- 计算智能导论(高等学校智能科学与技术专业系列教材)
- - 作者：编者:尚荣华//焦李成//张玮桐//刘芳//张小华等|责编:张玮|总主编:焦李成
  - 出版社：西安电子科大
  - ISBN：9787560670638
  - 出版日期：2024/05/01
  - 页数：205
- 售价：15.6

内容大纲
本书对计算智能的诸多基础理论进行了详细的介绍和释义，并介绍了神经网络、模糊系统、进化计算的应用范例及实验结果，将理论与实践紧密联系起来。全书共4章，其中，第1章对人工智能的萌芽、诞生和发展，以及现状和未来进行了简要介绍；第2章为进化计算，论述了遗传算法；第3章为模糊逻辑，介绍了模糊理论基础，论述了常见的模糊隶属度函数和模糊集合常用的算子，并对模糊关系及运算、模糊推理等进行了详细介绍；第4章为人工神经网络，论述了人工神经网络的特点、生物学基础及其发展与应用。
本书可供计算机科学、信息科学、人工智能、自动化技术等领域及其交叉领域中从事量子计算、进化算法、机器学习及相关应用研究的技术人员参考使用，也可作为相关专业高等院校的教材。
作者介绍
目录
第1章  绪论——从人工智能到计算智能
  1.1  人工智能的发展
    1.1.1  人工智能的萌芽
    1.1.2  人工智能的诞生
    1.1.3  人工智能的发展
  1.2  人工智能的现状和未来
  1.3  人工智能的新生：计算智能
    1.3.1  人工神经网络
    1.3.2  模糊逻辑
    1.3.3  进化计算
    1.3.4  计算智能
  1.4  智能的三个层次
  1.5  计算智能领域研究成果
    1.5.1  进化计算研究成果
    1.5.2  模糊理论研究成果
    1.5.3  人工神经网络研究成果
  习题
  参考文献
第2章  进化计算
  2.1  绪论
    2.1.1  引例
    2.1.2  从进化论到进化计算
  2.2  遗传算法
    2.2.1  遗传算法简介
    2.2.2  遗传的特点
    2.2.3  示例
    2.2.4  遗传算法的基本框架
    2.2.5  遗传算法的优点
    2.2.6  遗传算法的五个关键问题
  2.3  遗传编码和种群初始化
    2.3.1  遗传编码
    2.3.2  种群初始化
  2.4  交叉和变异
    2.4.1  交叉算子
    2.4.2  变异算子
  2.5  选择和适应度函数
    2.5.1  选择
    2.5.2  适应度函数
    2.5.3  适应度共享和群体多样性
  2.6  遗传算法用于求解数值优化问题
  2.7  遗传算法的理论基础
    2.7.1  模式理论
    2.7.2  建筑块假说
  习题
  参考文献
第3章  模糊逻辑
  3.1  模糊理论基础
    3.1.1  概率与模糊
    3.1.2  模糊集合的定义
    3.1.3  模糊集合和经典集合

    3.1.4  模糊集合的表示方法
    3.1.5  模糊集合的几何图示
    3.1.6  模糊集合的运算
  3.2  隶属度函数
    3.2.1  隶属度函数的基本概念
    3.2.2  隶属度函数遵守的基本原则
    3.2.3  隶属度函数的设计
    3.2.4  模糊集合的特性
    3.2.5  模糊性的度量
  3.3  模糊关系及运算
    3.3.1  模糊关系
    3.3.2  模糊关系的运算
  3.4  模糊推理
    3.4.1  模糊逻辑的特点及运算
    3.4.2  模糊语言变量
    3.4.3  模糊推理
    3.4.4  模糊化和去模糊化
  3.5  模糊控制系统
    3.5.1  模糊控制
    3.5.2  模糊控制器
  3.6  模糊聚类分析
    3.6.1  问题的提出
    3.6.2  模糊聚类分析的基础知识
    3.6.3  模糊聚类分析的一般步骤
  3.7  模糊综合评判模型
  习题
  参考文献
第4章  人工神经网络
  4.1  绪论
    4.1.1  人工神经网络简介
    4.1.2  人工神经网络的发展
    4.1.3  人工神经网络的应用与实现
  4.2  人工神经单元——单感知器
    4.2.1  生物学基础
    4.2.2  感知器模型
    4.2.3  激活函数
    4.2.4  感知器参数学习
  4.3  人工神经网络
    4.3.1  单层神经网络
    4.3.2  多层神经网络
    4.3.3  神经网络参数学习
    4.3.4  人工神经网络的信息处理能力
  4.4  神经网络的学习方法
    4.4.1  Hebb规则
    4.4.2  梯度下降方法
    4.4.3  误差反向传播算法
    4.4.4  其他学习方法
  4.5  径向基函数网络
    4.5.1  径向基函数简介
    4.5.2  径向基函数网络概念

    4.5.3  径向基函数网络的模型
    4.5.4  径向基函数网络的工作原理及特点
    4.5.5  径向基函数网络的学习算法
  4.6  深度神经网络
    4.6.1  有监督学习与无监督学习
    4.6.2  卷积神经网络
    4.6.3  循环神经网络
    4.6.4  生成对抗网络
    4.6.5  增强学习
    习题
    参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目