計算智能的數學基礎

第1章  概述                  
 1. 1  信息科學與機器智能                  
 1. 1. 1  信息與信息科學                  
 1. 1. 2  智能與機器智能                  
 1. 1. 3  機器智能的三個學派                  
 1. 2  計算智能的主要分支                  
 1. 2. 1  人工神經網絡                  
 1. 2. 2  遺傳算法                  
 1. 2. 3  模糊邏輯                  
 1. 3  計算智能研究的主要問題                  
 1. 3. 1  學習                  
 1. 3. 2  搜索                  
 1. 3. 3  推理                  
 1. 4  計算智能研究的主要方法                  
 1. 4. 1  模型                  
 1. 4. 2  算法                  
 1. 4. 3  實驗                  
 習題1                  
 第2章  感知器                  
 2. 1  分類問題                  
 2. 2  感知器                  
 2. 2. 1  感知器模型                  
 2. 2. 2  感知器學習                  
 2. 2. 3  線性可分                  
 2. 2. 4  收斂性                  
 2. 2. 5  復雜性                  
 2. 3  算法的容量                  
 2. 3. 1  概念                  
 2. 3. 2  隨機MP模型容量估計                  
 2. 4  非線性感知器                  
 2. 4. 1  非線性權感知器                  
 2. 4. 2  Newton迭代法                  
 2. 4. 3  Newton法的收斂性                  
 2. 5  高階感知器                  
 2. 5. 1  高階感知器模型                  
 2. 5. 2  Boolean函數                  
 2. 6  模糊感知器                  
 2. 6. 1  模糊感知器模型                  
 2. 6. 2  算法的收斂性                  
 習題2                  
 第3章  人工神經網絡                  
 3. 1  單層前向網                  
 3. 1. 1  單層前向網模型                  
 3. 1. 2  線性單層網                  
 3. 2  最優(yōu)化方法                  
 3. 2. 1  多元函數的極值                  
 3. 2. 2  梯度法                  
 3. 2. 3  最小二乘法                  
 3. 3  多層前向網                  
 3. 3. 1  雙層前向網                  
 3. 3. 2  學習目標                  
 3. 3. 3  誤差的后向傳播                  
 3. 3. 4  前向網絡的學習算法                  
 3. 4  徑向基函數                  
 3. 4. 1  插值                  
 3. 4. 2  徑向基函數網                  
 3. 5  回歸神經元網絡                  
 3. 5. 1  Hopfield網模型                  
 3. 5. 2  系統(tǒng)的穩(wěn)定性                  
 3. 5. 3  系統(tǒng)的收斂性                  
 3. 5. 4  糾錯學習問題                  
 習題3                  
 第4章  支撐向量機                  
 4. 1  最優(yōu)分離超平面                  
 4. 1. 1  最優(yōu)分離超平面                  
 4. 1. 2  二次規(guī)劃                  
 4. 1. 3  KKT條件                  
 4. 1. 4  分類超曲面                  
 4. 2  支撐向量機                  
 4. 2. 1  線性支撐向量機                  
 4. 2. 2  Gauss核支撐向量機                  
 4. 3  SVM學習算法                  
 4. 3. 1  SMO算法                  
 4. 3. 2  SMO算法的實現(xiàn)                  
 4. 3. 3  SMO算法的改進                  
 4. 4  數值實驗                  
 習題4                  
 第5章  遺傳算法                  
 5. 1  簡單遺傳算法                  
 5. 1. 1  簡單遺傳算法                  
 5. 1. 2  模式(Schema)                  
 5. 2  個體與種群                  
 5. 2. 1  個體                  
 5. 2. 2  種群                  
 5. 3  遺傳算子                  
 5. 3. 1  選擇算子                  
 5. 3. 2  雜交算子                  
 5. 3. 3  變異算子                  
 5. 3. 4  刪除算子                  
 5. 4  模式                  
 5. 4. 1  最小模式                  
 5. 4. 2  雜交算子的整體性質                  
 習題5                  
 第6章  數值實驗                  
 6. 1  數學軟件MATLAB相關函數                  
 6. 1. 1  MATLAB簡介                  
 6. 1. 2  相關函數                  
 6. 2  感知器數值實驗                  
 6. 2. 1  感知器生成與實例                  
 6. 2. 2  線性神經網絡生成與實例                  
 6. 3  BP算法數值實驗                  
 6. 4  自適應網絡                  
 6. 4. 1  自適應網絡簡介                  
 6. 4. 2  自適應網絡實驗                  
 習題6                  
 第7章  應用                  
 7. 1  旅行商問題                  
 7. 1. 1  TSP問題描述                  
 7. 1. 2  連續(xù)Hopfield方法                  
 7. 1. 3  TSP的HNNS模型                  
 7. 2  神經網絡優(yōu)化算法                  
 7. 2. 1  線性規(guī)劃及對偶問題                  
 7. 2. 2  神經網絡優(yōu)化模型                  
 7. 2. 3  凸函數                  
 7. 2. 4  網絡模型的收斂性                  
 7. 2. 5  數值方法                  
 7. 3  TSP的遺傳算法                  
 7. 3. 1  算法描述                  
 7. 3. 2  程序實現(xiàn)                  
 習題7                  
 第8章  模糊集與模糊系統(tǒng)                  
 8. 1  模糊集與隸屬函數                  
 8. 1. 1  特征函數                  
 8. 1. 2  模糊集與隸屬函數                  
 8. 1. 3  模糊集合的表示法                  
 8. 2  模糊集上的運算                  
 8. 2. 1  模糊集上的基本運算                  
 8. 2. 2  模糊集運算的基本性質                  
 8. 2. 3  模糊集合的代數和. 代數積. 有界和. 有界積                  
 8. 3  凸模糊集及其性質                  
 8. 3. 1  凸模糊集                  
 8. 3. 2  模糊數                  
 8. 3. 3  2型模糊集與條件模糊集                  
 8. 4  模糊系統(tǒng)與模糊算法                  
 8. 4. 1  模糊系統(tǒng)與狀態(tài)                  
 8. 4. 2  模糊系統(tǒng)的狀態(tài)方程                  
 習題8                  
 第9章  模糊邏輯與模糊推理                  
 9. 1  基本概念                  
 9. 1. 1  模糊邏輯                  
 9. 1. 2  模糊語言                  
 9. 1. 3  模糊推理                  
 9. 2  模糊命題與模糊邏輯公式                  
 9. 2. 1  模糊命題與模糊關系                  
 9. 2. 2  析取范式與合取范式                  
 9. 3  模糊邏輯公式的化簡                  
 9. 3. 1  主析取范式                  
 9. 3. 2  最簡析取范式                  
 9. 4  模糊邏輯函數的分析合成                  
 9. 4. 1  模糊邏輯函數的分解                  
 9. 4. 2  模糊邏輯函數的合成                  
 9. 5  模糊語言與模糊推理                  
 9. 5. 1  模糊語言及基本性質                  
 9. 5. 2  模糊推理及其規(guī)則                  
 習題9                  
 第10章  模糊模式識別與模糊控制                  
 10. 1  模糊模式識別的直接方法                  
 10. 1. 1  最大隸屬原則與圖形識別                  
 10. 1. 2  手寫數字和字母的識別                  
 10. 2  貼近度與模糊模式識別的間接方法                  
 lo. 2. 1  貼近度及有關概念                  
 10. 2. 2  模糊度與擇近原則                  
 10. 2. 3  利用擇近原則進行模糊模式識別舉例                  
 10. 3  模糊控制原理                  
 10. 3. 1  模糊控制及其類型                  
 10. 3. 2  模糊控制過程                  
 習題10                  
 附錄  TSP的遺傳算法程序                  
 主要參考文獻