信息智能處理技術(shù)

第1章 緒論 1
1.1 智能的概念 1
1.2 人工智能 2
1.2.1 人工智能發(fā)展歷史 3
1.2.2 人工智能研究內(nèi)容及目標 4
1.2.3 人工智能研究領(lǐng)域 5
1.3 信息智能處理技術(shù)及其應(yīng)用 8
第2章 信息智能處理語言 12
2.1 概述 12
2.2 邏輯型程序設(shè)計語言Prolog 13
2.2.l Prolog語言的三種基本語句 14
2.2.2 Prolog語言的基本結(jié)構(gòu) 14
2.2.3 Prolog語言的基本工作原理 16
2.2.4 Prolog語言的特點 18
2.2.5 Prolog語言的常用版本 19
第3章 模糊理論基礎(chǔ) 21
3.1 概述 21
3.2 普通集合與模糊集合 22
3.2.1 普通集合 22
3.2.2 模糊集合 24
3.3 模糊集合的運算 26
3.3.1 模糊集合基本運算 26
3.3.2 模糊關(guān)系 27
3.3.3 模糊變換 30
3.4 模糊集合的兩個基本定理 31
3.4.1 分解定理 31
3.4.2 擴張定理 32
3.5 模糊語言表述 33
3.5.1 語氣算子 33
3.5.2 模糊化算子 34
3.5.3 判定化算子 35
3.6 模糊邏輯 36
3.7 模糊推理 37
3.7.1 模糊假言推理 38
3.7.2 模糊條件推理 39
3.8 模糊控制 42
3.8.1 模糊控制基本過程 43
3.8.2 系統(tǒng)分析 43
3.8.3 輸入模糊化處理 44
3.8.4 模糊控制規(guī)則庫的建立 46
3.8.5 模糊推理 47
3.8.6 輸出反模糊化處理 48
3.9 基于MATLAB的模糊推理系統(tǒng) 49
3.9.1 利用GUI建立FIS 49
3.9.2 利用MATLAB命令行建立FIS 58
3.10 模糊集合理論應(yīng)用實例——基于模糊集合 理論的圖像增強 62
3.10.1 圖像模糊增強的技術(shù)方案 63
3.10.2 基于MATLAB語言的圖像模糊增強實現(xiàn) 65
第4章 機器學習與自動推理技術(shù) 70
4.1 機器學習 70
4.1.1 機器學習的主要策略 71
4.1.2 機器學習系統(tǒng) 71
4.1.3 機器學習分類 72
4.1.4 符號學習 73
4.2 自動推理技術(shù) 75
4.2.1 確定性推理方法 77
4.2.2 不確定性推理方法 82
第5章 專家系統(tǒng) 93
5.1 概述 93
5.2 專家系統(tǒng)的基本框架 94
5.3 專家系統(tǒng)的特點及類型 96
5.3.1 專家系統(tǒng)的特點 96
5.3.2 專家系統(tǒng)的類型 97
5.4 專家系統(tǒng)的設(shè)計與開發(fā) 100
5.4.1 知識的獲取 100
5.4.2 知識庫的建立 101
5.4.3 推理機制 102
5.4.4 專家系統(tǒng)的設(shè)計評價 106
5.5 專家系統(tǒng)開發(fā)工具 107
5.5.1 骨架型開發(fā)工具 108
5.5.2 語言型開發(fā)工具 109
5.5.3 構(gòu)造輔助工具 110
5.5.4 支撐環(huán)境 111
5.6 專家系統(tǒng)應(yīng)用實例——組合導航標繪儀故障 診斷專家系統(tǒng) 112
5.6.1 組合導航標繪儀故障診斷專家系統(tǒng)設(shè)計 113
5.6.2 組合導航標繪儀故障診斷方法研究及實現(xiàn) 114
第6章 人工神經(jīng)網(wǎng)絡(luò)理論 117
6.1 概述 117
6.2 人工神經(jīng)網(wǎng)絡(luò)基本理論 118
6.2.1 人工神經(jīng)元基本模型 118
6.2.2 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 120
6.2.3 人工神經(jīng)網(wǎng)絡(luò)的學習 121
6.3 前饋型神經(jīng)網(wǎng)絡(luò)主要算法 123
6.3.1 感知器模型 124
6.3.2 BP網(wǎng)絡(luò)模型 126
6.3.3 RBF網(wǎng)絡(luò)模型 134
6.4 反饋型神經(jīng)網(wǎng)絡(luò)主要算法 148
6.4.1 Hopfield網(wǎng)絡(luò)算法 148
6.4.2 自組織特征映射網(wǎng)絡(luò)算法 154
6.5 基于MATLAB語言的人工神經(jīng)網(wǎng)絡(luò)工具箱 158
6.5.1 基本功能介紹 158
6.5.2 BP網(wǎng)絡(luò)的MATLAB實現(xiàn) 159
6.5.3 徑向基函數(shù)網(wǎng)絡(luò)的設(shè)計實例 166
6.5.4 神經(jīng)網(wǎng)絡(luò)工具箱中的圖形用戶界面 179
6.6 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用實例——基于BP神經(jīng)網(wǎng)絡(luò)的 自然紋理圖像生成 185
6.6.1 圖像紋理特征的提取 185
6.6.2 自然紋理圖像非線性數(shù)學模型的建立 186
6.6.3 實驗仿真 187
第7章 遺傳算法 189
7.1 概述 189
7.2 遺傳算法的一般步驟和基本算子 190
7.2.1 遺傳算法的一般步驟 190
7.2.2 遺傳算法的基本算子 192
7.3 遺傳算法應(yīng)用中的一些基本問題 197
7.4 遺傳算法的特點 199
7.5 遺傳算法的應(yīng)用實例——TSP問題的求解 201
7.5.1 TSP問題 201
7.5.2 基于遺傳算法的TSP問題求解 203
7.6 基于MATLAB語言的遺傳算法工具箱 213
7.6.1 遺傳算法工具箱簡介 213
7.6.2 遺傳算法工具箱GAOT 213
7.6.3 遺傳算法工具箱GADS 217
第8章 模擬退火算法 222
8.1 概述 222
8.1.1 物理學固體退火過程 222
8.1.2 Metropolis準則 223
8.2 模擬退火算法 223
8.2.1 模擬退火算法的操作過程 224
8.2.2 模擬退火算法的特點 226
8.3 模擬退火算法中關(guān)鍵參數(shù)的選取 227
8.4 模擬退火算法的改進 229
8.4.1 自適應(yīng)模擬退火算法 230
8.4.2 增加記憶能力的模擬退火算法 230
8.4.3 增加升溫功能的模擬退火算法 231
8.4.4 混合模擬退火算法（Hybrid SA） 232
8.4.5 并行模擬退火算法（Parallel SA，PSA） 233
8.5 模擬退火算法的應(yīng)用 233
8.6 基于MATLAB語言的模擬退火算法實現(xiàn) 234
8.6.1 基于MATLAB語言的模擬退火算法程序設(shè)計 234
8.6.2 基于MATLAB工具箱的模擬退火算法程序設(shè)計 238
8.7 模擬退火算法應(yīng)用實例——基于模擬退火 算法的圖像閾值分割 243
8.7.1 圖像閾值分割基本原理 243
8.7.2 基于模擬退火算法的圖像單閾值分割 244
8.7.3 實驗仿真及結(jié)果分析 247
第9章 蟻群算法 248
9.1 概述 248
9.2 螞蟻覓食基本原理 248
9.3 螞蟻系統(tǒng) 251
9.4 蟻群算法的參數(shù)分析 257
9.4.1 啟發(fā)因子α和β的分析 257
9.4.2 信息素揮發(fā)系數(shù)σ的分析 260
9.4.3 螞蟻數(shù)量m的分析 262
9.4.4 總信息量Q的分析 264
9.5 蟻群算法最重要的改進——蟻群系統(tǒng) 265
9.6 蟻群算法的特點及應(yīng)用領(lǐng)域 270
9.7 基于MATLAB語言的蟻群算法實現(xiàn) 271
9.8 蟻群算法應(yīng)用實例——基于蟻群算法的硬幣自動識別 277
9.8.1 基于蟻群算法的聚類識別基本原理 277
9.8.2 硬幣圖像特征提取 278
9.8.3 基于蟻群算法的硬幣圖像自動識別 279
9.8.4 實驗仿真及結(jié)果分析 280
……
第10章 人工免疫算法 282
第11章 克隆選擇算法 310
第12章 粒子群算法 332