智能信息處理與應(yīng)用

第1章 不確定性信息處理 （1）
1.1 知識(shí)的不確定性 （1）
1.1.1 隨機(jī)性 （1）
1.1.2 模糊性 （2）
1.1.3 自然語(yǔ)言中的不確定性 （2）
1.1.4 常識(shí)的不確定性 （2）
1.1.5 知識(shí)的其他不確定性 （3）
1.2 不確定性的度量方法 （3）
1.2.1 概率度量和貝葉斯公式 （3）
1.2.2 模糊度量及性質(zhì) （5）
1.2.3 其他度量方法 （6）
1.3 不確定性推理方法 （6）
1.3.1 主觀貝葉斯推理 （6）
1.3.2 模糊邏輯推理 （10）
1.3.3 證據(jù)理論 （12）
1.4 挖掘不確定知識(shí)的方法 （14）
1.5 小結(jié) （18）
參考文獻(xiàn) （18）
第2章 模糊集與粗糙集理論 （20）
2.1 模糊集合及其運(yùn)算 （20）
2.1.1 模糊集合的概念 （21）
2.1.2 模糊集合的運(yùn)算 （23）
2.1.3 模糊集合的擴(kuò)張?jiān)?（24）
2.1.4 隸屬函數(shù)的建立 （25）
2.2 粗糙集經(jīng)典理論 （26）
2.3 知識(shí)約簡(jiǎn) （28）
2.3.1 一般約簡(jiǎn) （29）
2.3.2 相對(duì)約簡(jiǎn) （29）
2.3.3 分辨矩陣 （30）
2.4 決策表的約簡(jiǎn) （31）
2.4.1 決策規(guī)則和決策算法 （32）
2.4.2 決策規(guī)則中的不一致性和不可分辨性 （32）
2.4.3 屬性的依賴性 （33）
2.4.4 一致決策表的約簡(jiǎn) （33）
2.4.5 非一致決策表的約簡(jiǎn) （37）
2.5 基于屬性值的約簡(jiǎn)算法 （42）
2.5.1 什么是屬性值的約簡(jiǎn) （42）
2.5.2 屬性值的約簡(jiǎn)在決策表當(dāng)中的應(yīng)用 （43）
2.5.3 屬性值的直接約簡(jiǎn)及應(yīng)用 （46）
2.6 粗糙集的擴(kuò)展模型 （49）
2.6.1 可變精度粗糙集模型 （49）
2.6.2 概率粗糙集模型 （51）
2.7 小結(jié) （53）
參考文獻(xiàn) （54）
第3章 人工神經(jīng)網(wǎng)絡(luò) （55）
3.1 人工神經(jīng)網(wǎng)絡(luò)概述 （55）
3.1.1 神經(jīng)元理論 （56）
3.1.2 神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu) （57）
3.1.3 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和訓(xùn)練 （58）
3.2 BP神經(jīng)網(wǎng)絡(luò) （59）
3.2.1 BP人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) （59）
3.2.2 BP算法的基本思想 （62）
3.2.3 BP網(wǎng)絡(luò)學(xué)習(xí)算法 （62）
3.3 RBF神經(jīng)網(wǎng)絡(luò) （65）
3.3.1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) （65）
3.3.2 RBF神經(jīng)網(wǎng)絡(luò)的映射關(guān)系 （66）
3.3.3 RBF網(wǎng)絡(luò)學(xué)習(xí)算法 （68）
3.4 概率神經(jīng)網(wǎng)絡(luò) （71）
3.4.1 概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) （71）
3.4.2 概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練 （72）
3.5 小結(jié) （73）
參考文獻(xiàn) （74）
第4章 支持向量機(jī) （76）
4.1 機(jī)器學(xué)習(xí)問題 （76）
4.2 統(tǒng)計(jì)學(xué)習(xí)理論 （79）
4.2.1 VC維 （79）
4.2.2 推廣性的界 （82）
4.2.3 結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論 （82）
4.3 支持向量機(jī)的工作原理 （84）
4.3.1 最優(yōu)分類面 （84）
4.3.2 廣義最優(yōu)分類面 （87）
4.3.3 核函數(shù) （87）
4.4 支持向量機(jī)的訓(xùn)練法 （89）
4.4.1 分塊算法 （90）
4.4.2 多變量更新算法 （93）
4.4.3 序列算法 （93）
4.5 小結(jié) （94）
參考文獻(xiàn) （95）
第5章 遺傳算法 （96）
5.1 遺傳算法概述 （97）
5.1.1 遺傳算法的發(fā)展 （97）
5.1.2 遺傳算法的特點(diǎn)和應(yīng)用 （99）
5.2 遺傳算法的基本流程及實(shí)現(xiàn)技術(shù) （102）
5.2.1 遺傳算法的基本流程 （102）
5.2.2 遺傳算法的實(shí)現(xiàn)技術(shù) （104）
5.3 遺傳算法的基本原理 （109）
5.3.1 模式定理 （109）
5.3.2 積木塊假設(shè) （111）
5.3.3 收斂性理論 （112）
5.4 遺傳算法的改進(jìn) （115）
5.4.1 混合遺傳算法 （115）
5.4.2 自適應(yīng)遺傳算法 （116）
5.4.3 變長(zhǎng)度染色體遺傳算法 （117）
5.4.4 小生境遺傳算法 （118）
5.4.5 并行遺傳算法 （119）
5.5 小結(jié) （121）
參考文獻(xiàn) （122）
第6章 群體智能 （124）
6.1 粒子群優(yōu)化算法 （124）
6.1.1 粒子群優(yōu)化算法的基本原理 （125）
6.1.2 改進(jìn)的粒子群優(yōu)化算法 （127）
6.1.3 粒子群優(yōu)化算法的應(yīng)用 （133）
6.2 蟻群算法 （137）
6.2.1 蟻群算法的原理 （137）
6.2.2 改進(jìn)型蟻群算法 （139）
6.2.3 蟻群算法的應(yīng)用 （142）
6.3 小結(jié) （144）
參考文獻(xiàn) （145）
第7章 人工免疫 （149）
7.1 AIS的生物原型和免疫機(jī)理 （149）
7.1.1 AIS的生物原型 （149）
7.1.2 AIS的免疫機(jī)理 （150）
7.2 AIS的模型及算法 （152）
7.2.1 AIS的模型 （152）
7.2.2 AIS的算法 （153）
7.3 人工免疫系統(tǒng)的應(yīng)用 （156）
7.4 小結(jié) （157）
參考文獻(xiàn) （158）
第8章 量子算法 （161）
8.1 量子及基本特性 （161）
8.1.1 量子位 （162）
8.1.2 量子糾纏 （163）
8.1.3 量子克隆 （163）
8.2 量子智能算法 （164）
8.2.1 量子神經(jīng)網(wǎng)絡(luò) （164）
8.2.2 量子進(jìn)化算法 （166）
8.3 小結(jié) （172）
參考文獻(xiàn) （173）
第9章 信息融合技術(shù) （174）
9.1 信息融合技術(shù)的形成與發(fā)展 （174）
9.1.1 信息融合的定義及其必要性 （174）
9.1.2 信息融合的發(fā)展歷史 （177）
9.1.3 信息融合的研究現(xiàn)狀 （177）
9.1.4 信息融合的發(fā)展趨勢(shì) （180）
9.2 信息融合技術(shù)基礎(chǔ) （181）
9.2.1 信息融合的基本原理 （181）
9.2.2 信息融合的功能模型 （183）
9.2.3 信息融合的層次結(jié)構(gòu) （187）
9.3 信息融合常用算法 （190）
9.3.1 加權(quán)融合算法 （190）
9.3.2 貝葉斯估計(jì) （190）
9.3.3 D-S證據(jù)理論 （191）
9.3.4 卡爾曼濾波 （193）
9.3.5 Markov鏈 （194）
9.3.6 可能性理論 （194）
9.3.7 模糊邏輯 （194）
9.3.8 神經(jīng)網(wǎng)絡(luò) （194）
9.3.9 粗糙集方法 （195）
9.4 信息融合的典型應(yīng)用 （195）
9.4.1 軍事中的應(yīng)用 （196）
9.4.2 人臉識(shí)別中的應(yīng)用 （197）
9.4.3 語(yǔ)音處理與說(shuō)話人識(shí)別中的應(yīng)用 （202）
9.4.4 多生物特征認(rèn)證中的應(yīng)用 （207）
9.5 小結(jié) （211）
參考文獻(xiàn) （212）
第10章 人臉識(shí)別技術(shù) （214）
10.1 人臉識(shí)別概述 （215）
10.1.1 人臉識(shí)別研究現(xiàn)狀 （216）
10.1.2 人臉識(shí)別的最新進(jìn)展 （217）
10.2 人臉圖像的預(yù)處理 （220）
10.2.1 尺寸歸一化 （221）
10.2.2 光照歸一化 （221）
10.3 人臉識(shí)別的研究?jī)?nèi)容及方法 （222）
10.3.1 人臉檢測(cè) （222）
10.3.2 特征提取 （223）
10.3.3 傳統(tǒng)分類方法 （228）
10.4 核機(jī)器學(xué)習(xí)在人臉識(shí)別中的應(yīng)用 （230）
10.4.1 基于核機(jī)器的非線性特征選擇與提取 （230）
10.4.2 基于核機(jī)器的人臉分類 （234）
10.4.3 基于軟計(jì)算的核函數(shù)選擇與優(yōu)化 （237）
10.5 小結(jié) （239）
參考文獻(xiàn) （240）
第11章 說(shuō)話人識(shí)別 （243）
11.1 概述 （243）
11.1.1 說(shuō)話人識(shí)別的研究背景 （243）
11.1.2 說(shuō)話人識(shí)別的研究現(xiàn)狀 （244）
11.1.3 說(shuō)話人識(shí)別的系統(tǒng)結(jié)構(gòu)及分類 （245）
11.2 說(shuō)話人識(shí)別中的特征參數(shù) （246）
11.2.1 特征參數(shù)的評(píng)價(jià)方法 （246）
11.2.2 說(shuō)話人識(shí)別系統(tǒng)中常用的特征參數(shù) （247）
11.3 說(shuō)話人識(shí)別的主要方法 （249）
11.3.1 矢量量化法（VQ） （249）
11.3.2 隱馬爾可夫模型（HMM） （250）
11.3.3 高斯混合模型（GMM） （251）
11.3.4 多類分類支持向量機(jī) （255）
11.3.5 人工神經(jīng)網(wǎng)絡(luò)法（ANN） （258）
11.3.6 混合方法 （261）
11.4 說(shuō)話人識(shí)別的系統(tǒng)性能評(píng)價(jià)標(biāo)準(zhǔn) （261）
11.4.1 說(shuō)話人辨認(rèn) （261）
11.4.2 說(shuō)話人確認(rèn) （262）
11.5 改進(jìn)的說(shuō)話人識(shí)別算法及系統(tǒng) （262）
11.5.1 支持向量機(jī)在說(shuō)話人識(shí)別中的應(yīng)用改進(jìn)實(shí)例（262）
11.5.2 基于組合神經(jīng)網(wǎng)絡(luò)的說(shuō)話人識(shí)別系統(tǒng) （267）
11.5.3 基于TES-PCA分類器和KFD的多級(jí)說(shuō)話人確認(rèn)（269）
11.6 小結(jié) （274）
參考文獻(xiàn) （275）