《中华人民共和国刑事诉讼法100问》求取 ⇩

前言页1

第一章 智能科学发展概论1

1.1 智能的探索1

1.2 智能的涵义2

1.2.1 生物智能3

1.2.2 人工智能5

1.2.3 计算智能5

1.2.4 智能ABC6

1.3 电脑的发展历程7

1.3.1 集成电路技术的进步8

1.3.2 Von Neumann计算机的发展9

1.3.3 人机大战的启示11

1.4 传统AI的成就与局限性12

1.4.1 AI的兴起与发展12

1.4.2 AI的成就14

1.4.3 传统AI的局限性16

1.5 人工神经网络的发展历程与反思18

1.5.1 早期的五种计算模式18

1.5.2 马鞍形的发展历程21

1.5.3 ANN研究现状的反思26

1.6 智能科学的相关技术29

1.6.1 模糊逻辑29

1.6.2 进化计算30

1.6.3 粗集理论32

1.6.4 混沌与分形33

1.6.5 区组设计36

1.7 智能科学中的若干哲学问题38

1.7.1 老三论与新三论38

1.7.2 思维数学方法39

1.7.3 值得认真思考的哲学概念41

1.7.4 几对相互矛盾的哲理关系42

1.8 智能科学发展展望44

1.8.1 研究智能的三条途径44

1.8.2 模糊神经计算智能46

1.8.3 未来世纪的智能科学48

第二章 智能的生物特征与本质50

2.1 脑的哲学思考50

2.1.1 巨系统观下的人脑50

2.1.2 脑的三个表征52

2.1.3 物质与精神间的有序映射54

2.1.4 脑的复杂性54

2.2 脑的结构与功能56

2.2.1 脑的构造56

2.2.2 神经元59

2.2.3 神经膜及其电特性61

2.2.4 H--H非线性动态方程66

2.2.5 动作电位脉冲的传递69

2.3 视觉系统的剖析73

2.3.1 智能与视觉73

2.3.2 眼的机能74

2.3.3 串并行的视觉信息处理76

2.3.4 功能分区77

2.4 记忆与遗忘81

2.4.1 记忆的类型81

2.4.2 联想记忆84

2.4.3 遗忘现象85

2.5 意识与思维86

2.5.1 意识的产生86

2.5.2 两类信号系统89

2.5.3 学习机制89

2.5.4 思维方法91

2.5.5 注意力集中93

2.6 生物智能系统的启示94

2.6.1 生物神经系统智能活动的特征94

2.6.2 三个子系统的协同工作97

2.6.3 现有电脑和人脑的比较98

2.6.4 设计模糊神经计算智能系统的原则100

第三章 人工神经网络101

3.1 人工神经元101

3.1.1 M--P模型101

3.1.2 函数的近似103

3.1.3 布尔函数的神经元实现104

3.2 感知机106

3.2.1 感知机的特性106

3.2.2 感知机的分类功能109

3.2.3 感知机分类示例111

3.3 神经网络学习机制114

3.3.1 学习方法类别115

3.3.2 学习算法116

3.3.3 感知机学习118

3.3.4 ADALINE122

3.4 前馈型BP网络123

3.4.1 激励函数123

3.4.2 BP学习算法125

3.4.3 网络的？近能力130

3.4.4 网络的泛化能力132

3.4.5 隐含层单元数的选定135

3.4.6 对BP网络的评价136

3.5 反馈型Hopfield网络137

3.5.1 求解TSP与计算复杂性137

3.5.2 离散型Hopfield网络140

3.5.3 连续型Hopfield网络141

3.5.4 用神经网络方法求解TSP144

3.5.5 计算能量函数优化方法的评价147

3.6 Kohonen自组织网络149

3.6.1 自组织概念149

3.6.2 自组织学习算法151

3.6.3 学习算法参数选择151

3.6.4 在声控打字机中的应用153

3.7 几类特殊的神经网络155

3.7.1 径向基函数网络156

3.7.2 细胞神经网络159

3.7.3 区组设计网络162

3.7.4 广义同余神经网络167

3.7.5 协同神经网络173

4.1 智能的模糊特征177

4.1.1 模糊的必要性177

第四章 模糊逻辑基础177

4.1.2 模糊的相对性178

4.1.3 模糊的普遍性179

4.2 模糊集合的基本概念179

4.2.1 经典集合及其运算179

4.2.2 模糊集合及其表达182

4.2.3 模糊子集的运算184

4.2.4 模糊集的几何表示186

4.3 隶属函数189

4.3.1 确定隶属函数的方法189

4.3.2 常见的模糊分布193

4.4 模糊区间与模糊中心201

4.4.1 主观模糊与客观模糊201

4.4.2 模糊区间数与模糊中心数202

4.4.3 相对模糊率204

4.5.1 ？水平截集205

4.5 模糊集合与经典集合的联系205

4.4.4 模糊区间数的运算205

4.5.2 分解定理207

4.5.3 扩张原理208

4.6 模糊矩阵与模糊关系209

4.6.1 模糊矩阵及其运算209

4.6.2 模糊矩阵的合成211

4.6.3 模糊关系212

4.6.4 模糊综合评判213

4.6.5 泥石流沟严重度的模糊判释215

4.7 模糊控制218

4.7.1 模糊控制的特点218

4.7.2 模糊控制规则219

4.7.3 模糊倒车控制222

5.1.1 两种不同的记忆方式227

5.1 联想与智能227

第五章 联想记忆与编码227

5.1.2 联想与创造发明228

5.1.3 联想与汉明距离229

5.2 联想网络232

5.2.1 联想网络的类型232

5.2.2 联想记忆的结构234

5.2.3 特征矢量与联想235

5.3 联想学习240

5.3.1 赫布学习--相关矩阵240

5.3.2 吸引子与吸引城243

5.3.3 联想存储的容量问题247

5.3.4 伪逆矩阵方法247

5.3.5 正交投影250

5.4 模糊联想记忆253

5.4.1 矩阵联想存储器254

5.4.2 模糊联想运算256

5.4.3 赫布型FAM257

5.4.4 双向FAM259

5.4.5 多模式对FAM263

5.5 稳定吸引子与编码267

5.5.1 Hopfield网络的稳定吸引子267

5.5.2 神经网络用于组合编码268

5.5.3 DHNN与纠单错码271

5.5.4 DHNN搜索非周期自相关序列278

第六章 进化计算282

6.1 生物进化的启示282

6.1.1 生物进化论的形成与发展282

6.1.2 生物进化的基本特点283

6.2 进化计算的种类284

6.2.1 遗传算法GA285

6.2.2 进化规划EP286

6.2.3 进化策略ES288

6.3 遗传算法的原理和方法290

6.3.1 随机优化方法290

6.3.2 遗传算法的描述293

6.3.3 遗传算法的基本操作293

6.3.4 遗传算法中的概率分析297

6.4 遗传算法求解TSP300

6.4.1 参数设置300

6.4.2 算法流程303

6.4.3 算法的改进304

6.4.4 计算实例305

6.5 遗传算法的其他应用309

6.5.1 遗传算法与人工神经网络309

6.5.2 配送中心选址解法310

6.5.3 车站到发线运用312

6.5.4 在数字电路测试中的应用314

6.6 进化计算的评价317

第七章 混沌与分形319

7.1 混沌现象与混沌学319

7.1.1 混沌学的诞生319

7.1.2 脑神经系统中的混沌321

7.2 混沌神经元模型323

7.2.1 虫口模型324

7.2.2 李雅普洛夫指数与维数329

7.3 生命的节律331

7.3.1 节律的多样性331

7.3.2 稳态332

7.3.3 极限环333

7.3.4 混沌与分岔335

7.4 分形336

7.4.1 从混沌到分形337

7.4.2 Cantor集340

7.4.3 Koch曲线341

7.4.4 Mandelbrot集342

7.5 混沌与分形的应用344

7.5.1 混沌应用于保密通信344

7.5.2 地球物理学中的分形方法346

7.5.3 分形图像编码349

第八章 模糊神经计算智能系统356

8.1 神经网络和模糊技术的融合356

8.1.1 融合的趋势356

8.1.2 模糊逻辑和神经网络的比较357

8.1.3 FL与NN的融合方法359

8.2 模糊神经网络360

8.2.1 手写体数字识别用FNN360

8.2.2 聚类分析用FNN363

8.2.3 提取规则用FNN366

8.3 模糊神经计算智能系统组成373

8.3.1 智能信息处理的分类373

8.3.2 计算智能系统的体系结构375

8.4 特征的选择提取与排序377

8.4.1 事物特征的描述377

8.4.2 特征的选择379

8.4.3 离散K--L降维变换380

8.4.4 主分量分析法387

8.4.5 特征的排序390

8.5 学习样本394

8.5.1 学习样本的作用394

8.5.2 粗集理论395

8.5.3 样本空间参数变换与分析398

8.5.4 致密性遍历性相容性400

8.6.1 模糊神经元与可调神经元404

8.6 FNN的体系结构404

8.6.2 几种模糊神经网络408

8.6.3 注意力集中的实现方案412

8.6.4 基于区组设计的对称均衡拓扑结构413

8.7 计算智能的满意输出原理和方法416

8.7.1 生物智能活动的满意解原则416

8.7.2 有关满意度的传统提法418

8.7.3 静态满意度与动态满意度422

8.7.4 满意度的运算法则426

8.7.5 基于满意度的TSP解法428

8.8 计算智能在未来世纪中的发展434

8.8.1 设计构造计算智能系统的基本原则434

8.8.2 综合智能控制系统示例435

8.8.3 几个待解决的关键问题438

8.8.4 结束语441

参考文献442