人工智能前沿技术丛书 计算智能导论【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

人工智能前沿技术丛书 计算智能导论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 绪论——从人工智能到计算智能1

1.1 人工智能的发展1

1.1.1 人工智能的萌芽1

1.1.2 人工智能的诞生3

1.1.3 人工智能的发展6

1.2 人工智能预言、现状和未来9

1.3 人工智能的新生：计算智能10

1.3.1 人工神经网络10

1.3.2 模糊逻辑10

1.3.3 进化计算11

1.3.4 计算智能11

1.4 智能的三个层次12

1.5 计算智能领域研究成果12

1.5.1 进化计算研究成果12

1.5.2 模糊理论研究成果16

1.5.3 人工神经网络研究成果19

习题22

参考文献22

第2章 进化计算29

2.1 绪论29

2.1.1 引例29

2.1.2 从进化论到进化计算31

2.2 遗传算法37

2.2.1 遗传算法简介37

2.2.2 遗传的特点38

2.2.3 示例38

2.2.4 遗传算法的基本框架40

2.2.5 遗传算法的优点40

2.2.6 遗传算法的五个关键问题41

2.3 遗传编码和种群初始化41

2.3.1 遗传编码41

2.3.2 种群初始化46

2.4 交叉和变异47

2.4.1 交叉算子47

2.4.2 变异算子50

2.5 选择和适应度函数52

2.5.1 选择52

2.5.2 适应度函数54

2.5.3 适应度共享和群体多样性56

2.6 遗传算法用于求解数值优化问题57

2.7 遗传算法的理论基础65

2.7.1 模式理论65

2.7.2 建筑块假说69

2.8 进化算法的收敛性分析71

2.8.1 收敛性的定义71

2.8.2 基于压缩映射原理的收敛性分析71

2.8.3 基于有限Markov链的收敛性分析72

2.8.4 公理化模型73

2.9 基于进化计算的约束优化问题75

2.9.1 无约束优化问题75

2.9.2 约束优化问题的形式及处理方法80

2.9.3 罚函数82

2.9.4 应用GA求解约束优化问题86

2.9.5 随机优化问题89

2.9.6 非线性目标规划问题94

2.9.7 区间规划问题98

2.10 基于进化计算的组合优化问题104

2.10.1 组合优化问题的基本概念104

2.10.2 背包问题104

2.10.3 TSP问题111

2.11 基于进化计算的多目标优化问题124

2.11.1 多目标优化的基本思想124

2.11.2 遗传算法求解多目标优化问题129

2.11.3 适应度分配机制131

2.11.4 多目标优化的主要算法134

2.12 群智能算法136

2.12.1 蚁群算法137

2.12.2 粒子群算法141

2.13 免疫克隆算法143

2.13.1 从生物免疫到人工免疫系统143

2.13.2 免疫进化算法146

2.13.3 克隆选择计算151

习题157

参考文献160

第3章 模糊逻辑164

3.1 模糊理论基础164

3.1.1 概率与模糊165

3.1.2 模糊集合的定义166

3.1.3 模糊集合和经典集合167

3.1.4 模糊集合的表示方法170

3.1.5 模糊集合的几何图示171

3.1.6 模糊集合的运算174

3.2 隶属度函数178

3.2.1 隶属度函数的基本概念178

3.2.2 隶属度函数遵守的基本原则183

3.2.3 隶属度函数的设计184

3.2.4 模糊集合的特性188

3.2.5 模糊性的度量190

3.3 模糊关系及运算192

3.3.1 模糊关系192

3.3.2 模糊关系的运算195

3.4 模糊推理197

3.4.1 模糊逻辑的特点及运算197

3.4.2 模糊语言变量198

3.4.3 模糊推理201

3.4.4 模糊化和去模糊化205

3.5 模糊控制系统207

3.5.1 模糊控制207

3.5.2 模糊控制器208

3.6 模糊聚类分析210

3.6.1 问题的提出210

3.6.2 模糊聚类分析的基础知识210

3.6.3 模糊聚类分析的一般步骤212

3.7 模糊综合评判模型217

3.8 模糊理论在图像处理中的应用221

3.8.1 基于模糊稀疏自编码器框架的单幅图像人脸识别算法221

3.8.2 基于模糊超像素表征学习的PolSAR图像分类232

习题245

参考文献246

第4章 人工神经网络252

4.1 绪论252

4.1.1 人工神经网络简介252

4.1.2 人工神经网络的发展254

4.1.3 人工神经网络的应用与实现257

4.2 人工神经单元——单感知器260

4.2.1 生物学基础260

4.2.2 感知器模型261

4.2.3 激活函数263

4.2.4 感知器参数学习266

4.3 人工神经网络268

4.3.1 单层神经网络269

4.3.2 多层神经网络269

4.3.3 神经网络参数学习270

4.3.4 人工神经网络的信息处理能力271

4.4 神经网络的学习方法272

4.4.1 Hebb规则272

4.4.2 梯度下降方法276

4.4.3 误差反向传播算法280

4.4.4 其他学习方法282

4.5 径向基函数网络284

4.5.1 径向基函数简介284

4.5.2 径向基函数网络概念285

4.5.3 径向基函数网络的模型285

4.5.4 径向基函数网络的工作原理及特点286

4.5.5 径向基函数网络的学习算法287

4.6 深度神经网络289

4.6.1 有监督学习与无监督学习289

4.6.2 卷积神经网络289

4.6.3 循环神经网络298

4.6.4 生成对抗网络303

4.6.5 增强学习309

习题314

参考文献315