智能信息处理 第2版2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

智能信息处理 第2版PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 模糊信息处理1

1.1 电气设备故障诊断模糊模型1

1.1.1 故障诊断模糊化的必要性1

1.1.2 三比值法模糊化处理1

1.1.3 举例说明4

1.1.4 模糊故障诊断要点及评判结论4

1.2 多目标模糊优化方法5

1.2.1 多目标优化问题5

1.2.2 多目标结构模糊优化问题的解法5

1.2.3 隶属函数选取时对优化结果的影响6

1.2.4 数值实例8

1.3 数据处理的模糊熵方法10

1.3.1 模糊事件的熵10

1.3.2 用基于熵的模糊方法评定测量结果11

1.3.3 实例分析11

1.4 自适应模糊聚类分析12

1.4.1 基本的FCM聚类算法12

1.4.2 自适应模糊C均值聚类算法13

1.4.3 应用实例13

1.5 模糊关联分析14

1.5.1 模糊综合评价分析14

1.5.2 模糊关联分析法原理与方法14

1.5.3 实例研究16

1.6 模糊信息优化方法17

1.6.1 模糊信息优化处理概述17

1.6.2 模糊信息优化处理的基本理论18

1.6.3 黄土湿陷性评价实例分析19

1.7 模糊多属性决策的模糊贴近度方法19

1.7.1 模糊多属性决策19

1.7.2 模糊多属性决策模型20

1.7.3 模糊多属性决策的模糊贴近度解法20

1.7.4 算例分析21

1.8 信息不完全确知的模糊决策集成模型22

1.8.1 信息不完全确知的多目标决策22

1.8.2 I2DM模糊决策集成模型22

1.8.3 I2DM模糊决策集成模型分析25

1.9 模糊Petri网26

1.9.1 Petri网26

1.9.2 基于模糊Petri网模型的知识描述26

1.9.3 基于模糊Petri网的推理算法28

1.9.4 推理实例29

第2章 神经网络信息处理31

2.1 神经网络一般模型31

2.1.1 神经网络模型31

2.1.2 神经网络学习算法31

2.1.3 神经网络计算的特点32

2.2 BP神经网络模型33

2.2.1 BP神经网络学习算法33

2.2.2 BP神经网络建模34

2.3 贝叶斯神经网络35

2.3.1 传统神经网络和贝叶斯方法35

2.3.2 神经网络的贝叶斯学习35

2.3.3 贝叶斯神经网络算法37

2.4 RBF神经网络37

2.4.1 RBF神经网络的特点37

2.4.2 RBF神经网络的结构与训练37

2.4.3 高速公路RBF神经网络限速控制器39

2.5 贝叶斯—高斯神经网络非线性系统辨识39

2.5.1 BPNN分析39

2.5.2 BG推理模型和BGNN40

2.5.3 BGNN的自组织过程42

2.5.4 仿真研究42

2.6 广义神经网络43

2.6.1 智能神经元模型43

2.6.2 广义神经网络模型及学习算法45

2.6.3 交通流预测模型45

2.7 发动机神经网络BP算法建模45

2.7.1 发动机性能曲线神经网络处理方法45

2.7.2 发动机神经网络辨识结构46

2.8 组合灰色神经网络模型49

2.8.1 灰色预测模型49

2.8.2 灰色神经网络预测模型51

2.8.3 电力远期价格预测52

第3章 云信息处理54

3.1 隶属云54

3.1.1 模糊隶属函数54

3.1.2 对隶属函数的质疑54

3.1.3 隶属云定义55

3.1.4 隶属云的数字特征55

3.1.5 隶属云发生器56

3.1.6 隶属云发生器的实现技术58

3.2 云滴与云滴生成算法59

3.2.1 云滴59

3.2.2 云滴生成算法59

3.3 云计算60

3.3.1 云模型与不确定推理60

3.3.2 云计算原理62

3.3.3 云计算过程62

3.3.4 云计算的系统实现65

3.4 定性规则的云表示65

3.4.1 二维云模型65

3.4.2 二维云及多维云生成算法的改进66

3.4.3 定性规则的云模型表示67

3.4.4 定性规则的统一表示70

3.5 云综合评判模型71

3.5.1 综合评判71

3.5.2 云综合评判71

3.5.3 应用实例72

3.6 云决策树73

3.6.1 决策树方法73

3.6.2 基于云理论的神经网络映射学习73

3.6.3 云决策树的生成和应用76

3.7 定性预测系统的建模77

3.7.1 二维云算法77

3.7.2 算法描述及实现机制77

3.7.3 算法步骤78

3.8 三级倒立摆的云控制79

3.8.1 三级倒立摆79

3.8.2 云推理80

3.8.3 倒立摆的智能控制试验与分析80

3.8.4 试验结果分析81

第4章 可拓信息处理83

4.1 可拓学概述83

4.1.1 可拓学的研究对象、理论框架和方法体系83

4.1.2 可拓工程思想、工具和方法86

4.2 集装箱生成量可拓聚类预测91

4.2.1 集装箱生成量可拓聚类预测的建模机制91

4.2.2 可拓聚类预测的物元模型92

4.2.3 集装箱生成量可拓聚类预测的物元模型93

4.3 可拓故障诊断模型95

4.3.1 变压器故障诊断95

4.3.2 变压器故障可拓诊断95

4.3.3 实例研究98

4.4 可拓层次分析法99

4.4.1 层次分析法分析99

4.4.2 可拓区间数及其运算99

4.4.3 可拓区间数判断矩阵及其一致性101

4.4.4 可拓层次分析101

4.4.5 实例算法103

4.5 可拓控制策略103

4.5.1 可拓控制的提出103

4.5.2 可拓控制器的结构103

4.5.3 可拓控制器的设计104

4.5.4 仿真与展望107

4.6 可拓理论新应用108

4.6.1 基于可拓学的交通换乘收益分配108

4.6.2 可拓理论在物流系统中的应用113

4.6.3 可拓理论在城市电网规划中的应用113

4.6.4 可拓理论在煤矿安全中的应用114

第5章 粗集信息处理116

5.1 粗集理论基础116

5.1.1 粗集理论的提出116

5.1.2 等价类116

5.1.3 知识的约简118

5.2 粗糙模糊集合118

5.2.1 粗集与模糊集合分析118

5.2.2 模糊粗集120

5.2.3 知识近似模型的统一121

5.3 粗集神经网络122

5.3.1 Rough-ANN结合的特点122

5.3.2 决策表简化方法122

5.3.3 粗集神经网络系统123

5.4 贝叶斯分类器粗集算法124

5.4.1 简单贝叶斯分类125

5.4.2 基于粗集的属性约简方法125

5.4.3 基于粗集的贝叶斯分类器算法126

5.4.4 试验结果128

5.5 系统评估粗集方法129

5.5.1 系统评估粗集方法的特点129

5.5.2 系统综合评估粗集方法129

5.5.3 建立评估体系的粗集方法130

5.5.4 试验验证131

5.6 文字识别的粗集算法132

5.6.1 模式识别与粗集方法132

5.6.2 文字粗集表达与知识简化133

5.6.3 基于粗集理论方法的文字识别133

5.7 图像中值滤波的粗集方法135

5.7.1 基本依据135

5.7.2 粗集中值滤波135

5.7.3 试验结论和讨论136

第6章 遗传算法137

6.1 遗传算法基础137

6.1.1 遗传算法的历史137

6.1.2 遗传算法的基本原理137

6.1.3 遗传算法数学基础分析139

6.2 遗传算法分析141

6.2.1 遗传算法结构分析141

6.2.2 基因操作141

6.2.3 遗传算法参数选择143

6.3 TSP问题的遗传算法解144

6.3.1 问题的分析144

6.3.2 遗传算法算子144

6.3.3 算法与试验145

6.4 神经网络的遗传学习算法146

6.4.1 遗传算法形式化描述146

6.4.2 遗传学习算法之一147

6.4.3 遗传学习算法之二148

6.5 复数编码遗传算法149

6.5.1 复数编码遗传算法的基本原理149

6.5.2 基于神经网络的控制结构151

6.5.3 机器人竞争性协进化仿真152

6.6 并行遗传算法153

6.6.1 遗传算法并行化的必要性153

6.6.2 并行选择过程154

6.6.3 并行遗传算法的设计方案155

6.7 回溯遗传算法156

6.7.1 回溯机制156

6.7.2 回溯遗传算法的特点158

6.7.3 回溯GA仿直实例158

第7章 蚁群算法160

7.1 蚁群算法原理160

7.1.1 基本原理160

7.1.2 蚁群系统模型及其实现161

7.2 ant-cycle算法162

7.3 自适应蚁群算法163

7.3.1 基本蚁群算法分析163

7.3.2 蚁群算法自适应改进164

7.3.3 仿真结果165

7.4 遗传算法与蚁群算法的融合166

7.4.1 遗传算法与蚁群算法分析166

7.4.2 全局优化蚁群算法167

7.4.3 遗传蚁群算法167

7.4.4 仿真试验结果169

7.5 组合优化的蚁群算法172

7.5.1 路径优化问题172

7.5.2 最优树问题174

7.5.3 软件实现175

7.6 连续优化问题的蚁群算法175

7.6.1 无约束非线性最优化问题175

7.6.2 连续优化问题的蚁群算法175

7.6.3 计算实例176

7.7 系统辨识的蚁群算法177

7.7.1 连续空间寻优的蚁群算法回顾177

7.7.2 系统蚁群辨识算法178

7.7.3 实例研究及仿真结果181

7.8 聚类问题的蚁群算法182

7.8.1 数学模型182

7.8.2 K-均值算法183

7.8.3 模拟退火算法183

7.8.4 蚁群算法184

7.8.5 算法比较184

7.9 函数优化蚁群算法185

7.9.1 函数优化的蚁群模型185

7.9.2 典型测试函数应用实例187

7.10 蚁群神经网络188

7.10.1 基于蚁群算法的神经网络训练188

7.10.2 蚁群神经网络算法步骤188

7.10.3 计算机仿真试验189

7.11 智能蚁群算法189

7.11.1 蚁群算法缺陷189

7.11.2 智能蚁群模型190

7.11.3 参数设定及结果191

第8章 免疫算法193

8.1 免疫算法基础193

8.1.1 遗传算法的缺憾193

8.1.2 免疫算法的生物学基础193

8.1.3 免疫算法及其收敛性194

8.1.4 免疫算子的机理与构造196

8.1.5 免疫算子的执行算法197

8.1.6 免疫疫苗的选取示例197

8.1.7 TSP问题的免疫算法求解198

8.2 免疫算法的设计200

8.2.1 免疫算法结构200

8.2.2 算法设计与实现201

8.3 多目标Flow-shop问题的免疫算法203

8.3.1 生产调度问题203

8.3.2 免疫调度算法204

8.3.3 工程应用205

8.3.4 免疫算法参数对优化效果的影响206

8.4 路径免疫规划算法207

8.4.1 系统描述207

8.4.2 算法描述208

8.4.3 仿真试验210

8.5 图像自适应免疫增强算法211

8.5.1 图像增强技术分析211

8.5.2 图像自适应增强211

8.5.3 图像增强的自适应免疫算法212

8.6 电网免疫规划算法213

8.6.1 免疫算法的亲和性213

8.6.2 电网规划免疫算法的基本步骤214

8.6.3 电网规划免疫模型215

8.6.4 应用实例215

第9章 信息融合216

9.1 多传感器信息融合概述216

9.1.1 历史背景216

9.1.2 多传感器信息融合系统的处理模型218

9.1.3 多传感器信息融合的层次问题219

9.1.4 信息融合的实现方法220

9.2 信息融合模型与算法220

9.2.1 信息融合模型220

9.2.2 信息融合算法223

9.3 贝叶斯信息融合方法224

9.3.1 贝叶斯融合算法模型224

9.3.2 实例分析225

9.4 信息的模糊决策融合算法226

9.4.1 基于模糊决策树算法的融合模型227

9.4.2 应用实例229

9.5 信息融合的D-S算法230

9.5.1 互补信息230

9.5.2 D-S理论基础230

9.5.3 Dempster合成法则231

9.5.4 D-S证据理论在多信息融合中的应用231

9.6 信息融合的神经网络模型与算法232

9.6.1 ANN信息融合特点232

9.6.2 信息融合的MART模型及算法233

第10章 量子智能信息处理236

10.1 量子信息论236

10.1.1 量子计算236

10.1.2 量子信息论基础237

10.1.3 量子信息处理239

10.1.4 量子加密243

10.1.5 信息论与量子信息论对比243

10.2 量子神经计算244

10.2.1 神经计算回顾244

10.2.2 量子计算与神经计算的结合245

10.2.3 量子神经信息处理245

10.2.4 量子神经计算模型246

10.3 典型量子神经网络模型248

10.3.1 ANN概念的量子类比248

10.3.2 QNN的物理实现249

10.3.3 典型的QNN模型250

10.4 量子遗传算法253

10.4.1 量子遗传算法基础253

10.4.2 改进量子遗传算法254

10.4.3 新量子遗传算法255

10.4.4 分组量子遗传算法256

10.4.5 量子遗传算法的其他形式257

第11章 粒子群优化算法258

11.1 粒子群算法基础258

11.2 PSO算法的改进258

11.2.1 带极值扰动的简化粒子群优化算法258

11.2.2 扩展的相对基粒子群优化算法259

11.2.3 自我救赎式粒子群优化算法259

11.2.4 种群动态变化的粒子种群算法260

11.2.5 MPSO算法261

11.3 粒子群算法的应用262

11.3.1 水、火电力系统短期优化调度的PSO算法262

11.3.2 航天器姿态机动路径规划的PSO算法264

11.3.3 联合火力打击目标分配的PSO算法266

11.3.4 光伏发电系统最大功率跟踪的PSO算法268

11.3.5 弹炮混编防空群火力优化的PSO算法272

第12章 DNA算法276

12.1 DNA计算原理276

12.1.1 DNA计算产生背景276

12.1.2 DNA计算的基本概念276

12.2 DNA计算模型的分类278

12.2.1 双链DNA计算模型278

12.2.2 单链DNA或RNA模型278

12.2.3 质粒DNA模型279

12.2.4 表面DNA模型279

12.2.5 粘贴模型279

12.2.6 剪接模型280

12.2.7 三维DNA模型280

12.3 DNA计算的应用280

12.3.1 其于DNA算法的人脸识别280

12.3.2 基于DNA算法的电力系统无功优化283

12.3.3 基于DNA算法的中国邮递员问题286

12.3.4 基于DNA算法的交通诱导系统290

参考文献294