智能信息处理与应用

智能信息处理与应用
出版时间：2010年版
内容简介
　　智能信息处理涉及信息学科的诸多领域。《智能信息处理与应用》从理论方法和实践技术角度，论述了智能信息处理技术的主要概念、基本原理、典型方法及新的发展。《智能信息处理与应用》共11章，包括不确定性信息处理、模糊集与粗糙集理论、人工神经网络、支持向量机、遗传算法、群体智能、人工免疫、量子算法、信息融合技术，以及智能信息处理技术在人脸识别和说话人识别中的应用。《智能信息处理与应用》适合从事智能信息处理研究的科研人员和智能系统开发与应用的工程技术人员阅读，也可作为研究生的相关课程或专题的参考书。
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）