前言
第1章 绪论
1.1 软计算与人工智能的关系
1.2 软计算科学的主要分支
1.2.1 人工神经网络
1.2.2 遗传算法
1.2.3 模糊逻辑
1.3 软计算的特性
1.4 软计算研究的主要问题
1.4.1 学习
1.4.2 搜索
1.4.3 推理
第2章 模拟退火算法
2.1 概述
2.1.1 物理退火过程
2.1.2 Metroplis算法
2.1.3 模拟退火算法
2.2 模拟退火算法的收敛性分析
2.2.1 模拟退火算法的Markov链描述
2.2.2 模拟退火算法的收敛性
2.3 模拟退火算法的设计
2.3.1 初始温度t
2.3.2 终止温度t2
2.3.3 Markov链长L4
2.3.4 控制参数的更新函数T（t）
2.4 模拟退火算法的应用
2.4.1 模拟退火算法应用的一般要求
2.4.2 典型组合优化问题的模拟退火算法
参考文献
第3章 人工神经网络
3.1 人工神经网络的基本概念
3.1.1 生物神经元模型
3.1.2 人工神经元模型
3.1.3 人工神经网络模型
3.2 人工神经网络的学习方法
3.2.1 学习机理
3.2.2 学习方法
3.2.3 学习规则
3.3 前向式神经网络与算法
3.3.1 感知器及算法
3.3.2 BP网络与误差反向传播算法
3.4 反馈网络模型及其主要算法
3.4.1 Hopfield网络与算法
3.4.2 Boltzmann机网络和学习方法
3.4.3 自组织特征映射网络和算法
3.5 神经网络的系统设计
3.5.1 神经网络的适用范围
3.5.2 神经网络的设计过程和需求分析
3.5.3 神经网络的性能评价
3.5.4 输入数据的预处理
3.6 神经网络的应用
3.6.1 基于神经网络的优化计算
3.6.2 图像边缘检测
参考文献
第4章 遗传算法
4.1 遗传算法的概念
4.1.1 遗传算法的生物遗传学基础
4.1.2 遗传算法的一般结构
4.1.3 遗传算法的特点
4.2 标准遗传算法的基本设计
4.2.1 编码
4.2.2 适应度函数
4.2.3 遗传算法的基本操作
4.2.4 遗传算法的终止控制设计
4.3 遗传算法的模式理论
4.3.1 模式概念
4.3.2 模式定理
4.3.3 遗传算法有效处理的模式数量
4.4 遗传算法的理论与分析
4.4.1 遗传算法的一般收敛性理论
4.4.2 遗传算法的Markov链模型
4.4.3 遗传算法的收敛速度分析
4.4.4 遗传算法结构分析与设计
4.5 遗传算法的发展
4.5.1 改进遗传算法的一般结构
4.5.2 编码问题
4.5.3 遗传运算
4.5.4 控制参数
4.5.5 混合遗传算法
4.6 遗传算法的应用
4.6.1 巡回旅行商问题
4.6.2 进化神经刚络
4.6.3 基于遗传算法的分类器系统
参考文献
第5章 支持向量机
5.1 基本原理
5.1.1 统计学习概述
5.1.2 支持向最
5.2 支持向量机用于多类问题
5.3 支持向量机用于回归
5.3.1 ε不敏感损失回归
5.3.2 核岭回归
5.4 支持向量机的算法
5.5 贝叶斯方法与高斯过程
5.5.1 贝叶斯方法
5.5.2 高斯过程
5.6 支持向量机的应用
5.6.1 文本分类
5.6.2 图像识别
5.6.3 手写数字识别
参考文献
第6章 模糊计算
6.1 模糊系统概述
6.1.1 传统数学与模糊数学
6.1.2 不相容原理
6.2 模糊集合与隶属度函数
6.2.1 模糊集合与隶属度函数
6.2.2 模糊集合的运算
6.3 模糊关系与模糊矩阵
6.3.1 普通关系
6.3.2 模糊关系
6.3.3 模糊关系的合成
6.3.4 模糊矩阵
6.3.5 模糊蕴含关系
6.4 模糊逻辑与模糊推理
6.4.1 模糊逻辑
6.4.2 语言变量
6.4.3 模糊推理
6.5 模糊系统的建模
6.5.1 模糊系统模型
6.5.2 模糊系统模型的建立方法
6.6 模糊系统与其他软计算的混合计算
6.6.1 模糊神经网络
6.6.2 模糊推理与遗传算法的结合
参考文献
鄂公网安备 42010302001612号 