智能信息處理導(dǎo)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(guān)知識
1.1.2 模糊研究內(nèi)容與應(yīng)用
1.1.3 診斷模糊模型
1.2 多目標(biāo)模糊優(yōu)化方法
1.2.1 常規(guī)多目標(biāo)優(yōu)化設(shè)計的模糊解法
1.2.2 模糊多目標(biāo)優(yōu)化設(shè)計
1.2.3 普遍型多目標(biāo)模糊優(yōu)化設(shè)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(yīng)模糊聚類分析
1.4.1 相關(guān)的模糊聚類算法
1.4.2 自適應(yīng)模糊聚類算法
1.4.3 算法收斂性分析
1.5 模糊關(guān)聯(lián)分析
1.5.1 模糊關(guān)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(biāo)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(yīng)用
習(xí)題

第2章 神經(jīng)網(wǎng)絡(luò)信息處理
2.1 神經(jīng)網(wǎng)絡(luò)的一般模型
2.1.1 一般形式的神經(jīng)網(wǎng)絡(luò)模型
2.1.2 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
2.1.3 神經(jīng)網(wǎng)絡(luò)計算的特點
2.1.4 神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)
2.2 BP神經(jīng)網(wǎng)絡(luò)模型
2.2.1 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
2.2.2 BP神經(jīng)網(wǎng)絡(luò)建模
2.3 貝葉斯神經(jīng)網(wǎng)絡(luò)
2.3.1 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)和貝葉斯方法
2.3.2 神經(jīng)根網(wǎng)絡(luò)的貝葉斯學(xué)習(xí)
2.3.3 貝葉斯神經(jīng)網(wǎng)絡(luò)算法
2.4 RBF神經(jīng)網(wǎng)絡(luò)
2.4.1 RBF特點
2.4.2 RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與訓(xùn)練
2.4.3 高速公路ANN限速控制器的設(shè)計
2.5 貝葉斯——高速神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)
2.6.1 智能神經(jīng)元模型
2.6.2 廣義神經(jīng)網(wǎng)絡(luò)模型及學(xué)習(xí)算法
2.6.3 交通流預(yù)測模型
2.7 發(fā)動機(jī)神經(jīng)網(wǎng)絡(luò)BP算法建模
2.7.1 發(fā)動機(jī)性能曲線神經(jīng)網(wǎng)絡(luò)處理方法
2.7.2 發(fā)動機(jī)神經(jīng)網(wǎng)絡(luò)辨識結(jié)構(gòu)
2.8 組合灰色神經(jīng)網(wǎng)絡(luò)模型
2.8.1 灰色預(yù)測模型
2.8.2 灰色神經(jīng)網(wǎng)絡(luò)預(yù)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(xiàn)