智能信息处理技术原理与应用

　　本教材的内容涉及模糊理论、数据融合、神经网络、遗传算法及传感技术等相关内容，并着重介绍数据融合技术的原理、特点及具体应用方法，在目前多传感器数据融合技术研究成果的基础上进行系统解析，分析特点，论述不足，为数据融合技术的研究提供科学合理的依据，达到促进智能信息处理技术可持续发展的目标。

　　蒋海峰，男，1978年7月生，江苏扬州人，南京理工大学自动化学院讲师，硕士生导师。中国科学技术大学本硕博（自动控制专业本科、检测技术与自动化装置专业硕士、模式识别与智能系统专业博士）、南京理工大学控制科学与工程博士后、哈尔滨工程大学访问学者。长期从事于智能信息处理、多传感器数据融合、微纳级传感器、无线传感器网络等方向的研究。在国内外学术期刊及国际会议上发表论文近三十篇，专利多项。

目录
第1章绪论

1.1智能信息处理概述

1.1.1智能信息处理的产生及发展

1.1.2人工智能概述

1.1.3AI的发展

1.1.4AI主要的研究学派和研究方法

1.1.5AI研究内容和研究领域

1.1.6计算智能的产生

1.2计算智能信息处理的主要技术

1.2.1模糊计算技术

1.2.2神经计算技术

1.2.3进化计算技术

1.3计算智能技术的综合集成

1.3.1模糊系统与神经网络的结合

1.3.2神经网络与遗传算法的结合

1.3.3模糊技术、神经网络和遗传算法的综合集成

习题

第2章神经计算

2.1概述

2.1.1神经网络的定义

2.1.2神经网络的发展历史

2.1.3神经网络的特点

2.1.4神经网络的应用

2.2神经网络基本原理

2.2.1神经元的基本构成

2.2.2神经元的基本数学模型

2.2.3基本激活函数

2.2.4神经网络的拓扑结构

2.3前馈型神经网络

2.3.1感知器

2.3.2BP神经网络

2.3.3BP算法的若干改进

2.3.4前馈型神经网络的应用

2.4反馈型神经网络

2.4.1Hopfield神经网络

2.4.2BAM网络

2.4.3Hamming网络

2.5RBF神经网络

2.5.1RBF神经网络的结构

2.5.2RBF神经网络的训练

2.5.3RBF神经网络在交通流预测中的应用

2.6自组织神经网络

2.6.1竞争学习

2.6.2自组织特征映射神经网络

2.6.3基于自适应谐振构成的自组织神经网络

2.7神经网络和模糊系统

2.7.1简述

2.7.2神经网络和模糊系统的结合方式

2.7.3模糊神经网络

2.7.4模糊神经网络的应用

习题

第3章进化计算

3.1进化计算的一般框架与共同特点

3.1.1进化计算的一般框架

3.1.2进化计算的共同特点

3.2遗传算法基础

3.2.1遗传算法的历史与发展

3.2.2遗传算法的基本原理

3.2.3遗传算法数学基础分析

3.3遗传算法分析

3.3.1遗传算法基本结构

3.3.2基因操作

3.3.3遗传算法参数选择

3.3.4遗传算法的改进

3.3.5遗传算法的基本实例


3.4遗传算法在函数优化及TSP中的应用

3.4.1一元函数优化实例

3.4.2多元函数优化实例

3.4.3TSP问题的描述及优化意义

3.4.4TSP问题的遗传算法设计

3.5进化规划

3.5.1进化规划的起源与发展

3.5.2进化规划的主要特点

3.5.3进化规划中的算法分析

3.5.4进化规划的应用

3.6进化策略

3.6.1进化策略的起源与发展

3.6.2进化策略的主要特点

3.6.3进化策略的不同形式及基本思想

3.6.4进化策略的执行过程

习题

第4章模糊计算

4.1知识表示和推理

4.1.1知识与推理中的关系

4.1.2产生式系统

4.2模糊理论及三大基本元素

4.3模糊集合的基本运算

4.4模糊集合运算的基本规则

4.5模糊关系

4.5.1模糊关系与模糊关系矩阵

4.5.2模糊关系矩阵的运算

4.5.3λ截矩阵λ水平截集

4.5.4模糊关系的运算和性质

4.5.5模糊逻辑推理及应用

4.6模糊信息处理

4.6.1模糊模式识别

4.6.2模糊聚类分析

4.6.3基于模糊等价关系的模式分类

4.6.4基于模糊相似关系的模式分类

4.6.5基于最大隶属原则的模式分类

4.6.6基于择近原则的模式分类

习题

第5章数据融合

5.1数据融合的基本概念

5.2数据融合的传感器管理与数据库

5.2.1传感器管理

5.2.2态势数据库

5.3数据融合方法

5.3.1Bayes估计方法

5.3.2DempsterShafer算法

5.4数据融合系统结构形式及数据准备

5.4.1数据融合系统结构形式

5.4.2数据融合系统的功能模型

5.4.3数据融合的层次

5.5数据准备

5.5.1融合中心数据处理的前提

5.5.2数据的预处理

5.5.3数据对准

5.6数据关联技术

5.6.1数据关联的目的

5.6.2关联的基本思路

5.6.3数据关联的主要形式

5.6.4数据关联过程

5.7状态估计——卡尔曼滤波

5.7.1数字滤波器作估值器

5.7.2线性均方估计

5.7.3标量卡尔曼滤波器

5.7.4向量卡尔曼滤波器

5.7.5卡尔曼滤波器的应用

5.7.6常系数αβ和αβγ滤波器

习题

第6章常见的智能优化算法

6.1智能优化算法的产生与发展

6.1.1最优化问题及其分类

6.1.2优化算法的分类

6.1.3智能优化算法的产生与发展

6.2禁忌搜索算法

6.2.1基本禁忌搜索

6.2.2禁忌搜索的关键要素

6.2.3禁忌搜索的基本步骤与算法流程

6.2.4禁忌搜索算法的改进

6.2.5禁忌搜索算法在多用户检测中的应用

6.3模拟退火算法

6.3.1简述

6.3.2模拟退火算法的收敛性

6.3.3模拟退火算法的关键参数

6.3.4模拟退火算法的改进与发展

6.3.5模拟退火算法在成组技术中加工中心的组成问题中的应用

6.4蚁群算法

6.4.1蚁群算法的由来

6.4.2基本蚁群算法

6.4.3改进的蚁群算法

6.4.4蚁群算法在机器人路径规划中的应用

6.5粒子群优化算法

6.5.1粒子群优化算法的基本原理

6.5.2粒子群优化算法的构成要素

6.5.3改进的粒子群优化算法

6.5.4粒子群优化算法在PID参数整定中的应用

习题

参考文献