智能信息处理PDF|Epub|txt|kindle电子书版本下载

智能信息处理PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章　模糊信息处理1

1.1　电气设备故障诊断模糊模型1

1.1.1 故障诊断模糊化的必要1

1.1.2　三比值法模糊化处理1

1.1.3　举例说明4

1.1.4　模糊故障诊断要点4

1.2　多目标模糊优化方法5

1.2.1 多目标优化问题5

1.2.2　多目标结构模糊优化问题的解法5

1.2.3　隶属函数选取时对优化结果的影响6

1.2.4　数值实例8

1.3　数据处理的模糊熵方法10

1.3.1　模糊事件的熵10

1.3.2　用基于熵的模糊方法评定测量结果11

1.3.3　实例分析11

1.4　自适应模糊聚类分析12

1.4.1　基本的FCM聚类算法12

1.4.2 自适应模糊C均值聚类（AFCMC）算法13

1.4.3　应用实例13

1.5.1　模糊综合评价分析14

1.5.2　模糊关联分析法原理与方法14

1.5　模糊关联分析14

1.5.3　实例研究16

1.6　模糊信息优化方法17

1.6.1　模糊信息优化处理概述17

1.6.2　模糊信息优化处理的基本理论18

1.6.3　黄土湿陷性评价实例分析19

1.7　模糊多属性决策的模糊贴近度方法19

1.7.1　模糊多属性决策19

1.7.2　模糊多属性决策模型20

1.7.3　模糊多属性决策的模糊贴近度解法20

1.7.4　算例分析21

1.8　信息不完全确知的模糊决策集成模型22

1.8.1 信息不完全确知的多目标决策22

1.8.2　I2DM模糊决策集成模型22

1.8.3　I2DM模糊决策集成模型分析25

1.9　模糊Petri网26

1.9.1　Petri网26

1.9.2　基于模糊Petri网模型的知识描述26

1.9.3　基于模糊Petri网的推理算法28

1.9.4　推理实例29

2.1.2　神经网络学习算法31

2.1.1　一般形式的神经网络模型31

2.1　神经网络一般模型31

第2章　神经网络信息处理31

2.1.3　神经网络计算的特点32

2.2　BP神经网络模型33

2.2.1　BP神经网络学习算法33

2.2.2　BP神经网络建模34

2.3　贝叶斯神经网络35

2.3.1　传统神经网络和贝叶斯方法35

2.3.2　神经网络的贝叶斯学习35

2.4.2　RBF神经网络的结构与训练37

2.4.1　RBF特点37

2.4　RBF神经网络37

2.3.3　贝叶斯神经网络算法37

2.4.3　高速公路ANN限速控制器的设计39

2.5　贝叶斯—高斯神经网络非线性系统辨识39

2.5.1　BPNN分析39

2.5.2　BG推理模型和BGNN40

2.5.3　BGNN的自组织过程42

2.5.4　仿真研究42

2.6　广义神经网络43

2.6.1 智能神经元模型43

2.7.1　发动机性能曲线神经网络处理方法45

2.7　发动机神经网络BP算法建模45

2.6.2　广义神经网络模型及学习算法45

2.6.3　交通流预测模型45

2.7.2　发动机神经网络辨识结构46

2.8　组合灰色神经网络模型49

2.8.1　灰色预测模型49

2.8.2　灰色神经网络预测模型51

2.8.3 电力远期价格预测52

3.1.1　模糊隶属函数54

3.1.2　对隶属函数的质疑54

3.1　隶属云54

第3章　云信息处理54

3.1.3　隶属云定义55

3.1.4　隶属云的数字特征55

3.1.5　隶属云发生器56

3.1.6　隶属云发生器的实现技术58

3.2　云滴与云滴生成算法59

3.2.1 云滴59

3.2.2　云滴生成算法59

3.3　云计算60

3.3.1　云模型与不确定推理60

3.3.3　云化计算过程62

3.3.2　云计算原理62

3.3.4　云化计算的系统实现65

3.4　定性规则的云表示65

3.4.1　二维云模型65

3.4.2　二维云及多维云生成算法的改进66

3.4.3　定性规则的云模型表示67

3.4.4 一条带“或条件”的定性规则的表示69

3.4.5　一条多重条件的定性规则的表示69

3.4.6　定性规则的统一表示70

3.5.2　云综合评判71

3.5.1　综合评判71

3.5　云综合评判模型71

3.5.3 应用实例72

3.6　云决策树73

3.6.1　决策树方法73

3.6.2　基于云理论的神经网络映射学习73

3.6.3　云决策树的生成和应用76

3.7　定性预测系统的建模77

3.7.1　二维云算法77

3.7.2　算法描述及实现机制77

3.7.3　算法步骤78

3.8.1　三级倒立摆79

3.8　三级倒立摆的云控制79

3.8.3　倒立摆的智能控制试验与分析80

3.8.2　云模型与云推理80

3.8.4　试验结果分析81

第4章　可拓信息处理83

4.1　可拓学概述83

4.1.1 可拓学的研究对象、理论框架和方法体系83

4.1.2　可拓工程思想、工具和方法86

4.2.1　可拓集合涵义91

4.2.2　扩展的可拓集合概念91

4.2　可拓集合91

4.2.3　可拓集合的应用94

4.3　集装箱生成量可拓聚类预测95

4.3.1 集装箱生成量可拓聚类预测的建模机制95

4.3.2　可拓聚类预测的物元模型95

4.3.3　集装箱生成量可拓聚类预测的物元模型96

4.4　可拓故障诊断模型99

4.4.1 变压器故障诊断99

4.4.2　变压器故障的可拓诊断99

4.4.3 实例研究102

4.5.1　层次分析法分析103

4.5.2 可拓区间数及其运算103

4.5　可拓层次分析法103

4.5.3　可拓区间数判断矩阵及其一致性104

4.5.4　可拓层次分析105

4.5.5 实例算法106

4.6　可拓控制策略107

4.6.1　可拓控制的提出107

4.6.2　可拓控制器的结构107

4.6.3　可拓控制器的设计108

4.7　菱形思维可拓神经网络模型111

4.7.1　菱形思维方法111

4.6.4　仿真与展望111

4.7.2　菱形思维的可拓神经网络模型及表示112

4.7.3 菱形思维可拓神经网络模型的学习算法113

4.7.4　菱形思维可拓神经网络的评判机制114

第5章　粗集信息处理116

5.1　粗集理论基础116

5.1.1　粗集理论的提出116

5.1.2　等价类116

5.1.3　知识的约简118

5.2　粗糙模糊集合118

5.2.1　粗集与模糊集合分析118

5.2.2　模糊粗集120

5.2.3　知识近似模型的统一121

5.3　粗集神经网络122

5.3.1　Rough-ANN结合的特点122

5.3.2　决策表简化方法122

5.3.3　粗集神经网络系统123

5.4　贝叶斯分类器粗集算法124

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125

5.4.3　基于粗集的贝叶斯分类器算法126

5.4.4　试验结果128

5.5.2 系统综合评估粗集方法129

5.5.1 系统评估粗集方法的特点129

5.5　系统评估粗集方法129

5.5.3　建立评估体系的粗集方法130

5.5.4　试验验证131

5.6　文字识别的粗集算法132

5.6.1　模式识别与粗集方法132

5.6.2　文字粗集表达与知识简化133

5.6.3　基于粗集理论方法的文字识别133

5.7　图像中值滤波的粗集方法135

5.7.1 基本依据135

5.7.2　粗集中值滤波135

5.8　灰色粗集模型与故障诊断136

5.8.1　灰色关联分析方法136

5.7.3　试验结论和讨论136

5.8.2　参数属性分析137

5.8.3　灰色粗集模型的建立138

5.8.4　试验结果及分析139

第6章　遗传算法141

6.1　遗传算法基础141

6.1.1　遗传算法的历史141

6.1.2　遗传算法的基本原理141

6.1.3　遗传算法数学基础分析143

6.2.1　遗传算法结构分析145

6.2　遗传算法分析145

6.2.2　基因操作146

6.2.3　遗传算法参数选择148

6.3　TSP问题的遗传算法解148

6.3.1 问题的分析148

6.3.2　遗传算法算子148

6.3.3　算法与试验150

6.4　神经网络的遗传学习算法150

6.4.1　遗传算法概述151

6.4.2　遗传学习算法之一152

6.4.3　遗传学习算法之二153

6.5.1 复数编码遗传算法的基本原理154

6.5　复数编码遗传算法154

6.5.2　基于神经网络的控制结构155

6.5.3　机器人竞争性协进化仿真156

6.6　并行遗传算法158

6.6.1　遗传算法并行化的必要性158

6.6.2　并行选择过程158

6.6.3 并行遗传算法的设计方案159

6.7　回溯遗传算法161

6.7.1 回溯机制161

6.7.3　试验162

6.7.2 回溯遗传算法的特点162

6.8　协同进化遗传算法164

6.8.1 生态种群捕获竞争模型164

6.8.2　捕获竞争遗传算法165

6.8.3　试验结果及比较165

第7章　蚁群算法168

7.1　蚁群算法原理168

7.1.1 基本原理168

7.1.2　蚁群系统模型及其实现169

7.2　ant-cycle算法170

7.3.2 自适应蚁群算法（Adaptive ACS）172

7.3.1　基本蚁群算法分析172

7.3　自适应蚁群算法172

7.3.3　仿真结果173

7.4　遗传算法与蚁群算法的融合174

7.4.1　遗传算法与蚁群算法分析174

7.4.2　蚁群算法的优化机理及模型描述175

7.4.3　遗传算法与蚁群算法的融合（GAAA）176

7.4.4　仿真试验结果177

7.5　组合优化的蚁群算法180

7.5.1　路径优化问题180

7.5.2　最优树问题182

7.6.1　无约束非线性最优化问题183

7.6.2　连续优化问题的蚁群算法183

7.5.3　软件实现183

7.6　连续优化问题的蚁群算法183

7.6.3　计算实例185

7.7　系统辨识的蚁群算法185

7.7.1　连续空间寻优的蚁群算法回顾185

7.7.2 系统蚁群辨识算法186

7.7.3　实例研究及仿真结果190

7.8　聚类问题的蚁群算法191

7.8.1　数学模型191

7.8.4　蚁群算法192

7.8.2　K—均值算法192

7.8.3　模拟退火算法192

7.8.5　算法比较193

7.9　函数优化蚁群算法194

7.9.1 函数优化的蚁群模型194

7.9.2　典型测试函数应用实例195

7.10　蚁群神经网络196

7.10.1　基于蚁群算法的神经网络训练196

7.10.2　蚁群神经网络算法步骤197

7.11　智能蚁群算法198

7.11.1　蚁群算法缺陷198

7.10.3　计算机仿真试验198

7.11.2　智能蚁群模型199

7.11.3　参数设定及结果200

7.12　自适应进化蚁群算法200

7.12.1　进化的必要性200

7.12.2 自适应进化蚁群模型200

7.12.3　仿真试验结果201

第8章　免疫算法203

8.1　免疫算法基础203

8.1.1　遗传算法的缺憾203

8.1.2　免疫算法的生物学基础203

8.1.3　免疫算法及其收敛性204

8.1.4　免疫算子的机理与构造206

8.1.5　免疫算子的执行算法207

8.1.6　免疫疫苗的选取示例207

8.1.7　TSP问题的免疫算法求解208

8.2　免疫算法的设计210

8.2.1 免疫算法结构210

8.2.2　算法设计与实现211

8.3　多目标Flow-shop问题的免疫算法213

8.3.1 生产调度问题213

8.3.2　免疫调度算法214

8.3.3　工程应用215

8.3.4　免疫算法参数对优化效果的影响216

8.4　路径免疫规划算法217

8.4.1 系统描述217

8.4.2　算法描述218

8.4.3　仿真试验220

8.5　图像自适应免疫增强算法221

8.5.1 图像增强技术分析221

8.5.2　图像自适应增强221

8.5.3 图像增强的自适应免疫算法222

8.6.1　免疫算法的亲和性223

8.6　电网免疫规划算法223

8.6.2　电网规划免疫算法的基本步骤224

8.6.3 电网规划免疫模型225

8.6.4　应用实例225

8.7　电力系统最优潮流的免疫计算226

8.7.1 电力系统最优潮流的计算难题226

8.7.2 电力系统最优潮流的数学模型226

8.7.3　最优潮流的免疫算法实现227

8.7.4　算例分析229

9.1　多传感器信息融合概述230

9.1.1　历史背景230

第9章　信息融合230

9.1.2 多传感器信息融合系统的处理模型232

9.1.3 多传感器信息融合的层次问题233

9.1.4　信息融合的实现方法234

9.2　信息融合模型与算法234

9.2.1　信息融合模型234

9.2.2　信息融合算法237

9.3　贝叶斯信息融合方法238

9.3.1 贝叶斯融合算法模型238

9.3.2　实例分析239

9.4　信息的模糊决策融合算法240

9.4.1　基于模糊决策树算法的融合模型241

9.4.2　应用实例243

9.5　信息融合的D-S算法244

9.5.1 互补信息244

9.5.2　D-S理论基础245

9.5.3　Dempster合成法则245

9.5.4　D-S证据理论在多信息融合中的应用246

9.6　Vague集模糊信息融合247

9.6.1　Vague集247

9.6.2　基于Vague集的融合模型248

9.6.3　算例分析249

9.7.1　ANN信息融合特点250

9.7　信息融合的神经网络模型与算法250

9.7.2　信息融合的MART模型及算法251

9.8　信息融合的模糊神经Petri网模型253

9.8.1　模糊Petri网253

9.8.2　模糊神经Petri网254

9.8.3　进一步关注255

第10章　量子智能信息处理257

10.1　量子信息论257

10.1.1　量子计算257

10.1.2　量子信息论基础258

10.1.3　量子信息处理260

10.1.5　信息论与量子信息论对比264

10.1.4　量子加密264

10.2　量子神经计算265

10.2.1 神经计算回顾265

10.2.2　量子计算与神经计算的结合266

10.2.3　量子神经信息处理266

10.2.4　量子神经计算模型268

10.3　典型量子神经网络模型269

10.3.1　ANN概念的量子类比269

10.3.2　QNN的物理实现270

10.3.3　几种QNN模型271

10.4.1 量子逻辑门274

10.4　量子神经元274

10.4.2　量子神经元模型275

10.4.3　量子神经元学习算法275

10.4.4　量子逻辑运算特性277

10.5　量子遗传算法279

10.5.1　量子遗传算法基础279

10.5.2　改进量子遗传算法280

10.5.3　新量子遗传算法281

10.5.4　分组量子遗传算法282

10.5.5　量子遗传算法的其他形式283

参考文献284