智能信息處理

第1章 模糊信息處理
1.1 電氣設(shè)備故障診斷模糊模型
1.1.1 故障診斷模糊化的必要
1.1.2 三比值法模糊化處理
1.1.3 舉例說(shuō)明
1.1.4 模糊故障診斷要點(diǎn)
1.2 多目標(biāo)模糊優(yōu)化方法
1.2.1 多目標(biāo)優(yōu)化問(wèn)題
1.2.2 多目標(biāo)結(jié)構(gòu)模糊優(yōu)化問(wèn)題的解法
1.2.3 隸屬函數(shù)選取時(shí)對(duì)優(yōu)化結(jié)果的影響
1.2.4 數(shù)值實(shí)例
1.3 數(shù)據(jù)處理的模糊熵方法
1.3.1 模糊事件的熵
1.3.2 用基于熵的模糊方法評(píng)定測(cè)量結(jié)果
1.3.3 實(shí)例分析
1.4 自適應(yīng)模糊聚類(lèi)分析
1.4.1 基本的FCM聚類(lèi)算法
1.4.2 自適應(yīng)模糊C均值聚類(lèi)(AFCMC)算法
1.4.3 應(yīng)用實(shí)例
1.5 模糊關(guān)聯(lián)分析
1.5.1 模糊綜合評(píng)價(jià)分析
1.5.2 模糊關(guān)聯(lián)分析法原理與方法
1.5.3 實(shí)例研究
1.6 模糊信息優(yōu)化方法
1.6.1 模糊信息優(yōu)化處理概述
1.6.2 模糊信息優(yōu)化處理的基本理論
1.6.3 黃土濕陷性評(píng)價(jià)實(shí)例分析
1.7 模糊多屬性決策的模糊貼近度方法
1.7.1 模糊多屬性決策
1.7.2 模糊多屬性決策模型
1.7.3 模糊多屬性決策的模糊貼近度解法
1.7.4 算例分析
1.8 信息不完全確知的模糊決策集成模型
1.8.1 信息不完全確知的多目標(biāo)決策
1.8.2 I2DM模糊決策集成模型
1.8.3 I2DM模糊決策集成模型分析
1.9 模糊Petri網(wǎng)
1.9.1 Petri網(wǎng)
1.9.2 基于模糊Petri網(wǎng)模型的知識(shí)描述
1.9.3 基于模糊Petri網(wǎng)的推理算法
1.9.4 推理實(shí)例
第2章 神經(jīng)網(wǎng)絡(luò)信息處理
2.1 神經(jīng)網(wǎng)絡(luò)一般模型
2.1.1 一般形式的神經(jīng)網(wǎng)絡(luò)模型
2.1.2 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
2.1.3 神經(jīng)網(wǎng)絡(luò)計(jì)算的特點(diǎn)
2.2 BP神經(jīng)網(wǎng)絡(luò)模型
2.2.1 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
2.2.2 BP神經(jīng)網(wǎng)絡(luò)建模
2.3 貝葉斯神經(jīng)網(wǎng)絡(luò)
2.3.1 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)和貝葉斯方法
2.3.2 神經(jīng)網(wǎng)絡(luò)的貝葉斯學(xué)習(xí)
2.3.3 貝葉斯神經(jīng)網(wǎng)絡(luò)算法
2.4 RBF神經(jīng)網(wǎng)絡(luò)
2.4.1 RBF特點(diǎn)
2.4.2 RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與訓(xùn)練
2.4.3 高速公路ANN限速控制器的設(shè)計(jì)
2.5 貝葉斯一高斯神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識(shí)
2.5.1 BPNN分析
2.5.2 BG推理模型和BGNN
2.5.3 BGNN的自組織過(guò)程
2.5.4 仿真研究
2.6 廣義神經(jīng)網(wǎng)絡(luò)
2.6.1 智能神經(jīng)元模型
2.6.2 廣義神經(jīng)網(wǎng)絡(luò)模型及學(xué)習(xí)算法
2.6.3 交通流預(yù)測(cè)模型
2.7 發(fā)動(dòng)機(jī)神經(jīng)網(wǎng)絡(luò)BP算法建模
2.7.1 發(fā)動(dòng)機(jī)性能曲線神經(jīng)網(wǎng)絡(luò)處理方法
2.7.2 發(fā)動(dòng)機(jī)神經(jīng)網(wǎng)絡(luò)辨識(shí)結(jié)構(gòu)
2.8 組合灰色神經(jīng)網(wǎng)絡(luò)模型
2.8.1 灰色預(yù)測(cè)模型
2.8.2 灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型
2.8.3 電力遠(yuǎn)期價(jià)格預(yù)測(cè)
第3章 云信息處理
3.1 隸屬云
3.1.1 模糊隸屬函數(shù)
3.1.2 對(duì)隸屬函數(shù)的質(zhì)疑
3.1.3 隸屬云定義
3.1.4 隸屬云的數(shù)字特征
3.1.5 隸屬云發(fā)生器
3.1.6 隸屬云發(fā)生器的實(shí)現(xiàn)技術(shù)
3.2 云滴與云滴生成算法
3.2.1 云滴
3.2.2 云滴生成算法
3.3 云計(jì)算
3.3.1 云模型與不確定推理
3.3.2 云計(jì)算原理
3.3.3 云化計(jì)算過(guò)程
3.3.4 云化計(jì)算的系統(tǒng)實(shí)現(xiàn)
3.4 定性規(guī)則的云表示
3.4.1 二維云模型
3.4.2 二維云及多維云生成算法的改進(jìn)
3.4.3 定性規(guī)則的云模型表示
3.4.4 一條帶“或條件”的定性規(guī)則的表示
3.4.5 一條多重條件的定性規(guī)則的表示
3.4.6 定性規(guī)則的統(tǒng)一表示
3.5 云綜合評(píng)判模型
3.5.1 云綜合評(píng)判
3.5.2 云綜合評(píng)判
3.5.3 應(yīng)用實(shí)例
3.6 云決策樹(shù)
3.6.1 決策樹(shù)方法
3.6.2 基于云理論的神經(jīng)網(wǎng)絡(luò)映射學(xué)習(xí)
3.6.3 云決策樹(shù)的生成和應(yīng)用
3.7 定性預(yù)測(cè)系統(tǒng)的建模
3.7.1 二維云算法
3.7.2 算法描述及實(shí)現(xiàn)機(jī)制
3.7.3 算法步驟
3.8 三級(jí)倒立擺的云控制
3.8.1 三級(jí)倒立擺
3.8.2 云模型與云推理
3.8.3 倒立擺的智能控制試驗(yàn)與分析
3.8.4 試驗(yàn)結(jié)果分析
第4章 可拓信息處理
4.1 可拓學(xué)概述
4.1.1 可拓學(xué)的研究對(duì)象、理論框架和方法體系
4.1.2 可拓工程思想、工具和方法
4.2 可拓集合
4.2.1 可拓集合涵義
4.2.2 擴(kuò)展的可拓集合概念
4.2.3 可拓集合的應(yīng)用
4.3 集裝箱生成量可拓聚類(lèi)預(yù)測(cè)
4.3.1 集裝箱生成量可拓聚類(lèi)預(yù)測(cè)的建模機(jī)制
4.3.2 可拓聚類(lèi)預(yù)測(cè)的物元模型
4.3.3 集裝箱生成量可拓聚類(lèi)預(yù)測(cè)的物元模型
4.4 可拓故障診斷模型
4.4.1 變壓器故障診斷
4.4.2 變壓器故障的可拓診斷
4.4.3 實(shí)例研究
4.5 可拓層次分析法
4.5.1 層次分析法分析
4.5.2 可拓區(qū)間數(shù)及其運(yùn)算
4.5.3 可拓區(qū)間數(shù)判斷矩陣及其一致性
4.5.4 可拓層次分析
4.5.5 實(shí)例算法
4.6 可拓控制策略
4.6.1 可拓控制的提出
4.6.2 可拓控制器的結(jié)構(gòu)
4.6.3 可拓控制器的設(shè)計(jì)
4.6.4 仿真與展望
4.7 菱形思維可拓神經(jīng)網(wǎng)絡(luò)模型
4.7.1 菱形思維方法
4.7.2 菱形思維的可拓神經(jīng)網(wǎng)絡(luò)模型及表示
4.7.3 菱形思維可拓神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)算法
4.7.4 菱形思維可拓神經(jīng)網(wǎng)絡(luò)的評(píng)判機(jī)制
第5章 粗集信息處理
5.1 粗集理論基礎(chǔ)
5.1.1 粗集理論的提出
5.1.2 等價(jià)類(lèi)
3.8.2 云模型與云推理
3.8.3 倒立擺的智能控制試驗(yàn)與分析
3.8.4 試驗(yàn)結(jié)果分析
第4章 可拓信息處理
4.1 可拓學(xué)概述
4.1.1 可拓學(xué)的研究對(duì)象、理論框架和方法體系
4.1.2 可拓工程思想、工具和方法
4.2 可拓集合
4.2.1 拓集合涵義
4.2.2 擴(kuò)展的可拓集合概念
4.2.3 拓集合的應(yīng)用
4.3 集裝箱生成量可拓聚類(lèi)預(yù)測(cè)
4.3.1 集裝箱生成量可拓聚類(lèi)預(yù)測(cè)的建模機(jī)制
4.3.2 拓聚類(lèi)預(yù)測(cè)的物元模型
4.3.3 集裝箱生成量可拓聚類(lèi)預(yù)測(cè)的物元模型
4.4 可拓故障診斷模型
4.4.1 變壓器故障診斷
4.4.2 變壓器故障的可拓診斷
4.4.3 實(shí)例研究
4.5 拓層次分析法
4.5.1 層次分析法分析
4.5.2 可拓區(qū)間數(shù)及其運(yùn)算
4.5.3 可拓區(qū)間數(shù)判斷矩陣及其一致性
4.5.4 可拓層次分析
4.5.5 實(shí)例算法
4.6 可拓控制策略
4.6.1 可拓控制的提出
4.6.2 可拓控制器的結(jié)構(gòu)
4.6.3 可拓控制器的設(shè)計(jì)
4.6.4 仿真與展望
4.7 菱形思維可拓神經(jīng)網(wǎng)絡(luò)模型
4.7.1 菱形思維方法
4.7.2 菱形思維的可拓神經(jīng)網(wǎng)絡(luò)模型及表示
4.7.3 菱形思維可拓神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)算法
4.7.4 菱形思維可拓神經(jīng)網(wǎng)絡(luò)的評(píng)判機(jī)制
第5章 粗集信息處理
5.1 粗集理論基礎(chǔ)
5.1.1 粗集理論的提出
5.1.2 等價(jià)類(lèi)
5.1.3 知識(shí)的約簡(jiǎn)
5.2 粗糙模糊集合
5.2.1 粗集與模糊集合分析
5.2.2 模糊粗集
5.2.3 知識(shí)近似模型的統(tǒng)一
5.3 粗集神經(jīng)網(wǎng)絡(luò)
5.3.1 Rough—ANN結(jié)合的特點(diǎn)
5.3.2 決策表簡(jiǎn)化方法
5.3.3 粗集神經(jīng)網(wǎng)絡(luò)系統(tǒng)
5.4 貝葉斯分類(lèi)器粗集算法
5.4.1 簡(jiǎn)單貝葉斯分類(lèi)
5.4.2 基于粗集的屬性約簡(jiǎn)方法
5.4.3 基于粗集的貝葉斯分類(lèi)器算法
5.4.4 試驗(yàn)結(jié)果
5.5 系統(tǒng)評(píng)估粗集方法
5.5.1 系統(tǒng)評(píng)估粗集方法的特點(diǎn)
5.5.2 系統(tǒng)綜合評(píng)估粗集方法
5.5.3 建立評(píng)估體系的粗集方法
5.5.4 試驗(yàn)驗(yàn)證
5.6 文字識(shí)別的粗集算法
5.6.1 模式識(shí)別與粗集方法
5.6.2 文字粗集表達(dá)與知識(shí)簡(jiǎn)化
5.6.3 基于粗集理論方法的文字識(shí)別
5.7 圖像中值濾波的粗集方法
5.7.1 基本依據(jù)
5.7.2 粗集中值濾波
5.7.3 試驗(yàn)結(jié)論和討論
5.8 灰色粗集模型與故障診斷
5.8.1 灰色關(guān)聯(lián)分析方法
5.8.2 參數(shù)屬性分析
5.8.3 灰色粗集模型的建立
5.8.4 試驗(yàn)結(jié)果及分析
第6章 遺傳算法
6.1 遺傳算法基礎(chǔ)
6.1.1 遺傳算法的歷史
6.1.2 遺傳算法的基本原理
6.1.3 遺傳算法數(shù)學(xué)基礎(chǔ)分析
6.2 遺傳算法分析
6.2.1 遺傳算法結(jié)構(gòu)分析
6.2.2 基因操作
6.2.3 遺傳算法參數(shù)選擇
6.3 TSP問(wèn)題的遺傳算法解
6.3.1 問(wèn)題的分析
6.3.2 遺傳算法算子
6.3.3 算法與試驗(yàn)
6.4 神經(jīng)網(wǎng)絡(luò)的遺傳學(xué)習(xí)算法
6.4.1 遺傳算法概述
6.4.2 遺傳學(xué)習(xí)算法之一
6.4.3 遺傳學(xué)習(xí)算法之二
6.5 復(fù)數(shù)編碼遺傳算法
6.5.1 復(fù)數(shù)編碼遺傳算法的基本原理
6.5.2 基于神經(jīng)網(wǎng)絡(luò)的控制結(jié)構(gòu)
6.5.3 機(jī)器人競(jìng)爭(zhēng)性協(xié)進(jìn)化仿真
6.6 并行遺傳算法
6.6.1 遺傳算法并行化的必要性
6.6.2 并行選擇過(guò)程
6.6.3 并行遺傳算法的設(shè)計(jì)方案
6.7 回溯遺傳算法
6.7.1 回溯機(jī)制
6.7.2 回溯遺傳算法的特點(diǎn)
6.7.3 試驗(yàn)
6.8 協(xié)同進(jìn)化遺傳算法
6.8.1 生態(tài)種群捕獲競(jìng)爭(zhēng)模型
6.8.2 捕獲競(jìng)爭(zhēng)遺傳算法
6.8.3 試驗(yàn)結(jié)果及比較
第7章 蟻群算法
7.1 蟻群算法原理
7.1.1 基本原理
7.1.2 蟻群系統(tǒng)模型及其實(shí)現(xiàn)
7.2 ant-cycle算法
7.3 自適應(yīng)蟻群算法
7.3.1 基本蟻群算法分析
7.3.2 自適應(yīng)蟻群算法(Adaptive ACS)
7.3.3 仿真結(jié)果
7.4 遺傳算法與蟻群算法的融合
7.4.1 遺傳算法與蟻群算法分析
7.4.2 蟻群算法的優(yōu)化機(jī)理及模型描述
7.4.3 遺傳算法與蟻群算法的融合((3AAA)
7.4.4 仿真試驗(yàn)結(jié)果
7.5 組合優(yōu)化的蟻群算法
7.5.1 路徑優(yōu)化問(wèn)題
7.5.2 最優(yōu)樹(shù)問(wèn)題
7.5.3 軟件實(shí)現(xiàn)
7.6 連續(xù)優(yōu)化問(wèn)題的蟻群算法
7.6.1 無(wú)約束非線性最優(yōu)化問(wèn)題
7.6.2 連續(xù)優(yōu)化問(wèn)題的蟻群算法
7.6.3 計(jì)算實(shí)例
7.7 系統(tǒng)辨識(shí)的蟻群算法
7.7.1 連續(xù)空間尋優(yōu)的蟻群算法回顧
7.7.2 系統(tǒng)蟻群辨識(shí)算法
7.7.3 實(shí)例研究及仿真結(jié)果
7.8 聚類(lèi)問(wèn)題的蟻群算法
7.8.1 數(shù)學(xué)模型
7.8.2 K—均值算法
7.8.3 模擬退火算法
7.8.4 蟻群算法
7.8.5 算法比較
7.9 函數(shù)優(yōu)化蟻群算法
7.9.1 函數(shù)優(yōu)化的蟻群模型
7.9.2 典型測(cè)試函數(shù)應(yīng)用實(shí)例
7.10 蟻群神經(jīng)網(wǎng)絡(luò)
7.10.1 基于蟻群算法的神經(jīng)網(wǎng)絡(luò)訓(xùn)練
7.10.2 蟻群神經(jīng)網(wǎng)絡(luò)算法步驟
7.10.3 計(jì)算機(jī)仿真試驗(yàn)
7.11 智能蟻群算法
7.11.1 蟻群算法缺陷
7.11.2 智能蟻群模型
7.11.3 參數(shù)設(shè)定及結(jié)果
7.12 自適應(yīng)進(jìn)化蟻群算法
7.12.1 進(jìn)化的必要性
7.12.2 自適應(yīng)進(jìn)化蟻群模型
7.12.3 仿真試驗(yàn)結(jié)果
第8章 免疫算法
8.1 免疫算法基礎(chǔ)
8.1.1 遺傳算法的缺憾
8.1.2 免疫算法的生物學(xué)基礎(chǔ)
8.1.3 免疫算法及其收斂性
8.1.4 免疫算子的機(jī)理與構(gòu)造
8.1.5 免疫算子的執(zhí)行算法
8.1.6 免疫疫苗的選取示例
8.1.7 ISP問(wèn)題的免疫算法求解
8.2 免疫算法的設(shè)計(jì)
8.2.1 免疫算法結(jié)構(gòu)
8.2.2 算法設(shè)計(jì)與實(shí)現(xiàn)
8.3 多目標(biāo)：Flow-shop問(wèn)題的免疫算法
8.3.1 生產(chǎn)調(diào)度問(wèn)題
8.3.2 免疫調(diào)度算法
8.3.3 工程應(yīng)用
8.3.4 免疫算法參數(shù)對(duì)優(yōu)化效果的影響
8.4 路徑免疫規(guī)劃算法
8.4.1 系統(tǒng)描述
8.4.2 算法描述
8.4.3 仿真試驗(yàn)
8.5 圖像自適應(yīng)免疫增強(qiáng)算法
8.5.1 圖像增強(qiáng)技術(shù)分析
8.5.2 圖像自適應(yīng)增強(qiáng)
8.5.3 圖像增強(qiáng)的自適應(yīng)免疫算法
8.6 電網(wǎng)免疫規(guī)劃算法
8.6.1 免疫算法的親和性
8.6.2 電網(wǎng)規(guī)劃免疫算法的基本步驟
8.6.3 電網(wǎng)規(guī)劃免疫模型
8.6.4 應(yīng)用實(shí)例
8.7 電力系統(tǒng)最優(yōu)潮流的免疫計(jì)算
8.7.1 電力系統(tǒng)最優(yōu)潮流的計(jì)算難題
8.7.2 電力系統(tǒng)最優(yōu)潮流的數(shù)學(xué)模型
8.7.3 最優(yōu)潮流的免疫算法實(shí)現(xiàn)
8.7.4 算例分析
第9章 信息融合
9.1 多傳感器信息融合概述
9.1.1 歷史背景
9.1.2 多傳感器信息融合系統(tǒng)的處理模型
9.1.3 多傳感器信息融合的層次問(wèn)題
9.1.4 信息融合的實(shí)現(xiàn)方法
9.2 信息融合模型與算法
9.2.1 信息融合模型
9.2.2 信息融合算法
9.3 貝葉斯信息融合方法
9.3.1 貝葉斯融合算法模型
9.3.2 實(shí)例分析
9.4.信息的模糊決策融合算法
9.4.1 基于模糊決策樹(shù)算法的融合模型
9.4.2 應(yīng)用實(shí)例
9.5 信息融合的D-S算法
9.5.1 互補(bǔ)信息
9.5.2 D—S理論基礎(chǔ)
9.5.3 Dempster合成法則
9.5.4 D—S T據(jù)理論在多信息融合中的應(yīng)用
9.6 Vague集模糊信息融合
9.6.1 Vague集
9.6.2 基于Vague集的融合模型
9.6.3 算例分析
9.7 信息融合的神經(jīng)網(wǎng)絡(luò)模型與算法
9.7.1 ANN信息融合特點(diǎn)
9.7.2 信息融合的MART模型及算法
9.8 信息融合的模糊神經(jīng)Petri網(wǎng)模型
9.8.1 模糊Petri網(wǎng)
9.8.2 模糊神經(jīng)Petri網(wǎng)
9.8.3 進(jìn)一步關(guān)注
第10章 量子智能信息處理
10.1 量子信息論
10.1.1 量子計(jì)算
10.1.2 量子信息論基礎(chǔ)
10.1.3 量子信息處理
10.1.4 量子加密
10.1.5 信息論與量子信息論對(duì)比
10.2 量子神經(jīng)計(jì)算
10.2.1 神經(jīng)計(jì)算回顧
10.2.2 量子計(jì)算與神經(jīng)計(jì)算的結(jié)合
10.2.3 量子神經(jīng)信息處理
10.2.4 量子神經(jīng)計(jì)算模型
10.3 典型量子神經(jīng)網(wǎng)絡(luò)模型
10.3.1.ANN概念的量子類(lèi)比
10.3.2 QNN的物理實(shí)現(xiàn)
10.3.3 幾種QNN模型
10.4 量子神經(jīng)元
10.4.1 量子邏輯門(mén)
10.4.2 量子神經(jīng)元模型
10.4.3 量子神經(jīng)元學(xué)習(xí)算法
10.4.4 量子邏輯運(yùn)算特性
10.5 量子遺傳算法
10.5.1 量子遺傳算法基礎(chǔ)
10.5.2 改進(jìn)量子遺傳算法
10.5.3 新量子遺傳算法
10.5.4 分組量子遺傳算法
10.5.5 量子遺傳算法的其他形式
參考文獻(xiàn)