智能信息處理與應用（簡體書）

《智能信息處理與應用》內容簡介：智能信息處理涉及信息學科的諸多領域。《智能信息處理與應用》從理論方法和實踐技術角度，論述了智能信息處理技術的主要概念、基本原理、典型方法及新的發展。《智能信息處理與應用》共11章，包括不確定性信息處理、模糊集與粗糙集理論、人工神經網絡、支持向量機、遺傳算法、群體智能、人工免疫、量子算法、信息融合技術，以及智能信息處理技術在人臉識別和說話人識別中的應用。
《智能信息處理與應用》適合從事智能信息處理研究的科研人員和智能系統開發與應用的工程技術人員閱讀，也可作為研究生的相關課程或專題的參考書。

第1章 不確定性信息處理 （1）
1.1 知識的不確定性 （1）
1.1.1 隨機性 （1）
1.1.2 模糊性 （2）
1.1.3 自然語言中的不確定性 （2）
1.1.4 常識的不確定性 （2）
1.1.5 知識的其他不確定性 （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 （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 證據理論 （12）
1.4 挖掘不確定知識的方法 （14）
1.5 小結 （18）
參考文獻 （18）

第2章 模糊集與粗糙集理論 （20）
2.1 模糊集合及其運算 （20）
2.1.1 模糊集合的概念 （21）
2.1.2 模糊集合的運算 （23）
2.1.3 模糊集合的擴張原理 （24）
2.1.4 隸屬函數的建立 （25）
2.2 粗糙集經典理論 （26）
2.3 知識約簡 （28）
2.3.1 一般約簡 （29）
2.3.2 相對約簡 （29）
2.3.3 分辨矩陣 （30）
2.4 決策表的約簡 （31）
2.4.1 決策規則和決策算法 （32）
2.4.2 決策規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 （33）
2.4.5 非一致決策表的約簡 （37）
2.5 基於屬性值的約簡算法 （42）
2.5.1 什麼是屬性值的約簡 （42）
2.5.2 屬性值的約簡在決策表當中的應用 （43）
2.5.3 屬性值的直接約簡及應用 （46）
2.6 粗糙集的擴展模型 （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 （53）
參考文獻 （54）

第3章 人工神經網絡 （55）
3.1 人工神經網絡概述 （55）
3.1.1 神經元理論 （56）
3.1.2 神經網絡的拓撲結構 （57）
3.1.3 人工神經網絡的學習和訓練 （58）
3.2 BP神經網絡 （59）
3.2.1 BP人工神經網絡結構 （59）
3.2.2 BP算法的基本思想 （62）
3.2.3 BP網絡學習算法 （62）
3.3 RBF神經網絡 （65）
3.3.1 RBF神經網絡結構 （65）
3.3.2 RBF神經網絡的映射關係 （66）
3.3.3 RBF網絡學習算法 （68）
3.4 概率神經網絡 （71）
3.4.1 概率神經網絡結構 （71）
3.4.2 概率神經網絡訓練 （72）
3.5 小結 （73）
參考文獻 （74）

第4章 支持向量機 （76）
4.1 機器學習問題 （76）
4.2 統計學習理論 （79）
4.2.1 VC維 （79）
4.2.2 推廣性的界 （82）
4.2.3 結構風險最小化理論 （82）
4.3 支持向量機的工作原理 （84）
4.3.1 最優分類面 （84）
4.3.2 廣義最優分類面 （87）
4.3.3 核函數 （87）
4.4 支持向量機的訓練法 （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 （94）
參考文獻 （95）

第5章 遺傳算法 （96）
5.1 遺傳算法概述 （97）
5.1.1 遺傳算法的發展 （97）
5.1.2 遺傳算法的特點和應用 （99）
5.2 遺傳算法的基本流程及實現技術 （102）
5.2.1 遺傳算法的基本流程 （102）
5.2.2 遺傳算法的實現技術 （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 （111）
5.3.3 收斂性理論 （112）
5.4 遺傳算法的改進 （115）
5.4.1 混合遺傳算法 （115）
5.4.2 自適應遺傳算法 （116）
5.4.3 變長度染色體遺傳算法 （117）
5.4.4 小生境遺傳算法 （118）
5.4.5 並行遺傳算法 （119）
5.5 小結 （121）
參考文獻 （122）

第6章 群體智能 （124）
6.1 粒子群優化算法 （124）
6.1.1 粒子群優化算法的基本原理 （125）
6.1.2 改進的粒子群優化算法 （127）
6.1.3 粒子群優化算法的應用 （133）
6.2 蟻群算法 （137）
6.2.1 蟻群算法的原理 （137）
6.2.2 改進型蟻群算法 （139）
6.2.3 蟻群算法的應用 （142）
6.3 小結 （144）
參考文獻 （145）

第7章 人工免疫 （149）
7.1 AIS的生物原型和免疫機理 （149）
7.1.1 AIS的生物原型 （149）
7.1.2 AIS的免疫機理 （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 人工免疫系統的應用 （156）
7.4 小結 （157）
參考文獻 （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 量子神經網絡 （164）
8.2.2 量子進化算法 （166）
8.3 小結 （172）
參考文獻 （173）

第9章 信息融合技術 （174）
9.1 信息融合技術的形成與發展 （174）
9.1.1 信息融合的定義及其必要性 （174）
9.1.2 信息融合的發展歷史 （177）
9.1.3 信息融合的研究現狀 （177）
9.1.4 信息融合的發展趨勢 （180）
9.2 信息融合技術基礎 （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 信息融合的層次結構 （187）
9.3 信息融合常用算法 （190）
9.3.1 加權融合算法 （190）
9.3.2 貝葉斯估計 （190）
9.3.3 D-S證據理論 （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 神經網絡 （194）
9.3.9 粗糙集方法 （195）
9.4 信息融合的典型應用 （195）
9.4.1 軍事中的應用 （196）
9.4.2 人臉識別中的應用 （197）
9.4.3 語音處理與說話人識別中的應用 （202）
9.4.4 多生物特徵認證中的應用 （207）
9.5 小結 （211）
參考文獻 （212）

第10章 人臉識別技術 （214）
10.1 人臉識別概述 （215）
10.1.1 人臉識別研究現狀 （216）
10.1.2 人臉識別的最新進展 （217）
10.2 人臉圖像的預處理 （220）
10.2.1 尺寸歸一化 （221）
10.2.2 光照歸一化 （221）
10.3 人臉識別的研究內容及方法 （222）
10.3.1 人臉檢測 （222）
10.3.2 特徵提取 （223）
10.3.3 傳統分類方法 （228）
10.4 核機器學習在人臉識別中的應用 （230）
10.4.1 基於核機器的非線性特徵選擇與提取 （230）
10.4.2 基於核機器的人臉分類 （234）
10.4.3 基於軟計算的核函數選擇與優化 （237）
10.5 小結 （239）
參考文獻 （240）

第11章 說話人識別 （243）
11.1 概述 （243）
11.1.1 說話人識別的研究背景 （243）
11.1.2 說話人識別的研究現狀 （244）
11.1.3 說話人識別的系統結構及分類 （245）
11.2 說話人識別中的特徵參數 （246）
11.2.1 特徵參數的評價方法 （246）
11.2.2 說話人識別系統中常用的特徵參數 （247）
11.3 說話人識別的主要方法 （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 （255）
11.3.5 人工神經網絡法（ANN） （258）
11.3.6 混合方法 （261）
11.4 說話人識別的系統性能評價標準 （261）
11.4.1 說話人辨認 （261）
11.4.2 說話人確認 （262）
11.5 改進的說話人識別算法及系統 （262）
11.5.1 支持向量機在說話人識別中的應用改進實例（262）
11.5.2 基於組合神經網絡的說話人識別系統 （267）
11.5.3 基於TES-PCA分類器和KFD的多級說話人確認（269）
11.6 小結 （274）
參考文獻 （275）