计算智能的数学基础

　　由于计算机网络的迅速发展，对海量数据的信息处理受到理论和工程界的广泛关注，其中尤以基于仿生学原理的计算智能在高级信息处理中占据重要的地位。本书着重介绍了人工神经网络、遗传算法和模糊逻辑的基本模型、理论及算法及其在工程技术中的应用，如分类器、数据挖掘、现代优化方法和模糊控制，并且给出了基于MATLAB的数值实验。本书每章后均配有习题，以供学生复习、巩固书中所学知识。 本书可作为大专院校信息与计算科学、数学、应用数学、计算机科学、自动控制、信息与系统工程等专业的教材，亦可供相关专业的本科生、研究生、教师、科学及工程技术人员参考。

暂缺《计算智能的数学基础》作者简介

第1章  概述                  
 1. 1  信息科学与机器智能                  
 1. 1. 1  信息与信息科学                  
 1. 1. 2  智能与机器智能                  
 1. 1. 3  机器智能的三个学派                  
 1. 2  计算智能的主要分支                  
 1. 2. 1  人工神经网络                  
 1. 2. 2  遗传算法                  
 1. 2. 3  模糊逻辑                  
 1. 3  计算智能研究的主要问题                  
 1. 3. 1  学习                  
 1. 3. 2  搜索                  
 1. 3. 3  推理                  
 1. 4  计算智能研究的主要方法                  
 1. 4. 1  模型                  
 1. 4. 2  算法                  
 1. 4. 3  实验                  
 习题1                  
 第2章  感知器                  
 2. 1  分类问题                  
 2. 2  感知器                  
 2. 2. 1  感知器模型                  
 2. 2. 2  感知器学习                  
 2. 2. 3  线性可分                  
 2. 2. 4  收敛性                  
 2. 2. 5  复杂性                  
 2. 3  算法的容量                  
 2. 3. 1  概念                  
 2. 3. 2  随机MP模型容量估计                  
 2. 4  非线性感知器                  
 2. 4. 1  非线性权感知器                  
 2. 4. 2  Newton迭代法                  
 2. 4. 3  Newton法的收敛性                  
 2. 5  高阶感知器                  
 2. 5. 1  高阶感知器模型                  
 2. 5. 2  Boolean函数                  
 2. 6  模糊感知器                  
 2. 6. 1  模糊感知器模型                  
 2. 6. 2  算法的收敛性                  
 习题2                  
 第3章  人工神经网络                  
 3. 1  单层前向网                  
 3. 1. 1  单层前向网模型                  
 3. 1. 2  线性单层网                  
 3. 2  最优化方法                  
 3. 2. 1  多元函数的极值                  
 3. 2. 2  梯度法                  
 3. 2. 3  最小二乘法                  
 3. 3  多层前向网                  
 3. 3. 1  双层前向网                  
 3. 3. 2  学习目标                  
 3. 3. 3  误差的后向传播                  
 3. 3. 4  前向网络的学习算法                  
 3. 4  径向基函数                  
 3. 4. 1  插值                  
 3. 4. 2  径向基函数网                  
 3. 5  回归神经元网络                  
 3. 5. 1  Hopfield网模型                  
 3. 5. 2  系统的稳定性                  
 3. 5. 3  系统的收敛性                  
 3. 5. 4  纠错学习问题                  
 习题3                  
 第4章  支撑向量机                  
 4. 1  最优分离超平面                  
 4. 1. 1  最优分离超平面                  
 4. 1. 2  二次规划                  
 4. 1. 3  KKT条件                  
 4. 1. 4  分类超曲面                  
 4. 2  支撑向量机                  
 4. 2. 1  线性支撑向量机                  
 4. 2. 2  Gauss核支撑向量机                  
 4. 3  SVM学习算法                  
 4. 3. 1  SMO算法                  
 4. 3. 2  SMO算法的实现                  
 4. 3. 3  SMO算法的改进                  
 4. 4  数值实验                  
 习题4                  
 第5章  遗传算法                  
 5. 1  简单遗传算法                  
 5. 1. 1  简单遗传算法                  
 5. 1. 2  模式(Schema)                  
 5. 2  个体与种群                  
 5. 2. 1  个体                  
 5. 2. 2  种群                  
 5. 3  遗传算子                  
 5. 3. 1  选择算子                  
 5. 3. 2  杂交算子                  
 5. 3. 3  变异算子                  
 5. 3. 4  删除算子                  
 5. 4  模式                  
 5. 4. 1  最小模式                  
 5. 4. 2  杂交算子的整体性质                  
 习题5                  
 第6章  数值实验                  
 6. 1  数学软件MATLAB相关函数                  
 6. 1. 1  MATLAB简介                  
 6. 1. 2  相关函数                  
 6. 2  感知器数值实验                  
 6. 2. 1  感知器生成与实例                  
 6. 2. 2  线性神经网络生成与实例                  
 6. 3  BP算法数值实验                  
 6. 4  自适应网络                  
 6. 4. 1  自适应网络简介                  
 6. 4. 2  自适应网络实验                  
 习题6                  
 第7章  应用                  
 7. 1  旅行商问题                  
 7. 1. 1  TSP问题描述                  
 7. 1. 2  连续Hopfield方法                  
 7. 1. 3  TSP的HNNS模型                  
 7. 2  神经网络优化算法                  
 7. 2. 1  线性规划及对偶问题                  
 7. 2. 2  神经网络优化模型                  
 7. 2. 3  凸函数                  
 7. 2. 4  网络模型的收敛性                  
 7. 2. 5  数值方法                  
 7. 3  TSP的遗传算法                  
 7. 3. 1  算法描述                  
 7. 3. 2  程序实现                  
 习题7                  
 第8章  模糊集与模糊系统                  
 8. 1  模糊集与隶属函数                  
 8. 1. 1  特征函数                  
 8. 1. 2  模糊集与隶属函数                  
 8. 1. 3  模糊集合的表示法                  
 8. 2  模糊集上的运算                  
 8. 2. 1  模糊集上的基本运算                  
 8. 2. 2  模糊集运算的基本性质                  
 8. 2. 3  模糊集合的代数和. 代数积. 有界和. 有界积                  
 8. 3  凸模糊集及其性质                  
 8. 3. 1  凸模糊集                  
 8. 3. 2  模糊数                  
 8. 3. 3  2型模糊集与条件模糊集                  
 8. 4  模糊系统与模糊算法                  
 8. 4. 1  模糊系统与状态                  
 8. 4. 2  模糊系统的状态方程                  
 习题8                  
 第9章  模糊逻辑与模糊推理                  
 9. 1  基本概念                  
 9. 1. 1  模糊逻辑                  
 9. 1. 2  模糊语言                  
 9. 1. 3  模糊推理                  
 9. 2  模糊命题与模糊逻辑公式                  
 9. 2. 1  模糊命题与模糊关系                  
 9. 2. 2  析取范式与合取范式                  
 9. 3  模糊逻辑公式的化简                  
 9. 3. 1  主析取范式                  
 9. 3. 2  最简析取范式                  
 9. 4  模糊逻辑函数的分析合成                  
 9. 4. 1  模糊逻辑函数的分解                  
 9. 4. 2  模糊逻辑函数的合成                  
 9. 5  模糊语言与模糊推理                  
 9. 5. 1  模糊语言及基本性质                  
 9. 5. 2  模糊推理及其规则                  
 习题9                  
 第10章  模糊模式识别与模糊控制                  
 10. 1  模糊模式识别的直接方法                  
 10. 1. 1  最大隶属原则与图形识别                  
 10. 1. 2  手写数字和字母的识别                  
 10. 2  贴近度与模糊模式识别的间接方法                  
 lo. 2. 1  贴近度及有关概念                  
 10. 2. 2  模糊度与择近原则                  
 10. 2. 3  利用择近原则进行模糊模式识别举例                  
 10. 3  模糊控制原理                  
 10. 3. 1  模糊控制及其类型                  
 10. 3. 2  模糊控制过程                  
 习题10                  
 附录  TSP的遗传算法程序                  
 主要参考文献