人工智能與信息感知

第1章概述

1．1智能信息感知的產(chǎn)生及其發(fā)展

1．1．1智能感知系統(tǒng)的組成與特點

1．1．2智能計算的產(chǎn)生與發(fā)展

1．2人工智能信息感知技術(shù)關(guān)鍵

1．2．1神經(jīng)計算技術(shù)

1．2．2深度學習

1．2．3模糊計算技術(shù)

1．2．4進化計算技術(shù)

參考文獻

第2章信息感知與數(shù)據(jù)融合

2．1概述

2．2協(xié)作感知與數(shù)據(jù)融合

2．2．1網(wǎng)絡(luò)化智能協(xié)作感知

2．2．2多傳感器數(shù)據(jù)融合

2．3多傳感數(shù)據(jù)融合基本原理

2．3．1多傳感器數(shù)據(jù)融合目標

2．3．2多傳感器數(shù)據(jù)融合的層次與結(jié)構(gòu)

2．3．3數(shù)據(jù)融合中的檢測、分類與識別算法

2．3．4典型的數(shù)據(jù)融合方法

2．3．5多傳感器數(shù)據(jù)融合方法的特點

2．4自適應(yīng)動態(tài)數(shù)據(jù)融合方法

2．4．1測量模型與方法簡述

2．4．2測量數(shù)據(jù)范圍的推導

2．4．3最優(yōu)范圍的確定

參考文獻

第3章神經(jīng)計算基礎(chǔ)

3.1人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)

3.1.1人工神經(jīng)網(wǎng)絡(luò)的提出

3.1.2人工神經(jīng)網(wǎng)絡(luò)的特點

3.1.3歷史回顧

3.1.4生物神經(jīng)網(wǎng)絡(luò)

3.1.5人工神經(jīng)元

3.1.6人工神經(jīng)網(wǎng)絡(luò)的拓撲特性

3.1.7存儲與映射

3.1.8人工神經(jīng)網(wǎng)絡(luò)的訓練

3.2感知器

3.2.1感知器與人工神經(jīng)網(wǎng)絡(luò)的早期發(fā)展

3.2.2感知器的學習算法

3.2.3線性不可分問題

參考文獻

第4章神經(jīng)計算基本方法

4.1BP網(wǎng)絡(luò)

4.1.1BP網(wǎng)絡(luò)簡介

4.1.2基本BP算法

4.1.3BP算法的實現(xiàn)

4.1.4BP算法的理論基礎(chǔ)

4.1.5幾個問題的討論

4.2徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

4.2.1函數(shù)逼近與內(nèi)插

4.2.2正規(guī)化理論

4.2.3RBF網(wǎng)絡(luò)的學習

4.2.4RBF網(wǎng)絡(luò)的一些變形

4.3Hopfield反饋神經(jīng)網(wǎng)絡(luò)

4.3.1聯(lián)想存儲器

4.3.2反饋網(wǎng)絡(luò)

4.3.3用反饋網(wǎng)絡(luò)作聯(lián)想存儲器

4.3.4相關(guān)學習算法

4.3.5反饋網(wǎng)絡(luò)用于優(yōu)化計算

4.4隨機型神經(jīng)網(wǎng)絡(luò)

4.4.1模擬退火算法

4.4.2Boltzmann機

4.4.3Gaussian機

4.5自組織競爭網(wǎng)絡(luò)

4.5.1SOFM網(wǎng)絡(luò)結(jié)構(gòu)

4.5.2SOFM網(wǎng)絡(luò)的應(yīng)用

4.5.3ART神經(jīng)網(wǎng)絡(luò)

4.6神經(jīng)網(wǎng)絡(luò)計算的組織

4.6.1輸入層和輸出層設(shè)計

4.6.2網(wǎng)絡(luò)數(shù)據(jù)的準備

4.6.3網(wǎng)絡(luò)初始權(quán)值的選擇

4.6.4隱層數(shù)及隱層節(jié)點設(shè)計

4.6.5網(wǎng)絡(luò)的訓練、檢測及性能評價

參考文獻

第5章深度學習

5．1深度學習概述

5．1．1深度學習定義

5．1．2深度學習特點

5．1．3深度學習平臺

5．2自編碼器

5．2．1稀疏自編碼器

5．2．2多層自編碼器表示

5．2．3各類自編碼器介紹

5．3深度神經(jīng)網(wǎng)絡(luò)

5．3．1多層神經(jīng)網(wǎng)絡(luò)近似定理

5．3．2深度置信網(wǎng)絡(luò)

5．3．3深層玻爾茲曼機

5．3．4深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分析

5．4卷積神經(jīng)網(wǎng)絡(luò)

5．4．1卷積與池化

5．4．2卷積核

5．4．3卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

5．5遞歸神經(jīng)網(wǎng)絡(luò)

5．5．1展開計算圖

5．5．2回聲狀態(tài)網(wǎng)絡(luò)

5．5．3門控增強單元

5．5．4長短時記憶單元

5．6深度增強學習

5．6．1增強學習

5．6．2馬爾可夫決策

5．6．3決策迭代

5．6．4QLearning算法

5．6．5深度增強網(wǎng)絡(luò)

5．7深度學習應(yīng)用

5．7．1視覺感知

5．7．2語音識別

5．7．3自然語言處理

5．7．4生物信息處理

參考文獻

第6章支持向量機

6.1統(tǒng)計學習理論的基本內(nèi)容

6.1.1機器學習的基本問題

6.1.2學習機的復雜性與推廣能力

6.1.3統(tǒng)計學習的基本理論

6.2支持向量機

6.2.1最大間隔分類支持向量機

6.2.2軟間隔分類支持向量機

6.2.3基于核的支持向量機

6.3多分類支持向量機

6.3.1直接法

6.3.2分解法

6.4基于SVM的機械設(shè)備故障診斷

6.4.1實驗平臺及故障信號獲取

6.4.2基于小波包變換的故障特征提取

6.4.3基于多類分類SVM的故障診斷識別

參考文獻

第7章模糊邏輯與模糊推理基本方法

7.1模糊邏輯的歷史

7.2模糊集

7.3隸屬函數(shù)

7.3.1隸屬函數(shù)的幾種確定方法

7.3.2幾種常用的隸屬函數(shù)

7.3.3模糊邏輯工具箱內(nèi)置的隸屬函數(shù)

7.4模糊運算與模糊推理

7.4.1模糊運算

7.4.2模糊規(guī)則與模糊推理

7.4.3Mamdani型推理與Sugeno型推理

7.5模糊系統(tǒng)

7.5.1模糊系統(tǒng)的結(jié)構(gòu)

7.5.2模糊控制器的設(shè)計

7.5.3神經(jīng)模糊系統(tǒng)

7.5.4自適應(yīng)模糊模型

7.5.5自適應(yīng)模糊控制系統(tǒng)


第8章模糊計算實現(xiàn)

8.1模糊推理過程

8.1.1模糊推理過程的步驟

8.1.2自定義模糊推理

8.2模糊邏輯工具箱的圖形界面工具

8.2.1FIS編輯器

8.2.2隸屬函數(shù)編輯器

8.2.3模糊規(guī)則編輯器

8.2.4模糊規(guī)則觀察器

8.2.5輸出曲面觀察器

8.2.6自定義模糊推理系統(tǒng)

8.3模糊邏輯工具箱的命令行工作方式

8.3.1系統(tǒng)結(jié)構(gòu)函數(shù)

8.3.2系統(tǒng)顯示函數(shù)

8.3.3在命令行中建立系統(tǒng)

8.3.4FIS求解

8.3.5FIS結(jié)構(gòu)

8.4神經(jīng)模糊推理編輯器ANFIS

8.4.1神經(jīng)模糊推理

8.4.2ANFIS編輯器

8.4.3應(yīng)用ANFIS編輯器的步驟

參考文獻

第9章遺傳算法

9.1遺傳優(yōu)化算法基礎(chǔ)

9.1.1遺傳算法的產(chǎn)生與發(fā)展

9.1.2遺傳算法概要

9.1.3遺傳算法的應(yīng)用情況

9.1.4基本遺傳算法

9.1.5模式定理

9.1.6遺傳算法的改進

9.1.7遺傳算法與函數(shù)最優(yōu)化

9.1.8遺傳算法與系統(tǒng)辨識

9.1.9遺傳算法與神經(jīng)控制

9.2遺傳優(yōu)化算法的工程應(yīng)用

9.2.1遺傳算法在無約束優(yōu)化中的應(yīng)用

9.2.2遺傳算法在非線性規(guī)劃中的應(yīng)用

參考文獻

第10章粒群智能

10.1引言

10.1.1微粒群算法綜述

10.1.2微粒群算法的研究方向

10.2微粒群算法的基本原理

10.2.1引言

10.2.2基本微粒群算法

10.2.3基本微粒群算法的社會行為分析

10.2.4帶慣性權(quán)重的微粒群算法

10.3改進微粒群算法

10.3.1基本微粒群算法進化方程的改進

10.3.2收斂性改進

10.4微粒群算法的實驗設(shè)計與參數(shù)選擇

10.4.1設(shè)計微粒群算法的基本原則與步驟

10.4.2幾種典型的微粒群模型及參數(shù)選擇

10.5基于微粒群算法的人工神經(jīng)網(wǎng)絡(luò)優(yōu)化

10.5.1神經(jīng)網(wǎng)絡(luò)的微粒群算法優(yōu)化策略

10.5.2協(xié)同微粒群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)

10.6蟻群智能

10.6.1雙橋?qū)嶒炁c隨機模型

10.6.2人工螞蟻模型

10.6.3蟻群優(yōu)化元啟發(fā)式算法

參考文獻