软计算方法理论及应用PDF|Epub|txt|kindle电子书版本网盘下载

软计算方法理论及应用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

第一篇 模糊数学及其应用第一章 模糊集合3

1.1 模糊性与随机性3

1.1.1 模糊概念3

1.1.2 模糊性与随机性3

1.2 模糊集及其运算4

1.2.1 模糊子集定义4

1.2.2 模糊子集的表示4

1.2.3 模糊子集间的运算5

1.3 模糊集的截集及几个重要的凸模糊子集7

1.3.1 α-截集7

1.3.2 几种重要的模糊子集8

1.4 分解定理与扩张原理8

1.5 模糊数及其运算10

1.5.1 常用的模糊数10

1.5.2 模糊数的算术运算11

1.6 建立隶属函数的方法13

1.6.1 模糊统计法14

1.6.2 构造隶属函数方法15

1.6.3 二元对比排序18

第二章 模糊关系20

2.1 模糊向量20

2.2 模糊关系21

2.2.1 模糊关系21

2.2.2 模糊关系的运算性质22

2.2.3 模糊矩阵的截矩阵23

2.2.4 模糊关系的转置23

2.2.5 模糊关系的合成23

2.3 模糊等价关系24

2.3.1 模糊等价关系24

2.3.2 模糊等价关系与聚类图25

2.3.3 传递闭包27

2.4 模糊合成规则28

2.4.1 合成推理规则28

2.4.2 模糊蕴涵算子与模糊关系合成算子29

2.4.3 模糊条件推理的原则30

2.4.4 模糊三段论32

2.4.5 模糊推理方法的比较32

第三章 模糊综合评判35

3.1 距离度量法35

3.1.1 海明距离35

3.1.2 加权海明距离36

3.1.3 欧氏距离36

3.1.4 闵科夫斯基距离36

3.2 贴近度37

内外积法37

3.3 模糊综合评判39

3.3.1 模糊综合评判模型40

3.3.2 实例41

第四章 不确定性推理方法简介46

4.1 概率推理46

4.1.1 Bayes公式及主观Bayes方法46

4.1.2 证据的不确定性描述47

4.1.3 基于主观Bayes方法的不确定性推理47

4.1.4 结论不确定性的合成算法49

4.2 贝叶斯网络50

4.3 模糊逻辑推理与可能性理论51

4.3.1 模糊逻辑推理51

4.3.2 模糊推理52

4.3.3 可能性理论52

参考文献54

第二篇 粗糙集及其应用第五章 粗糙集的基本理论57

5.1 粗糙集理论的发展概况57

5.1.1 粗糙集概念提出的背景57

5.1.2 粗糙集理论及应用的研究现状58

5.1.3 粗糙集与其他软计算方法相结合的应用前景广阔59

5.2 粗糙集理论的基本概念60

5.2.1 信息集60

5.2.2 粗糙集61

5.2.3 属性约简和属性值约简62

5.2.4 属性依赖62

5.2.5 属性约简63

5.2.6 属性值约简64

5.3 知识的概念64

5.3.1 知识的分类精度66

5.3.2 知识约简、核及知识的依赖性66

5.3.3 相对约简与相对核67

5.4 知识的表达系统68

5.4.1 决策表68

5.4.2 决策规则69

5.4.3 决策表的约简69

5.4.4 相对于等价类的属性重要性70

5.4.5 极小规则和极大规则71

5.4.6 连续属性离散化72

5.5 基于粗糙集的故障诊断方法73

5.5.1 基于粗糙集的系统故障诊断基本原理74

5.5.2 基于粗糙集电力变压器故障诊断74

第六章 粗糙集与数学形态学78

6.1 形态学运算79

6.1.1 基本概念79

6.1.2 基本运算80

6.2 基本数学形态学的灰度图像处理89

第七章 基于粗糙集的知识发现过程研究91

7.1 广义分布式表和粗糙集系统91

7.1.1 规则的强度91

7.1.2 最优规则集的搜索算法92

7.2 启发式粗糙集方法94

参考文献96

第三篇 人工神经网络第八章 概述99

8.1 人工神经网络的定义99

8.2 人脑处理信息的机制99

8.3 ANN的发展历史102

8.4 人工神经网络的研究与应用105

8.5 人工神经网络的信息处理能力106

8.5.1 神经网络信息存贮能力106

8.5.2 神经网络的计算能力106

8.6 人工神经网络理论研究重大成果109

第九章 人工神经网络基本模型110

9.1 M-P模型110

9.1.1 M-P模型110

9.1.2 常用的激励函数111

9.1.3 ANN的分类111

9.1.4 ANN的学习方式112

9.2 感知器模型113

9.2.1 简单感知器113

9.2.2 单层感知机114

9.3 多层前向神经网络116

9.3.1 多层前向神经网络116

9.3.2 多层前向神经网络的BP算法117

第十章 Hopfield网120

10.1 Hopfield网的分类121

10.1.1 离散型Hopfield网络121

10.1.2 连续Hopfield网络122

10.2 Hopfield网的工作方式123

10.2.1 串行（异步）方式123

10.2.2 并行（同步）方式124

10.3 Hopfield网的稳定性124

10.3.1 系统的稳定性124

10.3.2 Hopfield定理124

10.3.3 Hopfield网稳定性的理解129

10.4 双向联想存储器130

10.4.1 基本联想存储器131

10.4.2 双向联想存储器133

第十一章 时态粗糙神经网络135

11.1 问题概述135

11.2 时态粗糙神经网136

11.2.1 时态神经元136

11.2.2 时态粗神经元138

11.2.3 时态粗糙神经网139

参考文献142

第四篇 遗传算法145

第十二章 遗传算法概论145

12.1 生物的进化与遗传145

12.1.1 生物的进化145

12.1.2 生物进化的特点146

12.2 遗传算法的实例146

12.3 遗传算法的基本概念148

12.4 遗传算法的发展历程和特点149

12.4.1 遗传算法的发展历程149

12.4.2 遗传算法的特点151

第十三章 遗传算法基本问题153

13.1 遗传算法的基本流程153

13.1.1 简单遗传算法的基本流程153

13.1.2 SGA的形式化描述154

13.1.3 SGA的形式化定义154

13.1.4 SGA的基本概念154

13.2 遗传编码155

13.2.1 二进制编码157

13.2.2 大字符集编码157

13.2.3 序列编码157

13.2.4 实数编码157

13.2.5 树编码158

13.2.6 自适应编码158

13.2.7 乱序编码158

13.2.8 二倍体编码和显性规律158

13.3 适应度函数160

13.4 遗传算子160

13.4.1 选择算子161

13.4.2 交叉算子163

13.4.3 变异算子166

13.5 关键参数的讨论167

13.5.1 染色体长度167

13.5.2 编码方案167

13.5.3 适应度函数的构造167

13.5.4 群体规模n167

13.5.5 交叉概率Pc168

13.5.6 变异概率Pm168

13.5.7 终止循环的条件168

13.6 约束条件的处理方法168

13.7 遗传算法的性能评价169

第十四章 遗传算法基本理论170

14.1 模式定理170

14.2 建筑模块假说172

14.3 遗传算法的欺骗问题173

14.3.1 从集合角度考察模式的空间表示173

14.3.2 欺骗问题174

14.3.3 模式的包含、竞争与关联174

第十五章 利用改进遗传算法求解TSP问题178

15.1 问题简述178

15.2 遗传算子的改进179

15.2.1 编码及适应度函数的构造179

15.2.2 选择算子的改进策略与实现180

15.2.3 交叉算子的改进与实现180

15.2.4 Dmutation变异算子及实现183

15.2.5 试验结果的讨论184

参考文献186

附录 基于改进遗传算法求解TSP问题源程序187