计算智能 人工神经网络·模糊系统·进化计算PDF|Epub|txt|kindle电子书版本网盘下载

计算智能 人工神经网络·模糊系统·进化计算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

序篇 计算智能3

第一章　绪论3

1.1　关于计算智能3

1.1.1　什么是计算智能3

1.1.2 计算智能所包含的领域4

1.2　人工神经网络5

1.2.1　什么是神经网络5

1.2.2　人工神经网络研究的历史5

1.3　模糊系统6

1.3.1　模糊系统理论的起源和发展6

1.3.2　模糊系统的研究范畴7

1.4　进化计算7

1.4.1　进化计算的发展过程7

1.4.2　进化计算的主要分支7

1.4.3　进化计算的主要特点8

1.5　人工神经网络、模糊系统和进化计算的相互融合9

第一篇 人工神经网络13

第二章　人工神经网络的基本模型13

2.1　生物神经元13

2.1.1　神经元的结构13

2.1.2　膜电位与神经元的兴奋13

2.2　人工神经元的形式化模型14

2.2.1　M-P模型14

2.2.2　线性加权模型15

2.2.3 阈值逻辑模型15

2.3　电子神经元18

2.4　人工神经网络模型19

2.4.1　神经网络节点的形式化描述19

2.4.2　神经元状态转移函数的类型20

2.4.3　神经网络分类及其拓扑结构20

2.4.4　神经网络的知识表示与处理能力22

2.5　人工神经网络的学习规则25

2.5.1 人工神经网络的学习方式25

2.5.2　人工神经网络的学习规则25

2.6　人工神经网络与传统计算机的比较27

2.6.1　人工神经网络计算机和冯·诺依曼计算机的比较27

2.6.2　人工神经网络和人工智能的比较28

2.6.3　人工神经网络与生物系统的区别28

2.7　人工神经网络的发展方向与研究问题28

2.7.1　人工神经网络模型的研究29

2.7.2　人工神经网络基本理论的研究29

2.7.3　人工神经网络智能信息处理系统的应用研究29

2.7.4　人工神经网络计算机29

第三章　前馈型神经网络32

3.1　感知器32

3.1.1　单层感知器32

3.1.2 感知器的收敛定理34

3.1.2 多层感知器网络36

3.1.4　感知器用于分类问题的算例38

3.2　多层前馈型神经网络39

3.2.1 网络结构及工作过程39

3.2.2　误差函数与误差曲面41

3.2.3 网络的学习规则——梯度下降算法42

3.3　误差逆传播算法（BP算法）42

3.3.1 BP算法的数学描述43

3.3.2　BP算法收敛性定理46

3.4　误差逆传播算法（BP算法）的若干改进46

3.4.1 基于全局学习速率自适应调整的BP算法47

3.4.2　基于局部学习速率自适应调整的BP算法48

3.4.3 BI（Back Impedance）算法49

3.4.4　BP算法样本特性及参数α，β两阶段动态调整52

3.5　使用遗传算法（GA）训练前馈型神经网络方法56

3.6　前馈型神经网络结构设计方法60

3.6.1 输入层和输出层的设计方法60

3.6.2 隐层数和层内节点数的选择61

3.6.3　逐次修剪法设计前馈型神经网络63

3.7　基于BP算法的前馈型神经网络在识别问题中的应用65

3.7.1　味觉信号的学习和识别65

3.7.2　手写体数字识别73

3.7.3　在包装件缓冲垫层非线性识别中的应用75

3.8　自适应线性元件80

3.9　径向基函数神经网络83

3.9.1 网络结构84

3.9.2　网络算式及参数84

第四章　反馈型神经网络86

4.1　概述86

4.1.1 前馈型与反馈型神经网络的比较86

4.1.2　反馈型神经网络模型86

4.2　离散型Hopfield神经网络88

4.2.1 离散型Hopfield神经网络模型88

4.2.2　网络的稳定性定理89

4.2.3 网络权值的学习91

4.2.4 网络的稳定性实验94

4.2.5　联想记忆95

4.3　连续型Hopfield神经网络99

4.3.1 网络结构和数学模型99

4.3.2 网络的稳定性分析100

4.4　Hopfield网络的应用实例102

4.4.1 用于求解TSP问题102

4.4.2 用于求解货流问题104

4.4.3　在通信网络中的应用107

4.4.4 广域网中的路由选择问题108

4.5　Boltzmann机111

4.5.1　Boltzmann机的网络模型111

4.5.2　模拟退火算法112

4.5.3　Boltzmann机的学习算法114

4.6　双向联想记忆网络118

4.7　海明网络119

第五章 自组织竞争神经网络模型122

5.1　概述122

5.2 自组织特征映射网络122

5.2.1 网络拓扑结构及工作过程123

5.2.2 自组织映射学习算法123

5.2.3 自组织映射网络的工作原理124

5.2.4 网络的应用实例125

5.3　自适应共振理论模型128

5.3.1 自适应共振理论（ART）128

5.3.2　ART1神经网络128

5.3.3 ART1网络学习算法的改进131

5.3.4　ART2神经网络131

5.3.5　ART神经网络在人像识别中的应用137

5.4　神经认知机140

参考文献143

第二篇 模糊系统147

第六章　模糊数学基础147

6.1　概述147

6.1.1　传统数学与模糊数学147

6.1.2　不相容原理147

6.2　模糊集合与隶属度函数148

6.2.1　模糊集合及其运算148

6.2.2　隶属度函数152

6.3　模糊逻辑与模糊推理154

6.3.1　模糊逻辑154

6.3.2　语言变量154

6.3.3　模糊推理156

第七章　模糊控制理论160

7.1　模糊控制原理160

7.1.1　模糊控制160

7.1.2　模糊控制器的基本结构与工作原理162

7.2　模糊控制器的种类和设计164

7.2.1　模糊控制器的分类164

7.2.2　模糊控制器的设计方法165

7.3　模糊控制的应用165

7.3.1 蒸汽发动机的模糊控制系统165

7.3.2　还原炉温度的模糊控制系统168

7.4　模糊控制规则的调整171

7.4.1 带有修正因子的模糊控制器171

7.4.2 自适应模糊控制器173

第八章　模糊神经网络与神经模糊系统176

8.1　神经网络与模糊系统176

8.1.1 神经网络与模糊系统的结合是发展的必然176

8.1.2　神经网络与模糊系统的结合方式177

8.2　模糊神经网络178

8.2.1　模糊神经网络分类器178

8.2.2　基于模糊推理的神经网络179

8.2.3　基于广义模糊加权型推理法的神经网络180

8.2.4　模糊神经网络和前馈型网络的组合式网络模型192

8.3　神经模糊系统195

8.3.1　基于神经网络的自适应模糊控制器195

8.3.2　适应性模糊联想记忆系统197

8.3.3　基于神经网络的模糊系统建模198

8.3.4　快速规则搜索的模糊系统建模199

参考文献203

第三篇 进化计算207

第九章　遗传算法207

9.1　生物进化与遗传算法的发展207

9.2　传统遗传算法209

9.3　遗传算法的特点与研究课题213

第十章　遗传算法的数学基础217

10.1　模式（Schema）概念217

10.2　模式定理218

10.3　关于模式定理的讨论222

10.4　隐并行性223

10.5　积木块假说224

第十一章　遗传算法的实现技术226

11.1　编码226

11.2　群体设定228

11.3　适应度函数229

11.4　遗传操作233

11.4.1　选择算子233

11.4.2　交叉算子235

11.4.3 变异算子237

第十二章　遗传算法的若干改进研究239

12.1　避免陷于局部极小的遗传算法239

12.2　一种快速收敛的遗传算法242

12.3　求解多值优化问题的回溯遗传算法245

第十三章　遗传算法的收敛性252

13.1　未成熟收敛252

13.2　标准遗传算法的收敛性分析253

13.3　基于扩展串的等价遗传算法的收敛性257

13.4　选择和变异操作下遗传算法的收敛性263

第十四章　用遗传算法解决组合优化问题269

14.1　函数优化269

14.2　基于遗传算法的Rosenbrock函数优化问题272

14.3 邮递员路径问题（TSP）277

第十五章　其他进化算法281

15.1　遗传规划概述281

15.1.1　遗传算法的局限性281

15.1.2 遗传规划的提出282

15.1.3　遗传规划简介282

15.2　遗传规划基本原理284

15.2.1　个体的描述方法284

15.2.2　初始群体的生成285

15.2.3　适应性度量286

15.2.4　主要操作287

15.2.5 结果标定289

15.2.6　控制参数290

15.3　遗传规划在符号回归中的应用290

15.4　进化策略与进化规划292

15.4.1　进化策略292

15.4.2　进化规划294

15.4.3　遗传算法与进化策略和进化规划的比较295

参考文献296