人工智能与信息感知

　　本书系统全面地介绍了人工智能与信息感知理论与实践的内容。依据信息感知系统的组成、特点以及信息感知过程，以感知、融合、智能处理为主线，重点介绍了面向信息感知处理背景下的人工智能前沿理论与方法。内容包括：信息感知与数据融合基本原理与方法；神经计算基本方法，神经计算实现技术以及支持向量机；深度学习中典型神经网络实现及其应用；模糊逻辑计算中模糊逻辑与模糊推理、模糊计算实现和应用；进化计算中遗传算法、粒群智能、蚁群智能等方法和实例。 本书可作为高等院校电子、计算机、测控技术、自动化等相关专业本科生、研究生的教材，也可作为工程技术人员开展人工智能与信息感知实践的重要参考书。

暂缺《人工智能与信息感知》作者简介

第1章概述

1．1智能信息感知的产生及其发展

1．1．1智能感知系统的组成与特点

1．1．2智能计算的产生与发展

1．2人工智能信息感知技术关键

1．2．1神经计算技术

1．2．2深度学习

1．2．3模糊计算技术

1．2．4进化计算技术

参考文献

第2章信息感知与数据融合

2．1概述

2．2协作感知与数据融合

2．2．1网络化智能协作感知

2．2．2多传感器数据融合

2．3多传感数据融合基本原理

2．3．1多传感器数据融合目标

2．3．2多传感器数据融合的层次与结构

2．3．3数据融合中的检测、分类与识别算法

2．3．4典型的数据融合方法

2．3．5多传感器数据融合方法的特点

2．4自适应动态数据融合方法

2．4．1测量模型与方法简述

2．4．2测量数据范围的推导

2．4．3最优范围的确定

参考文献

第3章神经计算基础

3.1人工神经网络基础

3.1.1人工神经网络的提出

3.1.2人工神经网络的特点

3.1.3历史回顾

3.1.4生物神经网络

3.1.5人工神经元

3.1.6人工神经网络的拓扑特性

3.1.7存储与映射

3.1.8人工神经网络的训练

3.2感知器

3.2.1感知器与人工神经网络的早期发展

3.2.2感知器的学习算法

3.2.3线性不可分问题

参考文献

第4章神经计算基本方法

4.1BP网络

4.1.1BP网络简介

4.1.2基本BP算法

4.1.3BP算法的实现

4.1.4BP算法的理论基础

4.1.5几个问题的讨论

4.2径向基函数神经网络

4.2.1函数逼近与内插

4.2.2正规化理论

4.2.3RBF网络的学习

4.2.4RBF网络的一些变形

4.3Hopfield反馈神经网络

4.3.1联想存储器

4.3.2反馈网络

4.3.3用反馈网络作联想存储器

4.3.4相关学习算法

4.3.5反馈网络用于优化计算

4.4随机型神经网络

4.4.1模拟退火算法

4.4.2Boltzmann机

4.4.3Gaussian机

4.5自组织竞争网络

4.5.1SOFM网络结构

4.5.2SOFM网络的应用

4.5.3ART神经网络

4.6神经网络计算的组织

4.6.1输入层和输出层设计

4.6.2网络数据的准备

4.6.3网络初始权值的选择

4.6.4隐层数及隐层节点设计

4.6.5网络的训练、检测及性能评价

参考文献

第5章深度学习

5．1深度学习概述

5．1．1深度学习定义

5．1．2深度学习特点

5．1．3深度学习平台

5．2自编码器

5．2．1稀疏自编码器

5．2．2多层自编码器表示

5．2．3各类自编码器介绍

5．3深度神经网络

5．3．1多层神经网络近似定理

5．3．2深度置信网络

5．3．3深层玻尔兹曼机

5．3．4深度神经网络结构分析

5．4卷积神经网络

5．4．1卷积与池化

5．4．2卷积核

5．4．3卷积神经网络结构

5．5递归神经网络

5．5．1展开计算图

5．5．2回声状态网络

5．5．3门控增强单元

5．5．4长短时记忆单元

5．6深度增强学习

5．6．1增强学习

5．6．2马尔可夫决策

5．6．3决策迭代

5．6．4QLearning算法

5．6．5深度增强网络

5．7深度学习应用

5．7．1视觉感知

5．7．2语音识别

5．7．3自然语言处理

5．7．4生物信息处理

参考文献

第6章支持向量机

6.1统计学习理论的基本内容

6.1.1机器学习的基本问题

6.1.2学习机的复杂性与推广能力

6.1.3统计学习的基本理论

6.2支持向量机

6.2.1最大间隔分类支持向量机

6.2.2软间隔分类支持向量机

6.2.3基于核的支持向量机

6.3多分类支持向量机

6.3.1直接法

6.3.2分解法

6.4基于SVM的机械设备故障诊断

6.4.1实验平台及故障信号获取

6.4.2基于小波包变换的故障特征提取

6.4.3基于多类分类SVM的故障诊断识别

参考文献

第7章模糊逻辑与模糊推理基本方法

7.1模糊逻辑的历史

7.2模糊集

7.3隶属函数

7.3.1隶属函数的几种确定方法

7.3.2几种常用的隶属函数

7.3.3模糊逻辑工具箱内置的隶属函数

7.4模糊运算与模糊推理

7.4.1模糊运算

7.4.2模糊规则与模糊推理

7.4.3Mamdani型推理与Sugeno型推理

7.5模糊系统

7.5.1模糊系统的结构

7.5.2模糊控制器的设计

7.5.3神经模糊系统

7.5.4自适应模糊模型

7.5.5自适应模糊控制系统


第8章模糊计算实现

8.1模糊推理过程

8.1.1模糊推理过程的步骤

8.1.2自定义模糊推理

8.2模糊逻辑工具箱的图形界面工具

8.2.1FIS编辑器

8.2.2隶属函数编辑器

8.2.3模糊规则编辑器

8.2.4模糊规则观察器

8.2.5输出曲面观察器

8.2.6自定义模糊推理系统

8.3模糊逻辑工具箱的命令行工作方式

8.3.1系统结构函数

8.3.2系统显示函数

8.3.3在命令行中建立系统

8.3.4FIS求解

8.3.5FIS结构

8.4神经模糊推理编辑器ANFIS

8.4.1神经模糊推理

8.4.2ANFIS编辑器

8.4.3应用ANFIS编辑器的步骤

参考文献

第9章遗传算法

9.1遗传优化算法基础

9.1.1遗传算法的产生与发展

9.1.2遗传算法概要

9.1.3遗传算法的应用情况

9.1.4基本遗传算法

9.1.5模式定理

9.1.6遗传算法的改进

9.1.7遗传算法与函数最优化

9.1.8遗传算法与系统辨识

9.1.9遗传算法与神经控制

9.2遗传优化算法的工程应用

9.2.1遗传算法在无约束优化中的应用

9.2.2遗传算法在非线性规划中的应用

参考文献

第10章粒群智能

10.1引言

10.1.1微粒群算法综述

10.1.2微粒群算法的研究方向

10.2微粒群算法的基本原理

10.2.1引言

10.2.2基本微粒群算法

10.2.3基本微粒群算法的社会行为分析

10.2.4带惯性权重的微粒群算法

10.3改进微粒群算法

10.3.1基本微粒群算法进化方程的改进

10.3.2收敛性改进

10.4微粒群算法的实验设计与参数选择

10.4.1设计微粒群算法的基本原则与步骤

10.4.2几种典型的微粒群模型及参数选择

10.5基于微粒群算法的人工神经网络优化

10.5.1神经网络的微粒群算法优化策略

10.5.2协同微粒群算法优化神经网络

10.6蚁群智能

10.6.1双桥实验与随机模型

10.6.2人工蚂蚁模型

10.6.3蚁群优化元启发式算法

参考文献