本教材的內(nèi)容涉及模糊理論、數(shù)據(jù)融合、神經(jīng)網(wǎng)絡、遺傳算法及傳感技術等相關內(nèi)容，并著重介紹數(shù)據(jù)融合技術的原理、特點及具體應用方法，在目前多傳感器數(shù)據(jù)融合技術研究成果的基礎上進行系統(tǒng)解析，分析特點，論述不足，為數(shù)據(jù)融合技術的研究提供科學合理的依據(jù)，達到促進智能信息處理技術可持續(xù)發(fā)展的目標。
《智能信息處理技術原理與應用》內(nèi)容新穎，包括了神經(jīng)計算、進化計算、模糊計算、數(shù)據(jù)融合、禁忌搜索算法、模擬退火算法、蟻群算法以及粒子群優(yōu)化算法等內(nèi)容以及相關技術的應用實例。
前言
隨著社會的進步，在科學研究和工程實踐中遇到的問題正變得越來越復雜，采用傳統(tǒng)的信息處理方法來解決這些問題面臨著計算復雜度高、計算時間長等問題，傳統(tǒng)算法根本無法在可以接受的時間內(nèi)求出精確解。因此，為了在求解時間和求解精度上取得平衡，科研工作者們提出了很多具有啟發(fā)式特征的計算智能算法。這些算法通過模擬大自然和人類的智慧實現(xiàn)對問題的優(yōu)化求解，即在可接受的時間內(nèi)求解出可以接受的解。
計算智能是智能信息處理的核心技術，作為一門新興的交叉學科，與人工智能、生命科學、自動控制、計算機科學、應用數(shù)學、生物工程、系統(tǒng)工程等有著密切的聯(lián)系。計算智能因其智能性、并行性和健壯性，具有很好的自適應能力和很強的全局搜索能力，得到了眾多研究者的廣泛關注，目前已經(jīng)在算法理論和算法性能方面取得了很多突破性的成果，在科學研究和生產(chǎn)實踐中發(fā)揮了重要的作用。
本書內(nèi)容包括神經(jīng)計算、進化計算、模糊計算、數(shù)據(jù)融合、禁忌搜索算法、模擬退火算法、蟻群算法以及粒子群優(yōu)化算法等內(nèi)容以及相關技術的應用實例。本書共分為6章。第1章是智能信息處理技術緒論，主要介紹智能信息處理技術的產(chǎn)生與發(fā)展、人工智能與計算智能的特點與發(fā)展歷程以及計算智能技術的集成； 第2章是神經(jīng)計算，主要介紹前饋型神經(jīng)網(wǎng)絡、反饋型神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡、自組織神經(jīng)網(wǎng)絡以及模糊神經(jīng)網(wǎng)絡等方法的基本原理與相關應用實例； 第3章是進化計算，主要介紹進化計算的一般框架與特點、遺傳算法、進化規(guī)劃、進化策略等內(nèi)容與相關實例； 第4章是模糊計算，主要介紹知識表示和推理、模糊理論、模糊集合、模糊關系以及模糊信息處理等內(nèi)容與應用實例； 第5章是數(shù)據(jù)融合，主要介紹數(shù)據(jù)融合基本概念、數(shù)據(jù)融合主要技術、數(shù)據(jù)融合主要結(jié)構、數(shù)據(jù)融合關聯(lián)技術以及卡爾曼濾波等內(nèi)容和應用實例； 第6章是常見的智能優(yōu)化算法，主要介紹禁忌搜索算法、模擬退火算法、蟻群算法以及粒子群優(yōu)化算法等方法的原理與應用實例。
本書由蔣海峰、王寶華編著。課題組的張曼、王冰冰、李銘等參與了本書部分章節(jié)內(nèi)容的編寫、圖表的繪制、文字段落的排版以及對書中實例進行驗證等工作，邱蘊鋒、王振益、鄒德龍等參與了前期討論以及提綱制定，對他們的付出與努力表示感謝。此外，本書參考和引用了一些論文和書籍資料，在此向相關作者一并表示感謝。
智能信息處理技術是一門新興交叉技術，許多理論方法和技術問題仍需進一步研究與完善。限于作者對智能信息處理技術的認識水平，書中難免存在缺點與不足，希望得到廣大讀者的批評指正。
作者
2019年1月
蔣海峰，男，1978年7月生，江蘇揚州人，南京理工大學自動化學院講師，碩士生導師。中國科學技術大學本碩博（自動控制專業(yè)本科、檢測技術與自動化裝置專業(yè)碩士、模式識別與智能系統(tǒng)專業(yè)博士）、南京理工大學控制科學與工程博士后、哈爾濱工程大學訪問學者。長期從事于智能信息處理、多傳感器數(shù)據(jù)融合、微納級傳感器、無線傳感器網(wǎng)絡等方向的研究。在國內(nèi)外學術期刊及國際會議上發(fā)表論文近三十篇，專利多項。
目錄
第1章緒論
1.1智能信息處理概述
1.1.1智能信息處理的產(chǎn)生及發(fā)展
1.1.2人工智能概述
1.1.3AI的發(fā)展
1.1.4AI主要的研究學派和研究方法
1.1.5AI研究內(nèi)容和研究領域
1.1.6計算智能的產(chǎn)生
1.2計算智能信息處理的主要技術
1.2.1模糊計算技術
1.2.2神經(jīng)計算技術
1.2.3進化計算技術
1.3計算智能技術的綜合集成
1.3.1模糊系統(tǒng)與神經(jīng)網(wǎng)絡的結(jié)合
1.3.2神經(jīng)網(wǎng)絡與遺傳算法的結(jié)合
1.3.3模糊技術、神經(jīng)網(wǎng)絡和遺傳算法的綜合集成
習題
第2章神經(jīng)計算
2.1概述
2.1.1神經(jīng)網(wǎng)絡的定義
2.1.2神經(jīng)網(wǎng)絡的發(fā)展歷史
2.1.3神經(jīng)網(wǎng)絡的特點
2.1.4神經(jīng)網(wǎng)絡的應用
2.2神經(jīng)網(wǎng)絡基本原理
2.2.1神經(jīng)元的基本構成
2.2.2神經(jīng)元的基本數(shù)學模型
2.2.3基本激活函數(shù)
2.2.4神經(jīng)網(wǎng)絡的拓撲結(jié)構
2.3前饋型神經(jīng)網(wǎng)絡
2.3.1感知器
2.3.2BP神經(jīng)網(wǎng)絡
2.3.3BP算法的若干改進
2.3.4前饋型神經(jīng)網(wǎng)絡的應用
2.4反饋型神經(jīng)網(wǎng)絡
2.4.1Hopfield神經(jīng)網(wǎng)絡
2.4.2BAM網(wǎng)絡
2.4.3Hamming網(wǎng)絡
2.5RBF神經(jīng)網(wǎng)絡
2.5.1RBF神經(jīng)網(wǎng)絡的結(jié)構
2.5.2RBF神經(jīng)網(wǎng)絡的訓練
2.5.3RBF神經(jīng)網(wǎng)絡在交通流預測中的應用
2.6自組織神經(jīng)網(wǎng)絡
2.6.1競爭學習
2.6.2自組織特征映射神經(jīng)網(wǎng)絡
2.6.3基于自適應諧振構成的自組織神經(jīng)網(wǎng)絡
2.7神經(jīng)網(wǎng)絡和模糊系統(tǒng)
2.7.1簡述
2.7.2神經(jīng)網(wǎng)絡和模糊系統(tǒng)的結(jié)合方式
2.7.3模糊神經(jīng)網(wǎng)絡
2.7.4模糊神經(jīng)網(wǎng)絡的應用
習題
第3章進化計算
3.1進化計算的一般框架與共同特點
3.1.1進化計算的一般框架
3.1.2進化計算的共同特點
3.2遺傳算法基礎
3.2.1遺傳算法的歷史與發(fā)展
3.2.2遺傳算法的基本原理
3.2.3遺傳算法數(shù)學基礎分析
3.3遺傳算法分析
3.3.1遺傳算法基本結(jié)構
3.3.2基因操作
3.3.3遺傳算法參數(shù)選擇
3.3.4遺傳算法的改進
3.3.5遺傳算法的基本實例
3.4遺傳算法在函數(shù)優(yōu)化及TSP中的應用
3.4.1一元函數(shù)優(yōu)化實例
3.4.2多元函數(shù)優(yōu)化實例
3.4.3TSP問題的描述及優(yōu)化意義
3.4.4TSP問題的遺傳算法設計
3.5進化規(guī)劃
3.5.1進化規(guī)劃的起源與發(fā)展
3.5.2進化規(guī)劃的主要特點
3.5.3進化規(guī)劃中的算法分析
3.5.4進化規(guī)劃的應用
3.6進化策略
3.6.1進化策略的起源與發(fā)展
3.6.2進化策略的主要特點
3.6.3進化策略的不同形式及基本思想
3.6.4進化策略的執(zhí)行過程
習題
第4章模糊計算
4.1知識表示和推理
4.1.1知識與推理中的關系
4.1.2產(chǎn)生式系統(tǒng)
4.2模糊理論及三大基本元素
4.3模糊集合的基本運算
4.4模糊集合運算的基本規(guī)則
4.5模糊關系
4.5.1模糊關系與模糊關系矩陣
4.5.2模糊關系矩陣的運算
4.5.3λ截矩陣λ水平截集
4.5.4模糊關系的運算和性質(zhì)
4.5.5模糊邏輯推理及應用
4.6模糊信息處理
4.6.1模糊模式識別
4.6.2模糊聚類分析
4.6.3基于模糊等價關系的模式分類
4.6.4基于模糊相似關系的模式分類
4.6.5基于最大隸屬原則的模式分類
4.6.6基于擇近原則的模式分類
習題
第5章數(shù)據(jù)融合
5.1數(shù)據(jù)融合的基本概念
5.2數(shù)據(jù)融合的傳感器管理與數(shù)據(jù)庫
5.2.1傳感器管理
5.2.2態(tài)勢數(shù)據(jù)庫
5.3數(shù)據(jù)融合方法
5.3.1Bayes估計方法
5.3.2DempsterShafer算法
5.4數(shù)據(jù)融合系統(tǒng)結(jié)構形式及數(shù)據(jù)準備
5.4.1數(shù)據(jù)融合系統(tǒng)結(jié)構形式
5.4.2數(shù)據(jù)融合系統(tǒng)的功能模型
5.4.3數(shù)據(jù)融合的層次
5.5數(shù)據(jù)準備
5.5.1融合中心數(shù)據(jù)處理的前提
5.5.2數(shù)據(jù)的預處理
5.5.3數(shù)據(jù)對準
5.6數(shù)據(jù)關聯(lián)技術
5.6.1數(shù)據(jù)關聯(lián)的目的
5.6.2關聯(lián)的基本思路
5.6.3數(shù)據(jù)關聯(lián)的主要形式
5.6.4數(shù)據(jù)關聯(lián)過程
5.7狀態(tài)估計卡爾曼濾波
5.7.1數(shù)字濾波器作估值器
5.7.2線性均方估計
5.7.3標量卡爾曼濾波器
5.7.4向量卡爾曼濾波器
5.7.5卡爾曼濾波器的應用
5.7.6常系數(shù)和濾波器
習題
第6章常見的智能優(yōu)化算法
6.1智能優(yōu)化算法的產(chǎn)生與發(fā)展
6.1.1最優(yōu)化問題及其分類
6.1.2優(yōu)化算法的分類
6.1.3智能優(yōu)化算法的產(chǎn)生與發(fā)展
6.2禁忌搜索算法
6.2.1基本禁忌搜索
6.2.2禁忌搜索的關鍵要素
6.2.3禁忌搜索的基本步驟與算法流程
6.2.4禁忌搜索算法的改進
6.2.5禁忌搜索算法在多用戶檢測中的應用
6.3模擬退火算法
6.3.1簡述
6.3.2模擬退火算法的收斂性
6.3.3模擬退火算法的關鍵參數(shù)
6.3.4模擬退火算法的改進與發(fā)展
6.3.5模擬退火算法在成組技術中加工中心的組成問題中的應用
6.4蟻群算法
6.4.1蟻群算法的由來
6.4.2基本蟻群算法
6.4.3改進的蟻群算法
6.4.4蟻群算法在機器人路徑規(guī)劃中的應用
6.5粒子群優(yōu)化算法
6.5.1粒子群優(yōu)化算法的基本原理
6.5.2粒子群優(yōu)化算法的構成要素
6.5.3改進的粒子群優(yōu)化算法
6.5.4粒子群優(yōu)化算法在PID參數(shù)整定中的應用
習題
參考文獻
書單推薦
