自然计算、机器学习与图像理解前沿PDF|Epub|txt|kindle电子书版本网盘下载

自然计算、机器学习与图像理解前沿PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 进化计算1

1.1 从人工智能到计算智能2

1.2 从进化论到进化计算4

1.2.1 现代进化论5

1.2.2 生物进化与优化7

1.3 进化计算基础知识8

1.3.1 进化计算的主要分支9

1.3.2 进化计算的数学基础12

1.3.3 进化算法的收敛理论13

1.3.4 进化计算的应用18

1.4 协同进化计算19

1.4.1 协同进化的生物学基础20

1.4.2 协同进化的动力学描述24

1.4.3 协同进化算法的发展现状25

1.5 非达尔文进化理论与密母计算28

1.5.1 非达尔文进化的主要理论29

1.5.2 密母计算的研究进展30

参考文献32

第2章 人工免疫系统44

2.1 从免疫系统到人工免疫系统44

2.2 人工免疫系统的研究领域46

2.2.1 人工免疫系统模型的研究46

2.2.2 人工免疫系统算法的研究48

2.2.3 人工免疫系统方法的应用研究52

2.3 人工免疫系统与其它方法的比较55

2.3.1 人工免疫系统与进化计算55

2.3.2 人工免疫系统与人工神经网络55

2.3.3 人工免疫系统与一般的确定性优化算法57

2.4 免疫优化计算研究的新进展58

2.4.1 免疫优化算法研究的主要进展58

2.4.2 免疫优化计算理论分析的主要进展63

2.5 问题与展望65

参考文献66

第3章 量子计算智能75

3.1 量子计算原理75

3.1.1 状态的叠加76

3.1.2 状态的相干76

3.1.3 状态的纠缠76

3.1.4 量子并行性77

3.2 量子计算智能的几种模型77

3.2.1 量子人工神经网络77

3.2.2 基于量子染色体的进化算法78

3.2.3 基于量子特性的优化算法78

3.2.4 量子聚类算法79

3.2.5 量子模式识别算法79

3.2.6 量子小波与小波包算法80

3.2.7 量子退火算法80

3.2.8 其它80

3.3 量子进化算法81

3.3.1 量子进化算法的提出81

3.3.2 量子进化操作82

3.3.3 量子进化算法的结构框架86

3.4 问题与展望88

参考文献89

第4章 多智能体系统93

4.1 复杂适应系统93

4.1.1 复杂适应系统概述93

4.1.2 复杂适应系统的适应性与生物进化过程95

4.1.3 生物进化过程的数学模型97

4.2 多智能体系统99

4.2.1 智能体的基本概念100

4.2.2 智能体形式化描述102

4.2.3 多智能体系统的主要研究内容105

4.2.4 面向问题解决的多智能体系统研究现状108

4.2.5 多智能体系统与分布式人工智能110

4.2.6 多智能体系统与人工生命111

4.2.7 多智能体系统与进化计算114

参考文献115

第5章 进化多目标优化119

5.1 多目标优化问题的数学描述120

5.2 进化多目标优化的主要算法121

5.2.1 第一代进化多目标优化算法121

5.2.2 第二代进化多目标优化算法122

5.3 当代进化多目标优化算法及研究趋势124

5.3.1 基于粒子群优化的多目标优化125

5.3.2 基于人工免疫系统的多目标优化125

5.3.3 基于分布估计算法的多目标优化126

5.3.4 新型占优机制研究126

5.3.5 高维多目标优化研究127

5.4 几种典型进化多目标优化算法的性能比较128

5.4.1 实验设置129

5.4.2 NSGA-Ⅱ、SPEA2、PESA-Ⅱ和NNIA的性能比较132

5.5 总结与展望136

参考文献136

第6章 核机器学习143

6.1 Mercer核144

6.2 核机器学习的主要方法144

6.2.1 支撑矢量机及统计学习理论144

6.2.2 支持矢量新颖发现147

6.2.3 核匹配追踪学习机148

6.2.4 Mercer聚类方法150

6.2.5 Mercer核主分量分析151

6.2.6 Mercer核Fisher判别分析152

6.2.7 SVMs用于排序学习153

6.2.8 学习154

6.2.9 用于结构化数据识别的核方法154

6.3 核机器学习方法的优势与不足155

6.3.1 Mercer核技术的优势155

6.3.2 Mercer核技术的不足156

6.4 推广Mercer核函数的主要研究方向157

参考文献159

第7章 流形学习与谱图学习166

7.1 流形学习的基本概念166

7.2 流形学习的降维方法分类167

7.2.1 构建关系矩阵的方法167

7.2.2 基于局部模型的全局坐标对齐方法172

7.2.3 十二种流形降维方法的比较175

7.3 谱聚类177

7.3.1 谱图划分算法177

7.3.2 谱聚类算法179

参考文献180

第8章 集成学习184

8.1 集成学习系统的结构184

8.1.1 集成学习中多样性个体的构造185

8.1.2 集成方法的系统结构187

8.1.3 集成学习算法中的合并方法187

8.2 集成核匹配追踪学习机188

8.2.1 集成核匹配追踪学习机的理论分析188

8.2.2 集成核匹配追踪学习机的建立191

8.3 谱聚类集成191

8.3.1 无监督集成问题191

8.3.2 具有多样性的个体谱聚类的构造192

8.3.3 多个谱聚类结果的合并193

8.3.4 谱聚类集成的流程195

参考文献196

第9章 非线性逼近理论199

9.1 函数逼近简述199

9.2 非线性逼近200

9.2.1 基本概念200

9.2.2 希尔伯特空间中的非线性逼近202

9.2.3 小波逼近203

9.3 高度非线性逼近205

9.3.1 研究背景及其意义205

9.3.2 正交基库中最优基的选择207

9.3.3 函数字典中最优原子的选择208

9.4 问题与展望215

9.4.1 关于数据的多尺度几何表示215

9.4.2 关于基的学习问题217

参考文献218

第10章 多尺度几何分析224

10.1 概念的产生224

10.2 从傅立叶分析到小波分析225

10.3 小波图像逼近227

10.4 人类视觉模型229

10.5 图像的多尺度几何分析230

10.5.1 自适应几何逼近231

10.5.2 Bandelet变换231

10.5.3 脊波及单尺度脊波变换234

10.5.4 Curvelet变换236

10.5.5 Contourlet变换237

10.6 问题与展望240

参考文献243

第11章 多尺度变换域图像感知与识别248

11.1 小波变换的三级统计特性及其机理分析248

11.2 小波域隐马尔可夫模型250

11.2.1 隐马尔可夫模型250

11.2.2 小波域隐马尔可夫模型概述251

11.3 变换域的十种统计模型252

11.3.1 小波域的八种模型253

11.3.2 复小波域模型257

11.3.3 Contourlet变换域模型258

11.4 基于变换域统计模型的图像感知与识别258

11.4.1 图像恢复和重建258

11.4.2 图像分割260

11.4.3 边缘检测261

11.5 问题与展望261

11.5.1 面向应用的模型设计和算法构造261

11.5.2 变换域的拓展263

11.5.3 应用领域的推广264

参考文献264

第12章 图像的高维奇异性检测、学习与理解271

12.1 图像识别与理解中存在的主要问题271

12.1.1 高维奇异性特征提取问题271

12.1.2 多元特征选择问题272

12.1.3 特征学习中的“维数灾难”问题273

12.1.4 相对小样本问题275

12.1.5 计算复杂度问题275

12.1.6 特征提取与相似性测度定义和学习问题275

12.1.7 无监督和半监督学习问题276

12.2 解决高维数据奇异性检测、学习与理解的关键技术277

12.2.1 高维数据奇异性检测、学习与理解概述277

12.2.2 多尺度几何分析与高维奇异性稀疏逼近及方向信息检测280

12.2.3 非线性映射技术……？12.2.4 假设空间容量控制283

12.2.5 无监督和半监督学习284

参考文献287

第13章 图像去噪的阈值方法294

13.1 基本概念294

13.1.1 空间滤波294

13.1.2 小波去噪295

13.1.3 噪声估计296

13.2 阈值函数297

13.3 阈值规则298

13.3.1 塔形分解中的尺度内相关法则299

13.3.2 小波分解中的尺度内相关法则301

13.3.3 尺度间相关法则302

13.3.4 高维数据处理法则305

13.4 阈值方案306

13.4.1 全局阈值307

13.4.2 SURE规则307

13.4.3 假设检验308

13.4.4 Bayes阈值308

13.5 问题与展望309

13.5.1 图像的恢复和重构310

13.5.2 系数独立性假设310

13.5.3 系数建模311

13.5.4 变换域的拓展312

参考文献312

第14章 SAR图像理解与解译317

14.1 SAR图像自动理解与解译的系统组成317

14.2 相干斑抑制319

14.2.1 空域滤波技术319

14.2.2 频域滤波技术320

14.3 SAR图像分割321

14.3.1 阈值分割方法322

14.3.2 基于像素特征的分割方法322

14.3.3 统计分割方法323

14.4 图像融合323

14.4.1 SAR图像和TM图像的融合324

14.4.2 SAR图像不同波段和不同极化图像的融合324

14.4.3 极化SAR图像和超光谱图像的融合325

14.5 特征提取325

14.5.1 边缘特征提取325

14.5.2 纹理特征提取326

14.5.3 形状特征提取327

14.5.4 方向特征提取327

14.6 识别与分类328

14.6.1 最近邻和k近邻329

14.6.2 决策树329

14.6.3 贝叶斯分类器329

14.6.4 神经网络330

14.6.5 支撑矢量机330

14.6.6 Boosting和Bagging331

14.7 SAR图像特殊目标检测331

14.7.1 舰船检测332

14.7.2 路网检测332

14.7.3 其它目标检测332

14.8 问题与展望332

参考文献333