習算法之二
6.5 復(fù)數(shù)編碼遺傳算法
6.5.1 復(fù)數(shù)編碼遺傳算法的基本原理
6.5.2 基于神經(jīng)網(wǎng)絡(luò)的控制結(jié)構(gòu)
6.5.3 機器人競爭性協(xié)進化仿真
6.6 并行遺傳算法
6.6.1 遺傳算法并行化的必要性
6.6.2 并行選擇過程
6.6.3 并行遺傳算法的設(shè)計方案
6.7 回溯遺傳算法
6.7.1 回溯機制
6.7.2 回溯遺傳算法的特點
6.7.3 試驗
6.8 協(xié)同進化遺傳算法
6.8.1 生態(tài)種群捕獲競爭模型
6.8.2 捕獲競爭遺傳算法
6.8.3 試驗結(jié)果及比較
第7章 蟻群算法
7.1 蟻群算法原理
7.1.1 基本原理
7.1.2 蟻群系統(tǒng)模型及其實現(xiàn)
7.2 ant-cycle算法
7.3 自適應(yīng)蟻群算法
7.3.1 基本蟻群算法分析
7.3.2 自適應(yīng)蟻群算法(Adaptive ACS)
7.3.3 仿真結(jié)果
7.4 遺傳算法與蟻群算法的融合
7.4.1 遺傳算法與蟻群算法分析
7.4.2 蟻群算法的優(yōu)化機理及模型描述
7.4.3 遺傳算法與蟻群算法的融合((3AAA)
7.4.4 仿真試驗結(jié)果
7.5 組合優(yōu)化的蟻群算法
7.5.1 路徑優(yōu)化問題
7.5.2 最優(yōu)樹問題
7.5.3 軟件實現(xiàn)
7.6 連續(xù)優(yōu)化問題的蟻群算法
7.6.1 無約束非線性最優(yōu)化問題
7.6.2 連續(xù)優(yōu)化問題的蟻群算法
7.6.3 計算實例
7.7 系統(tǒng)辨識的蟻群算法
7.7.1 連續(xù)空間尋優(yōu)的蟻群算法回顧
7.7.2 系統(tǒng)蟻群辨識算法
7.7.3 實例研究及仿真結(jié)果
7.8 聚類問題的蟻群算法
7.8.1 數(shù)學模型
7.8.2 K—均值算法
7.8.3 模擬退火算法
7.8.4 蟻群算法
7.8.5 算法比較
7.9 函數(shù)優(yōu)化蟻群算法
7.9.1 函數(shù)優(yōu)化的蟻群模型
7.9.2 典型測試函數(shù)應(yīng)用實例
7.10 蟻群神經(jīng)網(wǎng)絡(luò)
7.10.1 基于蟻群算法的神經(jīng)網(wǎng)絡(luò)訓(xùn)練
7.10.2 蟻群神經(jīng)網(wǎng)絡(luò)算法步驟
7.10.3 計算機仿真試驗
7.11 智能蟻群算法
7.11.1 蟻群算法缺陷
7.11.2 智能蟻群模型
7.11.3 參數(shù)設(shè)定及結(jié)果
7.12 自適應(yīng)進化蟻群算法
7.12.1 進化的必要性
7.12.2 自適應(yīng)進化蟻群模型
7.12.3 仿真試驗結(jié)果
第8章 免疫算法
8.1 免疫算法基礎(chǔ)
8.1.1 遺傳算法的缺憾
8.1.2 免疫算法的生物學基礎(chǔ)
8.1.3 免疫算法及其收斂性
8.1.4 免疫算子的機理與構(gòu)造
8.1.5 免疫算子的執(zhí)行算法
8.1.6 免疫疫苗的選取示例
8.1.7 ISP問題的免疫算法求解
8.2 免疫算法的設(shè)計
8.2.1 免疫算法結(jié)構(gòu)
8.2.2 算法設(shè)計與實現(xiàn)
8.3 多目標：Flow-shop問題的免疫算法
8.3.1 生產(chǎn)調(diào)度問題
8.3.2 免疫調(diào)度算法
8.3.3 工程應(yīng)用
8.3.4 免疫算法參數(shù)對優(yōu)化效果的影響
8.4 路徑免疫規(guī)劃算法
8.4.1 系統(tǒng)描述
8.4.2 算法描述
8.4.3 仿真試驗
8.5 圖像自適應(yīng)免疫增強算法
8.5.1 圖像增強技術(shù)分析
8.5.2 圖像自適應(yīng)增強
8.5.3 圖像增強的自適應(yīng)免疫算法
8.6 電網(wǎng)免疫規(guī)劃算法
8.6.1 免疫算法的親和性
8.6.2 電網(wǎng)規(guī)劃免疫算法的基本步驟
8.6.3 電網(wǎng)規(guī)劃免疫模型
8.6.4 應(yīng)用實例
8.7 電力系統(tǒng)最優(yōu)潮流的免疫計算
8.7.1 電力系統(tǒng)最優(yōu)潮流的計算難題
8.7.2 電力系統(tǒng)最優(yōu)潮流的數(shù)學模型
8.7.3 最優(yōu)潮流的免疫算法實現(xiàn)
8.7.4 算例分析
第9章 信息融合
9.1 多傳感器信息融合概述
9.1.1 歷史背景
9.1.2 多傳感器信息融合系統(tǒng)的處理模型
9.1.3 多傳感器信息融合的層次問題
9.1.4 信息融合的實現(xiàn)方法
9.2 信息融合模型與算法
9.2.1 信息融合模型
9.2.2 信息融合算法
9.3 貝葉斯信息融合方法
9.3.1 貝葉斯融合算法模型
9.3.2 實例分析
9.4.信息的模糊決策融合算法
9.4.1 基于模糊決策樹算法的融合模型
9.4.2 應(yīng)用實例
9.5 信息融合的D-S算法
9.5.1 互補信息
9.5.2 D—S理論基礎(chǔ)
9.5.3 Dempster合成法則
9.5.4 D—S T據(jù)理論在多信息融合中的應(yīng)用
9.6 Vague集模糊信息融合
9.6.1 Vague集
9.6.2 基于Vague集的融合模型
9.6.3 算例分析
9.7 信息融合的神經(jīng)網(wǎng)絡(luò)模型與算法
9.7.1 ANN信息融合特點
9.7.2 信息融合的MART模型及算法
9.8 信息融合的模糊神經(jīng)Petri網(wǎng)模型
9.8.1 模糊Petri網(wǎng)
9.8.2 模糊神經(jīng)Petri網(wǎng)
9.8.3 進一步關(guān)注
第10章 量子智能信息處理
10.1 量子信息論
10.1.1 量子計算
10.1.2 量子信息論基礎(chǔ)
10.1.3 量子信息處理
10.1.4 量子加密
10.1.5 信息論與量子信息論對比
10.2 量子神經(jīng)計算
10.2.1 神經(jīng)計算回顧
10.2.2 量子計算與神經(jīng)計算的結(jié)合
10.2.3 量子神經(jīng)信息處理
10.2.4 量子神經(jīng)計算模型
10.3 典型量子神經(jīng)網(wǎng)絡(luò)模型
10.3.1.ANN概念的量子類比
10.3.2 QNN的物理實現(xiàn)
10.3.3 幾種QNN模型
10.4 量子神經(jīng)元
10.4.1 量子邏輯門
10.4.2 量子神經(jīng)元模型
10.4.3 量子神經(jīng)元學習算法
10.4.4 量子邏輯運算特性
10.5 量子遺傳算法
10.5.1 量子遺傳算法基礎(chǔ)
10.5.2 改進量子遺傳算法
10.5.3 新量子遺傳算法
10.5.4 分組量子遺傳算法
10.5.5 量子遺傳算法的其他形式
參考文獻