目录
第一篇 智能信息处理及其应用
第1章 绪论 2
1.1 计算智能 2
1.2 人工智能 5
1.3 最优化方法 7
1.4 智能信息处理方法 11
参考文献 12
第2章 神经网络信息处理 13
2.1 神经网络信息处理基础 13
2.1.1 神经元 13
2.1.2 神经网络拓扑结构 15
2.1.3 神经网络模型 17
2.1.4 神经网络学习规则及算法 18
2.1.5 神经网络计算的特点 20
2.2 反向传播神经网络模型 21
2.2.1 反向传播神经网络结构 21
2.2.2 反向传播算法的基本思想和基本流程 22
2.2.3 反向传播神经网络设计 23
2.3 Hopfield神经网络 24
2.3.1 Hopfield神经网络 24
2.3.2 离散型Hopfield神经网络 25
2.3.3 连续型Hopfield神经网络 26
2.4 径向基函数神经网络 28
2.4.1 径向基函数神经元模型 28
2.4.2 径向基函数神经网络模型 29
2.4.3 径向基函数神经网络的创建与学习 30
2.5 贝叶斯神经网络 32
2.5.1 贝叶斯方法 32
2.5.2 神经网络的贝叶斯学习 33
2.5.3 贝叶斯神经网络算法 33
2.6 卷积神经网络 34
2.6.1 卷积神经网络结构 34
2.6.2 多卷积核 35
2.6.3 池化 36
2.6.4 卷积神经网络的训练 37
2.7 应用实例 38
2.7.1 基于径向基函数神经网络的语音增强 38
2.7.2 基于卷积神经网络的情绪识别 42
思考题 43
参考文献 43
第3章 遗传算法 45
3.1 遗传算法基础 45
3.1.1 进化计算 45
3.1.2 生物遗传概念与遗传算法 45
3.1.3 遗传算法发展概况 46
3.2 遗传算法的基本原理 46
3.2.1 遗传算法结构和主要参数 46
3.2.2 常见编码方法和基本遗传操作 48
3.2.3 遗传算法参数选择及其对算法收敛性的影响 51
3.2.4 遗传算法的特点 52
3.3 协同进化遗传算法 52
3.3.1 协同进化遗传算法概述 52
3.3.2 协同进化遗传算法流程 53
3.3.3 协同进化遗传算法的设计 54
3.4 应用实例 55
3.4.1 旅行商问题的遗传算法解 55
3.4.2 基于遗传算法的MIMO-OFDM系统信号检测方案 57
3.4.3 基于遗传算法的SIMO信道子空间盲估计 58
思考题 59
参考文献 59
第4章 免疫算法 61
4.1 人工免疫系统 61
4.1.1 免疫算法的生物学基础 61
4.1.2 免疫算法提出 62
4.1.3 克隆选择和扩增 63
4.2 免疫算法基本原理 64
4.2.1 免疫算法的基本思想 64
4.2.2 免疫算法与免疫系统的对应 65
4.2.3 免疫算法的多样性和收敛性 66
4.2.4 常见的免疫算法 66
4.3 应用实例 67
4.3.1 用免疫算法求解旅行商问题 67
4.3.2 基于免疫算法的K均值聚类算法 72
思考题 74
参考文献 74
第5章 群智能算法 76
5.1 粒子群优化算法 76
5.1.1 粒子群优化算法的原理 76
5.1.2 基本粒子群优化算法 76
5.1.3 带惯性权重的粒子群优化算法 77
5.1.4 带收缩因子的粒子群优化算法 78
5.2 蚁群优化算法 79
5.2.1 蚁群优化算法的原理 79
5.2.2 蚁群优化算法的改进思路 80
5.3 菌群优化算法 81
5.3.1 菌群优化算法的原理 81
5.3.2 菌群优化算法的流程 83
5.3.3 菌群优化算法寻优过程中的细菌分布 84
5.3.4 菌群优化算法性能测试 87
5.3.5 菌群优化算法的改进 88
5.4 应用实例 89
5.4.1 基于粒子群优化算法的图像矢量量化码书设计 89
5.4.2 基于蚁群优化算法的LTE系统信号检测研究 91
思考题 94
参考文献 94
第6章 机器学习算法 95
6.1 机器学习基础和计算理论 95
6.1.1 概念学习 95
6.1.2 计算理论 96
6.2 监督学习经典方法 98
6.2.1 K近邻算法 98
6.2.2 决策树 99
6.2.3 朴素贝叶斯 101
6.2.4 支持向量机 103
6.3 非监督学习经典方法 107
6.3.1 EM算法 107
6.3.2 K均值聚类算法 108
6.3.3 层次聚类算法 109
6.3.4 DBSCAN算法 110
6.4 先进机器学习模型 111
6.4.1 集成学习 111
6.4.2 强化学习 117
6.4.3 迁移学习 119
6.4.4 深度学习 122
6.5 应用实例 136
思考题 138
参考文献 138
第二篇 量子智能信息处理
第7章 量子智能信息处理概述 140
7.1 量子计算 140
7.2 量子信息处理基础 141
7.2.1 量子信息的表示：量子比特 141
7.2.2 量子信息的存储：量子寄存器 142
7.2.3 量子信息的处理：算子与量子态的演化 143
7.2.4 量子信息处理器：量子门与量子门组网络 145
7.2.5 量子信息处理特性：量子并行与量子纠缠 148
7.3 量子智能优化算法和量子神经网络 149
思考题 152
参考文献 152
第8章 量子神经网络 154
8.1 神经网络向量子神经网络的演变 154
8.1.1 演变的动因 154
8.1.2 神经网络有关概念的量子类比 155
8.1.3 量子神经网络的量子并行处理能力及其优势 156
8.2 量子神经网络模型 157
8.2.1 量子神经元 157
8.2.2 量子衍生神经网络模型 158
8.2.3 量子并行自组织映射模型 159
8.2.4 量子联想记忆模型 160
8.2.5 量子纠缠神经网络模型 161
8.2.6 量子跃迁神经网络模型 162
8.2.7 量子反向传播神经网络模型 164
8.2.8 量子深度卷积神经网络模型 166
8.3 量子神经元模型 167
8.3.1 量子神经元的量子力学特性 167
8.3.2 量子神经元学习算法 168
8.3.3 算法模拟实现及特性分析 169
8.3.4 量子神经元逻辑运算特性 170
8.3.5 量子神经元的非线性映射特性 173
8.4 应用实例 174
8.4.1 量子反向传播神经网络用于函数逼近 174
8.4.2 量子神经元实现非线性映射的实验验证 175
8.4.3 量子深度卷积神经网络用于文本分类 176
思考题 178
参考文献 178
第9章 量子遗传算法 179
9.1 量子遗传算法的基础 179
9.1.1 量子比特编码 179
9.1.2 量子旋转门策略 180
9.1.3 量子变异操作 181
9.1.4 量子交叉操作 181
9.