图书介绍
智能信息处理与应用PDF|Epub|txt|kindle电子书版本网盘下载
- 李明等编著 著
- 出版社： 北京：电子工业出版社
- ISBN：9787121117985
- 出版时间：2010
- 标注页数：280页
- 文件大小：63MB
- 文件页数：293页
- 主题词：人工智能－信息处理
PDF下载
下载说明
智能信息处理与应用PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
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
图书目录
第1章 不确定性信息处理1
1.1 知识的不确定性1
1.1.1 随机性1
1.1.2 模糊性2
1.1.3 自然语言中的不确定性2
1.1.4 常识的不确定性2
1.1.5 知识的其他不确定性3
1.2 不确定性的度量方法3
1.2.1 概率度量和贝叶斯公式3
1.2.2 模糊度量及性质5
1.2.3 其他度量方法6
1.3 不确定性推理方法6
1.3.1 主观贝叶斯推理6
1.3.2 模糊逻辑推理10
1.3.3 证据理论12
1.4 挖掘不确定知识的方法14
1.5 小结18
参考文献18
第2章 模糊集与粗糙集理论20
2.1 模糊集合及其运算20
2.1.1 模糊集合的概念21
2.1.2 模糊集合的运算23
2.1.3 模糊集合的扩张原理24
2.1.4 隶属函数的建立25
2.2 粗糙集经典理论26
2.3 知识约简28
2.3.1 一般约简29
2.3.2 相对约简29
2.3.3 分辨矩阵30
2.4 决策表的约简31
2.4.1 决策规则和决策算法32
2.4.2 决策规则中的不一致性和不可分辨性32
2.4.3 属性的依赖性33
2.4.4 一致决策表的约简33
2.4.5 非一致决策表的约简37
2.5 基于属性值的约简算法42
2.5.1 什么是属性值的约简42
2.5.2 属性值的约简在决策表当中的应用43
2.5.3 属性值的直接约简及应用46
2.6 粗糙集的扩展模型49
2.6.1 可变精度粗糙集模型49
2.6.2 概率粗糙集模型51
2.7 小结53
参考文献54
第3章 人工神经网络55
3.1 人工神经网络概述55
3.1.1 神经元理论56
3.1.2 神经网络的拓扑结构57
3.1.3 人工神经网络的学习和训练58
3.2 BP神经网络59
3.2.1 BP人工神经网络结构59
3.2.2 BP算法的基本思想62
3.2.3 BP网络学习算法62
3.3 RBF神经网络65
3.3.1 RBF神经网络结构65
3.3.2 RBF神经网络的映射关系66
3.3.3 RBF网络学习算法68
3.4 概率神经网络71
3.4.1 概率神经网络结构71
3.4.2 概率神经网络训练72
3.5 小结73
参考文献74
第4章 支持向量机76
4.1 机器学习问题76
4.2 统计学习理论79
4.2.1 VC维79
4.2.2 推广性的界82
4.2.3 结构风险最小化理论82
4.3 支持向量机的工作原理84
4.3.1 最优分类面84
4.3.2 广义最优分类面87
4.3.3 核函数87
4.4 支持向量机的训练法89
4.4.1 分块算法90
4.4.2 多变量更新算法93
4.4.3 序列算法93
4.5 小结94
参考文献95
第5章 遗传算法96
5.1 遗传算法概述97
5.1.1 遗传算法的发展97
5.1.2 遗传算法的特点和应用99
5.2 遗传算法的基本流程及实现技术102
5.2.1 遗传算法的基本流程102
5.2.2 遗传算法的实现技术104
5.3 遗传算法的基本原理109
5.3.1 模式定理109
5.3.2 积木块假设111
5.3.3 收敛性理论112
5.4 遗传算法的改进115
5.4.1 混合遗传算法115
5.4.2 自适应遗传算法116
5.4.3 变长度染色体遗传算法117
5.4.4 小生境遗传算法118
5.4.5 并行遗传算法119
5.5 小结121
参考文献122
第6章 群体智能124
6.1 粒子群优化算法124
6.1.1 粒子群优化算法的基本原理125
6.1.2 改进的粒子群优化算法127
6.1.3 粒子群优化算法的应用133
6.2 蚁群算法137
6.2.1 蚁群算法的原理137
6.2.2 改进型蚁群算法139
6.2.3 蚁群算法的应用142
6.3 小结144
参考文献145
第7章 人工免疫149
7.1 AIS的生物原型和免疫机理149
7.1.1 AIS的生物原型149
7.1.2 AIS的免疫机理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 人工免疫系统的应用156
7.4 小结157
参考文献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 量子纠缠163
8.1.3 量子克隆163
8.2 量子智能算法164
8.2.1 量子神经网络164
8.2.2 量子进化算法166
8.3 小结172
参考文献173
第9章 信息融合技术174
9.1 信息融合技术的形成与发展174
9.1.1 信息融合的定义及其必要性174
9.1.2 信息融合的发展历史177
9.1.3 信息融合的研究现状177
9.1.4 信息融合的发展趋势180
9.2 信息融合技术基础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 信息融合的层次结构187
9.3 信息融合常用算法190
9.3.1 加权融合算法190
9.3.2 贝叶斯估计190
9.3.3 D-S证据理论191
9.3.4 卡尔曼滤波193
9.3.5 Markov链194
9.3.6 可能性理论194
9.3.7 模糊逻辑194
9.3.8 神经网络194
9.3.9 粗糙集方法195
9.4 信息融合的典型应用195
9.4.1 军事中的应用196
9.4.2 人脸识别中的应用197
9.4.3 语音处理与说话人识别中的应用202
9.4.4 多生物特征认证中的应用207
9.5 小结211
参考文献212
第10章 人脸识别技术214
10.1 人脸识别概述215
10.1.1 人脸识别研究现状216
10.1.2 人脸识别的最新进展217
10.2 人脸图像的预处理220
10.2.1 尺寸归一化221
10.2.2 光照归一化221
10.3 人脸识别的研究内容及方法222
10.3.1 人脸检测222
10.3.2 特征提取223
10.3.3 传统分类方法228
10.4 核机器学习在人脸识别中的应用230
10.4.1 基于核机器的非线性特征选择与提取230
10.4.2 基于核机器的人脸分类234
10.4.3 基于软计算的核函数选择与优化237
10.5小 结239
参考文献240
第11章 说话人识别243
11.1 概述243
11.1.1 说话人识别的研究背景243
11.1.2 说话人识别的研究现状244
11.1.3 说话人识别的系统结构及分类245
11.2 说话人识别中的特征参数246
11.2.1 特征参数的评价方法246
11.2.2 说话人识别系统中常用的特征参数247
11.3 说话人识别的主要方法249
11.3.1 矢量量化法（VQ）249
11.3.2 隐马尔可夫模型（HMM）250
11.3.3 高斯混合模型（GMM）251
11.3.4 多类分类支持向量机255
11.3.5 人工神经网络法（ANN）258
11.3.6 混合方法261
11.4 说话人识别的系统性能评价标准261
11.4.1 说话人辨认261
11.4.2 说话人确认262
11.5 改进的说话人识别算法及系统262
11.5.1 支持向量机在说话人识别中的应用改进实例262
11.5.2 基于组合神经网络的说话人识别系统267
11.5.3 基于TES-PCA分类器和KFD的多级说话人确认269
11.6 小结274
参考文献275