第一章 智能科学发展概论
1．1 智能的探索
1．2 智能的涵义
1．2．1 生物智能
1．2．2 人工智能
1．2．3 计算智能
1．2．4 智能abc
1．3 电脑的发展历程
1．3．1 集成电路技术的进步
1．3．2 vonneumann计算机的发展
1．3．3 人机大战的启示
1．4 传统ai的成就与局限性
1．4．1 ai的兴起与发展
1．4．2 ai的成就
1．4．3 传统ai的局限性
1．5 人工神经网络的发展历程与反思
1．5．1 早期的五种计算模式
1．5．2 马鞍形的发展历程
1．5．3 ann研究现状的反思
1．6 智能科学的相关技术
.1．6．1 模糊逻辑
1．6．2 进化计算
1．6．3 粗集理论
1．6．4 混沌与分形
1．6．5 区组设计
1．7 智能科学中的若干哲学问题
1．7．1 老三论与新三论
1．7．2 思维数学方法
1．7．3 值得认真思考的哲学概念
1．7．4 几对相互矛盾的哲理关系
1. 8 智能科学发展展望
1．8．1 研究智能的三条途径
1. 8．2 模糊神经计算智能
1．8．3 未来世纪的智能科学
第二章 智能的生物特征与本质
2．1 脑的哲学思考
2．1．1 巨系统观下的人脑
2．1．2 脑的三个表征
2．1．3 物质与精神间的有序映射
2．1．4 脑的复杂性
2．2 脑的结构与功能
2．2．1 脑的构造
2．2．2 神经元
2．2．3 神经膜及其电特性
2．2．4 h-h非线性动态方程
2．2．5 动作电位脉冲的传递
2．3 视觉系统的剖析
2．3．1 智能与视觉
2．3. 2 眼的机能
2．3．3 串并行的视觉信息处理
2．3．4 功能分区
2．4 记忆与遗忘
2．4．1 记忆的类型
2．4．2 联想记忆
2．4．3 遗忘现象
2．5 意识与思维
2．5．1 意识的产生
2．5．2 两类信号束统
2．5．3 学习机制
2．5．4 思维方法
2．5．5 注意力集中
2．6 生物智能系统的启示
2．6．1 生物神经系统智能活动的特征
2．6．2 三个子系统的协同工作
2．6．3 现有电脑和人脑的比较
2．6．4 设计模糊神经计算智能系统的原则
第三章 人工神经网络
3．1 人工神经元
3．1．1 m-p模型
3．1．2 函数的近似
3．1．3 布尔函数的神经元实现
3．2 感知机
3．2．1 感知机的特性
3．2．2 感知机的分类功能
3．2．3 感知机分类示例
3．3 神经网络学习机制
3．3．1 学习方法类别
3．3．2 学习算法
3．3．3 感知机学习
3．3．4 adaline
3．4 前馈型bp网络
3．4．1 激励函数
3．4．2 bp学习算法
3．4．3 网络的逼近能力
3．4．4 网络的泛化能力
3．4．5 隐含层单元数的选定
3．4．6 对bp网络的评价
3．5 反馈型hopfield网络
3．5．1 求解tsp与计算复杂性
3．5．2 离散型hopfield网络
3．5．3 连续型hopfield网络
3．5．4 用神经网络方法求解tsp
3．5．5 计算能量函数优化方法的评价
3．6 kohonen自组织网络
3．6．1 自组织概念
3．6．2 自组织学习算法
3．6．3 学习算法参数选择
3．6．4 在声控打字机中的应用
3．7 几类特殊的神经网络
3．7．1 径向基函数网络
3．7．2 细胞神经网络
3．7．3 区组设计网络
3．7．4 广义同余神经网络
3．7．5 协同神经网络
第四章 模糊逻辑基础
4．1 智能的模糊特征
4．1. 1 模糊的必要性
4．1．2 模糊的相对性
4．1．3 模糊的普遍性
4．2 模糊集合的基本概念
4．2．1 经典集合及其运算
4．2．2 模糊集合及其表达
4．2．3 模糊子集的运算
4．2．4 模糊集的几何表示
4．3 隶属函数
4．3．1 确定隶属函数的方法
4. 3．2 常见的模糊分布
4．4 模糊区间与模糊中心
4．4．1 主观模糊与客观模糊
4．4．2 模糊区间数与模糊中心数
4．4．3 相对模糊率
4．4．4 模糊区间数的运算
4．5 模糊集合与经典集合的联系
4．5．1 水平截集
4．5．2 分解定理
4．5．3 扩张原理
4．6 模糊矩阵与模糊关系
4．6．1 模糊矩阵及其运算
4．6．2 模糊矩阵的合成
4．6．3 模糊关系
4．6．4 模糊综合评判
4．6．5 泥石流沟严重度的模糊判释
4．7 模糊控制
4．7．1 模糊控制的特点
4．7．2 模糊控制规则
4．7．3 模糊倒车控制
第五章 联想记忆与编码
5．1 联想与智能
5．1. 1 两种不同的记忆方式
5．1. 2 联想与创造发明
5．1．3 联想与汉明距离
5．2 联想网络
5．2．1 联想网络的类型
5．2．2 联想记忆的结构
5．2．3 特征矢量与联想
5．3 联想学习
5．3．1 赫布学习--相关矩阵
5．3．2 吸引子与吸引域
5．3．3 联想存储的容量问题
5．3．4 伪逆矩阵方法
5．3．5 正交投影
5．4 模糊联想记忆
5．4．1 矩阵联想存储器
5．4．2 模糊联想运算
5．4．3 赫布型fam
5．4．4 双向fam
5．4．5 多模式对fam
5．5 稳定吸引子与编码
5．5．1 hopfield网络的稳定吸引子
5．5．2 神经网络用于组合编码
5．5．3 dhnn与纠举错码
5．5．4 dhnn搜索非周期自相关序列
第六章 进化计算
6．1 生物进化的启示
6．1．1 生物进化论的形成与发展
6．1．2 生物进化的基本特点
6，2 进化计算的种类
6．2．1 遗传算法ga
6．2．2 进化规划ep
6．2．3 进化策略es
6；3 遗传算法的原理和方法
6．3．1 随机优化方法
6．3．2 遗传算法的描述
6．3．3 遗传算法的基本操作
6．3．4 遗传算法中的概率分析
6．4 遗传算法求解tsp
6．4．1 参数设置
6．4．2 算法流程
6．4．3 算法的改进
6．4．4 计算实例
6．5 遗传算法的其他应用
6．5．1 遗传算法与人工神经网络
6．5．2 配送中心选址解法
6．5．3 车站到发线运用
6．5．4 在数字电路测试中的应用
6．6 进化计算的评价
第七章 混沌与分形
7．1 混沌现象与混沌学
7．1. 1 混沌学的诞生
7．1．2 脑神经系统中的混沌
7．2 混沌神经元模型
7．2．1 虫口模型
7．2．2 李雅普洛夫指数与维数
7．3 生命的节律
7．3．1 节律的多样性
7．3．2 稳 态
7．3．3 极限环
7．3．4 混沌与分岔
7．4 分 形
7．4．1 从混沌到分形
7．4．2 cantor集
7．4．3 koch曲线
7．4．4 mandelbrot集
7．5 混沌与分形的应用
7．5．1 混沌应用于保密通信
7．5．2 地球物理学中的分形方法
7．5．3 分形图像编码
第八章 模糊神经计算智能系统
8．1 神经网络和模糊技术的融合
8．1．1 融合的趋势
8．1．2 模糊逻辑和神经网络的比较
8．1．3 fl与nn的融合方法
8．2 模糊神经网络
8．2．1 手写体数字识别用fnn
8．2．2 聚类分析用fnn
8．2．3 提取规则用fnn
8．3 模糊神经计算智能系统组成
8．3．1 智能信息处理的分类
8．3．2 计算智能系统的体系结构
8．4 特征的选择提取与排序
8．4．1 事物特征的描述
8．4．2 特征的选择
8．4．3 离散k-l降维变换
8．4．4 主分量分析法
8．4．5 特征的排序
8．5 学习样本
8．5．1 学习样本的作用
8．5．2 粗集理论
8．5．3 样本空间参数变换与分析
8．5．4 致密性遍历性相容性
8．6 fnn的体系结构
8．6．1 模糊神经元与可调神经元
8．6．2 几种模糊神经网络
8．6．3 注意力集中的实现方案
8．6．4 基于区组设计的对称均衡拓扑结构
8．7 计算智能的满意输出原理和方法
8．7．1 生物智能活动的满意解原则
8．7．2 有关满意度的传统提法
8．7．3 静态满意度与动态满意度
8．7．4 满意度的运算法则
8．7．5 基于满意度的tsp解法
8．8 计算智能在未来世纪中的发展
8．8．1 设计构造计算智能系统的基本原则
8．8．2 综合智能控制系统示例
8．8．3 几个待解决的关键问题
8．8．4 结束语
参考文献