人工智能与信息感知【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

人工智能与信息感知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 概述1

1.1 智能信息感知的产生及其发展1

1.1.1 智能感知系统的组成与特点1

1.1.2 智能计算的产生与发展3

1.2 人工智能信息感知技术关键6

1.2.1 神经计算技术6

1.2.2 深度学习7

1.2.3 模糊计算技术9

1.2.4 进化计算技术10

参考文献12

第2章 信息感知与数据融合14

2.1 概述14

2.2 协作感知与数据融合15

2.2.1 网络化智能协作感知15

2.2.2 多传感器数据融合19

2.3 多传感数据融合基本原理21

2.3.1 多传感器数据融合目标21

2.3.2 多传感器数据融合的层次与结构21

2.3.3 数据融合中的检测、分类与识别算法25

2.3.4 典型的数据融合方法26

2.3.5 多传感器数据融合方法的特点31

2.4 自适应动态数据融合方法31

2.4.1 测量模型与方法简述31

2.4.2 测量数据范围的推导32

2.4.3 最优范围的确定33

参考文献34

第3章 神经计算基础38

3.1 人工神经网络基础38

3.1.1 人工神经网络的提出39

3.1.2 人工神经网络的特点44

3.1.3 历史回顾46

3.1.4 生物神经网络49

3.1.5 人工神经元50

3.1.6 人工神经网络的拓扑特性53

3.1.7 存储与映射58

3.1.8 人工神经网络的训练59

3.2 感知器61

3.2.1 感知器与人工神经网络的早期发展61

3.2.2 感知器的学习算法62

3.2.3 线性不可分问题66

参考文献68

第4章 神经计算基本方法69

4.1 BP网络69

4.1.1 BP网络简介69

4.1.2 基本BP算法70

4.1.3 BP算法的实现76

4.1.4 BP算法的理论基础77

4.1.5 几个问题的讨论81

4.2 径向基函数神经网络82

4.2.1 函数逼近与内插82

4.2.2 正规化理论84

4.2.3 RBF网络的学习86

4.2.4 RBF网络的一些变形91

4.3 Hopfield反馈神经网络92

4.3.1 联想存储器92

4.3.2 反馈网络93

4.3.3 用反馈网络作联想存储器98

4.3.4 相关学习算法100

4.3.5 反馈网络用于优化计算101

4.4 随机型神经网络104

4.4.1 模拟退火算法105

4.4.2 Boltzmann机108

4.4.3 Gaussian机120

4.5 自组织竞争网络123

4.5.1 SOFM网络结构124

4.5.2 SOFM网络的应用126

4.5.3 ART神经网络128

4.6 神经网络计算的组织130

4.6.1 输入层和输出层设计130

4.6.2 网络数据的准备132

4.6.3 网络初始权值的选择134

4.6.4 隐层数及隐层节点设计134

4.6.5 网络的训练、检测及性能评价137

参考文献139

第5章 深度学习142

5.1 深度学习概述142

5.1.1 深度学习定义142

5.1.2 深度学习特点143

5.1.3 深度学习平台143

5.2 自编码器144

5.2.1 稀疏自编码器144

5.2.2 多层自编码器表示148

5.2.3 各类自编码器介绍148

5.3 深度神经网络150

5.3.1 多层神经网络近似定理150

5.3.2 深度置信网络151

5.3.3 深层玻尔兹曼机153

5.3.4 深度神经网络结构分析156

5.4 卷积神经网络157

5.4.1 卷积与池化157

5.4.2 卷积核160

5.4.3 卷积神经网络结构162

5.5 递归神经网络163

5.5.1 展开计算图163

5.5.2 回声状态网络167

5.5.3 门控增强单元168

5.5.4 长短时记忆单元169

5.6 深度增强学习170

5.6.1 增强学习170

5.6.2 马尔可夫决策171

5.6.3 决策迭代172

5.6.4 Q-Learning算法174

5.6.5 深度增强网络177

5.7 深度学习应用179

5.7.1 视觉感知179

5.7.2 语音识别181

5.7.3 自然语言处理182

5.7.4 生物信息处理183

参考文献184

第6章 支持向量机190

6.1 统计学习理论的基本内容190

6.1.1 机器学习的基本问题190

6.1.2 学习机的复杂性与推广能力192

6.1.3 统计学习的基本理论192

6.2 支持向量机194

6.2.1 最大间隔分类支持向量机194

6.2.2 软间隔分类支持向量机196

6.2.3 基于核的支持向量机196

6.3 多分类支持向量机197

6.3.1 直接法198

6.3.2 分解法198

6.4 基于SVM的机械设备故障诊断201

6.4.1 实验平台及故障信号获取201

6.4.2 基于小波包变换的故障特征提取202

6.4.3 基于多类分类SVM的故障诊断识别204

参考文献206

第7章 模糊逻辑与模糊推理基本方法207

7.1 模糊逻辑的历史207

7.2 模糊集209

7.3 隶属函数213

7.3.1 隶属函数的几种确定方法213

7.3.2 几种常用的隶属函数215

7.3.3 模糊逻辑工具箱内置的隶属函数217

7.4 模糊运算与模糊推理219

7.4.1 模糊运算219

7.4.2 模糊规则与模糊推理223

7.4.3 Marndani型推理与Sugeno型推理226

7.5 模糊系统227

7.5.1 模糊系统的结构227

7.5.2 模糊控制器的设计228

7.5.3 神经-模糊系统231

7.5.4 自适应模糊模型233

7.5.5 自适应模糊控制系统238

第8章 模糊计算实现243

8.1 模糊推理过程243

8.1.1 模糊推理过程的步骤243

8.1.2 自定义模糊推理245

8.2 模糊逻辑工具箱的图形界面工具246

8.2.1 FIS编辑器247

8.2.2 隶属函数编辑器248

8.2.3 模糊规则编辑器249

8.2.4 模糊规则观察器251

8.2.5 输出曲面观察器252

8.2.6 自定义模糊推理系统254

8.3 模糊逻辑工具箱的命令行工作方式255

8.3.1 系统结构函数255

8.3.2 系统显示函数255

8.3.3 在命令行中建立系统256

8.3.4 FIS求解257

8.3.5 FIS结构258

8.4 神经-模糊推理编辑器ANFIS258

8.4.1 神经-模糊推理259

8.4.2 ANFIS编辑器260

8.4.3 应用ANFIS编辑器的步骤261

参考文献265

第9章 遗传算法266

9.1 遗传优化算法基础266

9.1.1 遗传算法的产生与发展266

9.1.2 遗传算法概要268

9.1.3 遗传算法的应用情况273

9.1.4 基本遗传算法274

9.1.5 模式定理282

9.1.6 遗传算法的改进285

9.1.7 遗传算法与函数最优化291

9.1.8 遗传算法与系统辨识295

9.1.9 遗传算法与神经控制301

9.2 遗传优化算法的工程应用305

9.2.1 遗传算法在无约束优化中的应用305

9.2.2 遗传算法在非线性规划中的应用308

参考文献312

第10章 粒群智能314

10.1 引言314

10.1.1 微粒群算法综述314

10.1.2 微粒群算法的研究方向315

10.2 微粒群算法的基本原理316

10.2.1 引言316

10.2.2 基本微粒群算法317

10.2.3 基本微粒群算法的社会行为分析318

10.2.4 带惯性权重的微粒群算法320

10.3 改进微粒群算法320

10.3.1 基本微粒群算法进化方程的改进320

10.3.2 收敛性改进324

10.4 微粒群算法的实验设计与参数选择326

10.4.1 设计微粒群算法的基本原则与步骤326

10.4.2 几种典型的微粒群模型及参数选择329

10.5 基于微粒群算法的人工神经网络优化333

10.5.1 神经网络的微粒群算法优化策略333

10.5.2 协同微粒群算法优化神经网络335

10.6 蚁群智能336

10.6.1 双桥实验与随机模型336

10.6.2 人工蚂蚁模型340

10.6.3 蚁群优化元启发式算法347

参考文献350