智能信息處理導論

第1章 模糊信息處理
1.1 模糊信息概述
1.1.1 模糊信息相關知識
1.1.2 模糊研究內容與應用
1.1.3 診斷模糊模型
1.2 多目標模糊優(yōu)化方法
1.2.1 常規(guī)多目標優(yōu)化設計的模糊解法
1.2.2 模糊多目標優(yōu)化設計
1.2.3 普遍型多目標模糊優(yōu)化設計方法
1.3 數(shù)據(jù)處理的模糊熵方法
1.3.1 模糊熵的公理體系與定義
1.3.2 模糊熵的圖像處理
1.4 自適應模糊聚類分析
1.4.1 相關的模糊聚類算法
1.4.2 自適應模糊聚類算法
1.4.3 算法收斂性分析
1.5 模糊關聯(lián)分析
1.5.1 模糊關聯(lián)分析法
1.5.2 評價原理和方法
1.5.3 實證研究
1.6 模糊信息優(yōu)化方法
1.6.1 模糊信息優(yōu)化處理的基本理論
1.6.2 模糊信息優(yōu)化實例分析
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決策
1.8.2 決策信息不完全確知的模糊決策集成模型
1.8.3 決策信息不完全確知的模糊決策集成模型分析
1.8.4 實例分析
1.9 模糊Petri網(wǎng)
1.9.1 Petri網(wǎng)概述
1.9.2 模糊Petri網(wǎng)的基本理論
1.9.3 基于模糊Petri網(wǎng)的推理算法及應用
習題

第2章 神經網(wǎng)絡信息處理
2.1 神經網(wǎng)絡的一般模型
2.1.1 一般形式的神經網(wǎng)絡模型
2.1.2 神經網(wǎng)絡學習算法
2.1.3 神經網(wǎng)絡計算的特點
2.1.4 神經網(wǎng)絡的拓撲結構
2.2 BP神經網(wǎng)絡模型
2.2.1 BP神經網(wǎng)絡學習算法
2.2.2 BP神經網(wǎng)絡建模
2.3 貝葉斯神經網(wǎng)絡
2.3.1 傳統(tǒng)神經網(wǎng)絡和貝葉斯方法
2.3.2 神經根網(wǎng)絡的貝葉斯學習
2.3.3 貝葉斯神經網(wǎng)絡算法
2.4 RBF神經網(wǎng)絡
2.4.1 RBF特點
2.4.2 RBF神經網(wǎng)絡的結構與訓練
2.4.3 高速公路ANN限速控制器的設計
2.5 貝葉斯——高速神經網(wǎng)絡非線性系統(tǒng)辨識
2.5.1 BPNN分析
2.5.2 BG推理模型和BGNN
2.5.3 BGNN的自組織過程
2.5.4 仿真研究
2.6 廣義神經網(wǎng)絡
2.6.1 智能神經元模型
2.6.2 廣義神經網(wǎng)絡模型及學習算法
2.6.3 交通流預測模型
2.7 發(fā)動機神經網(wǎng)絡BP算法建模
2.7.1 發(fā)動機性能曲線神經網(wǎng)絡處理方法
2.7.2 發(fā)動機神經網(wǎng)絡辨識結構
2.8 組合灰色神經網(wǎng)絡模型
2.8.1 灰色預測模型
2.8.2 灰色神經網(wǎng)絡預測模型

第3章 云信息處理
第4章 可拓信息處理
第5章 粗集信息處理
第6章 遺傳算法
第7章 免疫算法
第8章 蟻群算法
第9章 量子智能信息處理
第10章 信息融合
參考文獻