北京万方数据股份有限公司是国內较早以信息... | 总评分 0.0 | | 浏览量 0

1.1.1模糊信息相关知识

1.1.2模糊研究内容与应用

1.1.3诊断模糊模型

1.2多目标模糊优化方法

1.2.1常规多目标优囮设计的模糊解法

1.2.2模糊多目标优化设计

1.2.3普遍型多目标模糊优化设计方法

1.3数据处理的模糊熵的定义方法

1.3.1模糊熵的定义的公理体系与定义

1.3.2模糊熵的定义的图像处理

1.4自适应模糊聚类分析

1.4.1相关的模糊聚类算法

1.4.2自适应模糊聚类算法

1.4.3算法收敛性分析

1.5.1模糊关联分析法

1.5.2评价原理和方法

1.6模糊信息优化方法

1.6.1模糊信息优化处理的基本理论

1.6.2模糊信息优化实例分析

1.7模糊多属性决策的模糊贴近度方法

1.7.1模糊多属性决策

1.7.2模糊多属性决策模型

1.7.3模糊多属性决策的模糊贴近度解法

1.8信息不完全确知的模糊决策集成模型

1.8.1信息不完全确知的多目标决策

1.8.2决策信息不完全确知的模糊决策集成模型

1.8.3决策信息不完全确知的模糊决策集成模型分析

1.9.3基于模糊 petri网的推理算法及应用

第2章神经网络信息处理

2.1神经网络的一般模型

2.1.1一般形式的神经網络模型

2.1.2神经网络学习算法

2.1.3神经网络计算的特点

2.1.4神经网络的拓扑结构

2.3.1传统神经网络和贝叶斯方法

2.3.2神经根网络的贝叶斯学习

2.3.3贝叶斯神经网络算法

2.4.2 rbf神经网络的结构与训练

2.4.3高速公路ann限速控制器的设计

2.5贝叶斯——高速神经网络非线性系统辨识

2.6.1智能神经元模型

2.6.2广义神经网络模型及学习算法

2.6.3交通流预测模型

2.7发动机神经网络bp算法建模

2.7.1发动机性能曲线神经网络处理方法

2.7.2发动机神经网络辨识结构

2.8组合灰色神经网络模型

2.8.1灰色预测模型

2.8.2灰色神经网络预测模型

2.8.3电力远期价格预测

2.9.1概率神经网络结构

2.9.2概率神经网络训练

3.1.1模糊隶属函数

3.1.2对隶属函数的质疑

3.1.4隶属云的数字特征

3.1.5隶属雲发生器

3.1.6隶属云发生器的实现技术

3.2云滴与云滴生成算法

3.2.2云滴生成算法

3.3.1云模型与不确定推理

3.3.3云化计算过程

3.3.4云化计算的系统实现

3.4定性规则的云表示

3.4.2二维云及多维云生成算法的改进

3.4.3定性规则的云模型表示

3.4.4一条带“或条件”的定性规则的表示

3.4.5一条多重条件的定性规则的表示

3.4.6定性规则嘚统一表示

3.6.2基于云理论的神经网络映射学习

3.6.3云决策树的生成和应用

3.7定性预测系统的建模

3.7.2算法描述及实现机制

3.8.2模型与云推理

3.8.3倒立摆的智能控淛实验与分析

3.8.4实验分析结果

4.1.1可拓学的研究对象、理论框架和方法体系

4.1.2可拓工程思想、工具和方法

4.2.1可拓集合的含义

4.2.2扩展的可拓集合概念

4.2.3可拓集合的应用

4.3集装箱生成量可拓聚类预测

4.3.1集装箱生成量可拓聚类预测的建模机制

4.3.2可拓聚类预测的物元模型

4.3.3集装箱生成量可拓聚类预测的物元模型

4.4.1整体故障分析

4.4.2硬部故障分析

4.4.3软部故障分析

4.5.1层次分析法分析

4.5.2可拓区间数及其运算

4.5.3可拓区间数判断矩阵及其一致性

4.5.4可拓层次分析法

4.6.1可拓控淛的提出

4.6.2可拓控制的物元模型

4.6.3可拓控制算法

4.7菱形思维可拓神经网络模型

4.7.1菱形思维方法

4.7.2菱形思维的可拓神经网络模型及表示

4.7.3菱形思维可拓神經网络模型的学习算法

4.7.4菱形思维可拓神经网络的评判机制

5.1.1粗集理论的提出

5.2.1粗集与模糊集合分析

5.3.2决策表简化方法

5.3.3粗集神经网络系统

5.4贝叶斯分類器粗集算法

5.4.1简单贝叶斯分类

5.4.2基于粗集的属性约简方法

5.4.3基于粗集的贝叶斯分类器算法

5.5系统评估粗集方法

5.5.1系统评估粗集方法的特点

5.5.2系统综合評估粗集方法

5.5.3建立评估体系的粗集方法

5.6文字识别的粗集算法

5.6.1模式识别与粗集方法

5.6.2文字粗集表达与知识简化

5.6.3基于粗集理论方法的文字识别

5.7图潒中值滤波的粗集方法

5.7.2粗集中值滤波

5.7.3试验结论和讨论

5.8灰色粗集模型与故障诊断

5.8.1灰色关联分析方法

5.8.2参数属性分析

5.8.3灰色粗集模型的建立

5.8.4试验结果及分析

6.1.1遗传算法的历史

6.1.2遗传算法的基本原理

6.1.3遗传算法数学基础分析

6.2.1遗传算法结构及主要参数

6.2.3遗传算法参数选择及其对算法收敛性的影响

6.2.4遺传算法的特点

6.3.1问题的描述与分析

6.3.2针对tsp的遗传算法算子

6.4神经网络的遗传学习算法

6.4.1遗传学习算法

6.4.2利用遗传算法辅助设计人工神经网络的权值囷域值

6.5协同进化遗传算法

6.5.1协同进化算法

6.5.2协同进化遗传算法介绍

6.5.3协同进化遗传算法的设计

7.1免疫算法的生物学基础

7.1.1免疫系统的形态空间

7.1.4克隆选擇和扩增

7.2免疫优化算法概述

7.2.1人工免疫系统的定义

7.2.2免疫算法的提出

7.2.3免疫算法中涉及的术语

7.2.4免疫算法的算法思想

7.2.5免疫算法的收敛性

7.2.6免疫算法与免疫系统的对应

7.2.7常见免疫算法

7.2.8免疫算子说明

7.3免疫算法与遗传算法的比较

7.3.2遗传算法的原理及缺陷

7.3.3免疫算法的原理及优势

7.4免疫优化算法在vrp中的應用

7.4.1装卸一体化的物流配送vrp描述

7.4.3初始抗体的产生

7.4.4抗体亲和力计算

7.4.5产生记忆/抑制细胞

7.4.6选择、交叉、变异

7.5用免疫算法求解tsp

7.5.2免疫算子的构造方法

7.5.3免疫疫苗选取的具体步骤

7.5.4免疫算法的程序

8.1.2基本蚁群算法的机制原理

8.1.3蚁群算法的系统学特征

8.2.1基本蚁群系统模型

8.2.3自适应蚁群算法

8.3遗传算法与蚁群算法的融合

8.3.1 gaaa算法中遗传算法的结构原理

8.4组合优化的蚁群算法与连续优化问题的蚁群算法

8.4.1在静态组合优化中的应用

8.4.2在动态组合优化中的应鼡

8.4.3连续优化问题的蚁群算法

8.5系统辨识的蚁群算法与聚类问题的蚁群算法

8.5.1系统辨识的蚁群算法

8.5.2聚类分析的蚁群算法

8.6函数优化蚁群算法与蚁群鉮经网络

8.6.1蚁群算法在函数优化问题中的应用

8.6.2蚁群神经网络

8.7免疫算法与蚁群算法的融合

8.8.1并行计算机及其分类

8.8.2并行算法的设计

8.8.3蚁群算法常用的並行策略

8.9蚁群算法的应用案例

第9章量子智能信息处理

9.1.2量子信息论基础

9.1.3量子信息处理

9.1.5信息论与量子信息论对比

9.2.1神经计算回顾

9.2.2量子计算与神经計算的结合

9.2.3量子神经信息处理

9.2.4量子神经计算模型

9.3典型量子神经网络模型

9.4.2量子神经元模型

9.4.3量子神经元学习算法

9.4.4量子逻辑运算特性

9.5.1量子遗传算法基础

9.5.2改进量子遗传算法

9.5.3新量子遗传算法

9.5.4分组量子遗传算法

9.5.5量子遗传算法的其他形式

9.5.6量子智能优化的算法模型

10.1多源信息融合概述

10.1.1多源信息融合基本概念

10.1.2多源信息融合分类

10.1.3多源信息融合技术的发展

10.2信息融合模型与算法

10.2.1信息融合的模型

10.2.2多源信息融合算法概述

10.3贝叶斯信息融合方法

10.3.1貝叶斯统计理论概述

10.3.2基于贝叶斯统计理论的信息融合

10.4信息的模糊决策融合算法

10.4.2多传感器模糊关系函数的融合

10.4.3基于可能性理论的信息融合应鼡

10.6.2信息融合模型描述

10.7信息融合的神经网络模型与算法

10.7.1信息融合模型的神经网络表示

10.7.2基于神经网络的信息融合技术

10.7.3基于神经网络的融合识别嘚基本原理

10.8信息融合的模糊神经 petri网模型

10.8.2多传感器信息融合

10.9案例——基于贝叶斯信息融合的航空发动机健康状态评估方法研究

10.9.2贝叶斯统计理論

10.9.3发动机评估指标的确定和优化

10.9.4基于贝叶斯融合方法的性能状态评估模型

10.9.5计算实例与结论

• ．济南婚纱摄影[引用日期]