智能信息處理技術原理與應用（簡體書）

本教材的內容涉及模糊理論、數據融合、神經網絡、遺傳算法及傳感技術等相關內容，並著重介紹數據融合技術的原理、特點及具體應用方法，在目前多傳感器數據融合技術研究成果的基礎上進行系統解析，分析特點，論述不足，為數據融合技術的研究提供科學合理的依據，達到促進智能信息處理技術可持續發展的目標。

蔣海峰，男，1978年7月生，江蘇揚州人，南京理工大學自動化學院講師，碩士生導師。中國科學技術大學本碩博(自動控制專業本科、檢測技術與自動化裝置專業碩士、模式識別與智能系統專業博士)、南京理工大學控制科學與工程博士後、哈爾濱工程大學訪問學者。長期從事于智能信息處理、多傳感器數據融合、微納級傳感器、無線傳感器網絡等方向的研究。在國內外學術期刊及國際會議上發表論文近三十篇，專利多項。

目錄
第1章緒論

1.1智能信息處理概述

1.1.1智能信息處理的產生及發展

1.1.2人工智能概述

1.1.3AI的發展

1.1.4AI主要的研究學派和研究方法

1.1.5AI研究內容和研究領域

1.1.6計算智能的產生

1.2計算智能信息處理的主要技術

1.2.1模糊計算技術

1.2.2神經計算技術

1.2.3進化計算技術

1.3計算智能技術的綜合集成

1.3.1模糊系統與神經網絡的結合

1.3.2神經網絡與遺傳算法的結合

1.3.3模糊技術、神經網絡和遺傳算法的綜合集成

習題

第2章神經計算

2.1概述

2.1.1神經網絡的定義

2.1.2神經網絡的發展歷史

2.1.3神經網絡的特點

2.1.4神經網絡的應用

2.2神經網絡基本原理

2.2.1神經元的基本構成

2.2.2神經元的基本數學模型

2.2.3基本激活函數

2.2.4神經網絡的拓撲結構

2.3前饋型神經網絡

2.3.1感知器

2.3.2BP神經網絡

2.3.3BP算法的若干改進

2.3.4前饋型神經網絡的應用

2.4反饋型神經網絡

2.4.1Hopfield神經網絡

2.4.2BAM網絡

2.4.3Hamming網絡

2.5RBF神經網絡

2.5.1RBF神經網絡的結構

2.5.2RBF神經網絡的訓練

2.5.3RBF神經網絡在交通流預測中的應用

2.6自組織神經網絡

2.6.1競爭學習

2.6.2自組織特徵映射神經網絡

2.6.3基於自適應諧振構成的自組織神經網絡

2.7神經網絡和模糊系統

2.7.1簡述

2.7.2神經網絡和模糊系統的結合方式

2.7.3模糊神經網絡

2.7.4模糊神經網絡的應用

習題

第3章進化計算

3.1進化計算的一般框架與共同特點

3.1.1進化計算的一般框架

3.1.2進化計算的共同特點

3.2遺傳算法基礎

3.2.1遺傳算法的歷史與發展

3.2.2遺傳算法的基本原理

3.2.3遺傳算法數學基礎分析

3.3遺傳算法分析

3.3.1遺傳算法基本結構

3.3.2基因操作

3.3.3遺傳算法參數選擇

3.3.4遺傳算法的改進

3.3.5遺傳算法的基本實例


3.4遺傳算法在函數優化及TSP中的應用

3.4.1一元函數優化實例

3.4.2多元函數優化實例

3.4.3TSP問題的描述及優化意義

3.4.4TSP問題的遺傳算法設計

3.5進化規劃

3.5.1進化規劃的起源與發展

3.5.2進化規劃的主要特點

3.5.3進化規劃中的算法分析

3.5.4進化規劃的應用

3.6進化策略

3.6.1進化策略的起源與發展

3.6.2進化策略的主要特點

3.6.3進化策略的不同形式及基本思想

3.6.4進化策略的執行過程

習題

第4章模糊計算

4.1知識表示和推理

4.1.1知識與推理中的關係

4.1.2產生式系統

4.2模糊理論及三大基本元素

4.3模糊集合的基本運算

4.4模糊集合運算的基本規則

4.5模糊關係

4.5.1模糊關係與模糊關係矩陣

4.5.2模糊關係矩陣的運算

4.5.3λ截矩陣λ水平截集

4.5.4模糊關係的運算和性質

4.5.5模糊邏輯推理及應用

4.6模糊信息處理

4.6.1模糊模式識別

4.6.2模糊聚類分析

4.6.3基於模糊等價關係的模式分類

4.6.4基於模糊相似關係的模式分類

4.6.5基於最大隸屬原則的模式分類

4.6.6基於擇近原則的模式分類

習題

第5章數據融合

5.1數據融合的基本概念

5.2數據融合的傳感器管理與數據庫

5.2.1傳感器管理

5.2.2態勢數據庫

5.3數據融合方法

5.3.1Bayes估計方法

5.3.2DempsterShafer算法

5.4數據融合系統結構形式及數據準備

5.4.1數據融合系統結構形式

5.4.2數據融合系統的功能模型

5.4.3數據融合的層次

5.5數據準備

5.5.1融合中心數據處理的前提

5.5.2數據的預處理

5.5.3數據對準

5.6數據關聯技術

5.6.1數據關聯的目的

5.6.2關聯的基本思路

5.6.3數據關聯的主要形式

5.6.4數據關聯過程

5.7狀態估計――卡爾曼濾波

5.7.1數字濾波器作估值器

5.7.2線性均方估計

5.7.3標量卡爾曼濾波器

5.7.4向量卡爾曼濾波器

5.7.5卡爾曼濾波器的應用

5.7.6常係數αβ和αβγ濾波器

習題

第6章常見的智能優化算法

6.1智能優化算法的產生與發展

6.1.1最優化問題及其分類

6.1.2優化算法的分類

6.1.3智能優化算法的產生與發展

6.2禁忌搜索算法

6.2.1基本禁忌搜索

6.2.2禁忌搜索的關鍵要素

6.2.3禁忌搜索的基本步驟與算法流程

6.2.4禁忌搜索算法的改進

6.2.5禁忌搜索算法在多用戶檢測中的應用

6.3模擬退火算法

6.3.1簡述

6.3.2模擬退火算法的收斂性

6.3.3模擬退火算法的關鍵參數

6.3.4模擬退火算法的改進與發展

6.3.5模擬退火算法在成組技術中加工中心的組成問題中的應用

6.4蟻群算法

6.4.1蟻群算法的由來

6.4.2基本蟻群算法

6.4.3改進的蟻群算法

6.4.4蟻群算法在機器人路徑規劃中的應用

6.5粒子群優化算法

6.5.1粒子群優化算法的基本原理

6.5.2粒子群優化算法的構成要素

6.5.3改進的粒子群優化算法

6.5.4粒子群優化算法在PID參數整定中的應用

習題

參考文獻