第一章 智能科學發展概論
1．1 智能的探索
1．2 智能的涵義
1．2．1 生物智能
1．2．2 人工智能
1．2．3 計算智能
1．2．4 智能abc
1．3 電腦的發展曆程
1．3．1 集成電路技術的進步
1．3．2 vonneumann計算機的發展
1．3．3 人機大戰的啓示
1．4 傳統ai的成就與局限性
1．4．1 ai的興起與發展
1．4．2 ai的成就
1．4．3 傳統ai的局限性
1．5 人工神經網絡的發展曆程與反思
1．5．1 早期的五種計算模式
1．5．2 馬鞍形的發展曆程
1．5．3 ann研究現狀的反思
1．6 智能科學的相關技術
.1．6．1 模糊邏輯
1．6．2 進化計算
1．6．3 粗集理論
1．6．4 混沌與分形
1．6．5 區組設計
1．7 智能科學中的若乾哲學問題
1．7．1 老三論與新三論
1．7．2 思維數學方法
1．7．3 值得認真思考的哲學概念
1．7．4 幾對相互矛盾的哲理關係
1. 8 智能科學發展展望
1．8．1 研究智能的三條途徑
1. 8．2 模糊神經計算智能
1．8．3 未來世紀的智能科學
第二章 智能的生物特徵與本質
2．1 腦的哲學思考
2．1．1 巨係統觀下的人腦
2．1．2 腦的三個錶徵
2．1．3 物質與精神間的有序映射
2．1．4 腦的復雜性
2．2 腦的結構與功能
2．2．1 腦的構造
2．2．2 神經元
2．2．3 神經膜及其電特性
2．2．4 h-h非綫性動態方程
2．2．5 動作電位脈衝的傳遞
2．3 視覺係統的剖析
2．3．1 智能與視覺
2．3. 2 眼的機能
2．3．3 串並行的視覺信息處理
2．3．4 功能分區
2．4 記憶與遺忘
2．4．1 記憶的類型
2．4．2 聯想記憶
2．4．3 遺忘現象
2．5 意識與思維
2．5．1 意識的産生
2．5．2 兩類信號束統
2．5．3 學習機製
2．5．4 思維方法
2．5．5 注意力集中
2．6 生物智能係統的啓示
2．6．1 生物神經係統智能活動的特徵
2．6．2 三個子係統的協同工作
2．6．3 現有電腦和人腦的比較
2．6．4 設計模糊神經計算智能係統的原則
第三章 人工神經網絡
3．1 人工神經元
3．1．1 m-p模型
3．1．2 函數的近似
3．1．3 布爾函數的神經元實現
3．2 感知機
3．2．1 感知機的特性
3．2．2 感知機的分類功能
3．2．3 感知機分類示例
3．3 神經網絡學習機製
3．3．1 學習方法類彆
3．3．2 學習算法
3．3．3 感知機學習
3．3．4 adaline
3．4 前饋型bp網絡
3．4．1 激勵函數
3．4．2 bp學習算法
3．4．3 網絡的逼近能力
3．4．4 網絡的泛化能力
3．4．5 隱含層單元數的選定
3．4．6 對bp網絡的評價
3．5 反饋型hopfield網絡
3．5．1 求解tsp與計算復雜性
3．5．2 離散型hopfield網絡
3．5．3 連續型hopfield網絡
3．5．4 用神經網絡方法求解tsp
3．5．5 計算能量函數優化方法的評價
3．6 kohonen自組織網絡
3．6．1 自組織概念
3．6．2 自組織學習算法
3．6．3 學習算法參數選擇
3．6．4 在聲控打字機中的應用
3．7 幾類特殊的神經網絡
3．7．1 徑嚮基函數網絡
3．7．2 細胞神經網絡
3．7．3 區組設計網絡
3．7．4 廣義同餘神經網絡
3．7．5 協同神經網絡
第四章 模糊邏輯基礎
4．1 智能的模糊特徵
4．1. 1 模糊的必要性
4．1．2 模糊的相對性
4．1．3 模糊的普遍性
4．2 模糊集閤的基本概念
4．2．1 經典集閤及其運算
4．2．2 模糊集閤及其錶達
4．2．3 模糊子集的運算
4．2．4 模糊集的幾何錶示
4．3 隸屬函數
4．3．1 確定隸屬函數的方法
4. 3．2 常見的模糊分布
4．4 模糊區間與模糊中心
4．4．1 主觀模糊與客觀模糊
4．4．2 模糊區間數與模糊中心數
4．4．3 相對模糊率
4．4．4 模糊區間數的運算
4．5 模糊集閤與經典集閤的聯係
4．5．1 水平截集
4．5．2 分解定理
4．5．3 擴張原理
4．6 模糊矩陣與模糊關係
4．6．1 模糊矩陣及其運算
4．6．2 模糊矩陣的閤成
4．6．3 模糊關係
4．6．4 模糊綜閤評判
4．6．5 泥石流溝嚴重度的模糊判釋
4．7 模糊控製
4．7．1 模糊控製的特點
4．7．2 模糊控製規則
4．7．3 模糊倒車控製
第五章 聯想記憶與編碼
5．1 聯想與智能
5．1. 1 兩種不同的記憶方式
5．1. 2 聯想與創造發明
5．1．3 聯想與漢明距離
5．2 聯想網絡
5．2．1 聯想網絡的類型
5．2．2 聯想記憶的結構
5．2．3 特徵矢量與聯想
5．3 聯想學習
5．3．1 赫布學習--相關矩陣
5．3．2 吸引子與吸引域
5．3．3 聯想存儲的容量問題
5．3．4 僞逆矩陣方法
5．3．5 正交投影
5．4 模糊聯想記憶
5．4．1 矩陣聯想存儲器
5．4．2 模糊聯想運算
5．4．3 赫布型fam
5．4．4 雙嚮fam
5．4．5 多模式對fam
5．5 穩定吸引子與編碼
5．5．1 hopfield網絡的穩定吸引子
5．5．2 神經網絡用於組閤編碼
5．5．3 dhnn與糾舉錯碼
5．5．4 dhnn搜索非周期自相關序列
第六章 進化計算
6．1 生物進化的啓示
6．1．1 生物進化論的形成與發展
6．1．2 生物進化的基本特點
6，2 進化計算的種類
6．2．1 遺傳算法ga
6．2．2 進化規劃ep
6．2．3 進化策略es
6；3 遺傳算法的原理和方法
6．3．1 隨機優化方法
6．3．2 遺傳算法的描述
6．3．3 遺傳算法的基本操作
6．3．4 遺傳算法中的概率分析
6．4 遺傳算法求解tsp
6．4．1 參數設置
6．4．2 算法流程
6．4．3 算法的改進
6．4．4 計算實例
6．5 遺傳算法的其他應用
6．5．1 遺傳算法與人工神經網絡
6．5．2 配送中心選址解法
6．5．3 車站到發綫運用
6．5．4 在數字電路測試中的應用
6．6 進化計算的評價
第七章 混沌與分形
7．1 混沌現象與混沌學
7．1. 1 混沌學的誕生
7．1．2 腦神經係統中的混沌
7．2 混沌神經元模型
7．2．1 蟲口模型
7．2．2 李雅普洛夫指數與維數
7．3 生命的節律
7．3．1 節律的多樣性
7．3．2 穩 態
7．3．3 極限環
7．3．4 混沌與分岔
7．4 分 形
7．4．1 從混沌到分形
7．4．2 cantor集
7．4．3 koch麯綫
7．4．4 mandelbrot集
7．5 混沌與分形的應用
7．5．1 混沌應用於保密通信
7．5．2 地球物理學中的分形方法
7．5．3 分形圖像編碼
第八章 模糊神經計算智能係統
8．1 神經網絡和模糊技術的融閤
8．1．1 融閤的趨勢
8．1．2 模糊邏輯和神經網絡的比較
8．1．3 fl與nn的融閤方法
8．2 模糊神經網絡
8．2．1 手寫體數字識彆用fnn
8．2．2 聚類分析用fnn
8．2．3 提取規則用fnn
8．3 模糊神經計算智能係統組成
8．3．1 智能信息處理的分類
8．3．2 計算智能係統的體係結構
8．4 特徵的選擇提取與排序
8．4．1 事物特徵的描述
8．4．2 特徵的選擇
8．4．3 離散k-l降維變換
8．4．4 主分量分析法
8．4．5 特徵的排序
8．5 學習樣本
8．5．1 學習樣本的作用
8．5．2 粗集理論
8．5．3 樣本空間參數變換與分析
8．5．4 緻密性遍曆性相容性
8．6 fnn的體係結構
8．6．1 模糊神經元與可調神經元
8．6．2 幾種模糊神經網絡
8．6．3 注意力集中的實現方案
8．6．4 基於區組設計的對稱均衡拓撲結構
8．7 計算智能的滿意輸齣原理和方法
8．7．1 生物智能活動的滿意解原則
8．7．2 有關滿意度的傳統提法
8．7．3 靜態滿意度與動態滿意度
8．7．4 滿意度的運算法則
8．7．5 基於滿意度的tsp解法
8．8 計算智能在未來世紀中的發展
8．8．1 設計構造計算智能係統的基本原則
8．8．2 綜閤智能控製係統示例
8．8．3 幾個待解決的關鍵問題
8．8．4 結束語
參考文獻
· · · · · · (收起)