自然計(jì)算、 機(jī)器學(xué)習(xí)與圖像理解前沿

目錄

第1章 進(jìn)化計(jì)算 1
1.1 從人工智能到計(jì)算智能 2
1.2 從進(jìn)化論到進(jìn)化計(jì)算 4
1.2.1 現(xiàn)代進(jìn)化論 5
1.2.2 生物進(jìn)化與優(yōu)化 7
1.3 進(jìn)化計(jì)算基礎(chǔ)知識(shí) 8
1.3.1 進(jìn)化計(jì)算的主要分支 9
1.3.2 進(jìn)化計(jì)算的數(shù)學(xué)基礎(chǔ) 12
1.3.3 進(jìn)化算法的收斂理論 13
1.3.4 進(jìn)化計(jì)算的應(yīng)用 18
1.4 協(xié)同進(jìn)化計(jì)算 19
1.4.1 協(xié)同進(jìn)化的生物學(xué)基礎(chǔ) 20
1.4.2 協(xié)同進(jìn)化的動(dòng)力學(xué)描述 24
1.4.3 協(xié)同進(jìn)化算法的發(fā)展現(xiàn)狀 25
1.5 非達(dá)爾文進(jìn)化理論與密母計(jì)算 28
1.5.1 非達(dá)爾文進(jìn)化的主要理論 29
1.5.2 密母計(jì)算的研究進(jìn)展 30
參考文獻(xiàn) 32
第2章 人工免疫系統(tǒng) 44
2.1 從免疫系統(tǒng)到人工免疫系統(tǒng) 44
2.2 人工免疫系統(tǒng)的研究領(lǐng)域 46
2.2.1 人工免疫系統(tǒng)模型的研究 46
2.2.2 人工免疫系統(tǒng)算法的研究 48
2.2.3 人工免疫系統(tǒng)方法的應(yīng)用研究 52
2.3 人工免疫系統(tǒng)與其它方法的比較 55
2.3.1 人工免疫系統(tǒng)與進(jìn)化計(jì)算 55
2.3.2 人工免疫系統(tǒng)與人工神經(jīng)網(wǎng)絡(luò) 55
2.3.3 人工免疫系統(tǒng)與一般的確定性優(yōu)化算法 57
2.4 免疫優(yōu)化計(jì)算研究的新進(jìn)展 58
2.4.1 免疫優(yōu)化算法研究的主要進(jìn)展 58
2.4.2 免疫優(yōu)化計(jì)算理論分析的主要進(jìn)展 63
2.5 問題與展望 65
參考文獻(xiàn) 66
第3章 量子計(jì)算智能 75
3.1 量子計(jì)算原理 75
3.1.1 狀態(tài)的疊加 76
3.1.2 狀態(tài)的相干 76
3.1.3 狀態(tài)的糾纏 76
3.1.4 量子并行性 77
3.2 量子計(jì)算智能的幾種模型 77
3.2.1 量子人工神經(jīng)網(wǎng)絡(luò) 77
3.2.2 基于量子染色體的進(jìn)化算法 78
3.2.3 基于量子特性的優(yōu)化算法 78
3.2.4 量子聚類算法 79
3.2.5 量子模式識(shí)別算法 79
3.2.6 量子小波與小波包算法 80
3.2.7 量子退火算法 80
3.2.8 其它 80
3.3 量子進(jìn)化算法 81
3.3.1 量子進(jìn)化算法的提出 81
3.3.2 量子進(jìn)化操作 82
3.3.3 量子進(jìn)化算法的結(jié)構(gòu)框架 86
3.4 問題與展望 88
參考文獻(xiàn) 89
第4章 多智能體系統(tǒng) 93
4.1 復(fù)雜適應(yīng)系統(tǒng) 93
4.1.1 復(fù)雜適應(yīng)系統(tǒng)概述 93
4.1.2 復(fù)雜適應(yīng)系統(tǒng)的適應(yīng)性與生物進(jìn)化過程 95
4.1.3 生物進(jìn)化過程的數(shù)學(xué)模型 97
4.2 多智能體系統(tǒng) 99
4.2.1 智能體的基本概念 100
4.2.2 智能體形式化描述 102
4.2.3 多智能體系統(tǒng)的主要研究?jī)?nèi)容 105
4.2.4 面向問題解決的多智能體系統(tǒng)研究現(xiàn)狀 108
4.2.5 多智能體系統(tǒng)與分布式人工智能 110
4.2.6 多智能體系統(tǒng)與人工生命 111
4.2.7 多智能體系統(tǒng)與進(jìn)化計(jì)算 114
參考文獻(xiàn) 115
第5章 進(jìn)化多目標(biāo)優(yōu)化 119
5.1 多目標(biāo)優(yōu)化問題的數(shù)學(xué)描述 120
5.2 進(jìn)化多目標(biāo)優(yōu)化的主要算法 121
5.2.1 第一代進(jìn)化多目標(biāo)優(yōu)化算法 121
5.2.2 第二代進(jìn)化多目標(biāo)優(yōu)化算法 122
5.3 當(dāng)代進(jìn)化多目標(biāo)優(yōu)化算法及研究趨勢(shì) 124
5.3.1 基于粒子群優(yōu)化的多目標(biāo)優(yōu)化 125
5.3.2 基于人工免疫系統(tǒng)的多目標(biāo)優(yōu)化 125
5.3.3 基于分布估計(jì)算法的多目標(biāo)優(yōu)化 126
5.3.4 新型占優(yōu)機(jī)制研究 126
5.3.5 高維多目標(biāo)優(yōu)化研究 127
5.4 幾種典型進(jìn)化多目標(biāo)優(yōu)化算法的性能比較 128
5.4.1 實(shí)驗(yàn)設(shè)置 129
5.4.2 NSGAⅡ、 SPEA2、 PESAⅡ和NNIA的性能比較 132
5.5 總結(jié)與展望 136
參考文獻(xiàn) 136
第6章 核機(jī)器學(xué)習(xí) 143
6.1 Mercer核 144
6.2 核機(jī)器學(xué)習(xí)的主要方法 144
6.2.1 支撐矢量機(jī)及統(tǒng)計(jì)學(xué)習(xí)理論 144
6.2.2 支持矢量新穎發(fā)現(xiàn) 147
6.2.3 核匹配追蹤學(xué)習(xí)機(jī) 148
6.2.4 Mercer聚類方法 150
6.2.5 Mercer核主分量分析 151
6.2.6 Mercer核Fisher判別分析 152
6.2.7 SVMs用于排序?qū)W習(xí) 153
6.2.8 學(xué)習(xí) 154
6.2.9 用于結(jié)構(gòu)化數(shù)據(jù)識(shí)別的核方法 154
6.3 核機(jī)器學(xué)習(xí)方法的優(yōu)勢(shì)與不足 155
6.3.1 Mercer核技術(shù)的優(yōu)勢(shì) 155
6.3.2 Mercer核技術(shù)的不足 156
6.4 推廣Mercer核函數(shù)的主要研究方向 157
參考文獻(xiàn) 159
第7章 流形學(xué)習(xí)與譜圖學(xué)習(xí) 166
7.1 流形學(xué)習(xí)的基本概念 166
7.2 流形學(xué)習(xí)的降維方法分類 167
7.2.1 構(gòu)建關(guān)系矩陣的方法 167
7.2.2 基于局部模型的全局坐標(biāo)對(duì)齊方法 172
7.2.3 十二種流形降維方法的比較 175
7.3 譜聚類 177
7.3.1 譜圖劃分算法 177
7.3.2 譜聚類算法 179
參考文獻(xiàn) 180
第8章 集成學(xué)習(xí) 184
8.1 集成學(xué)習(xí)系統(tǒng)的結(jié)構(gòu) 184
8.1.1 集成學(xué)習(xí)中多樣性個(gè)體的構(gòu)造 185
8.1.2 集成方法的系統(tǒng)結(jié)構(gòu) 187
8.1.3 集成學(xué)習(xí)算法中的合并方法 187
8.2 集成核匹配追蹤學(xué)習(xí)機(jī) 188
8.2.1 集成核匹配追蹤學(xué)習(xí)機(jī)的理論分析 188
8.2.2 集成核匹配追蹤學(xué)習(xí)機(jī)的建立 191
8.3 譜聚類集成 191
8.3.1 無監(jiān)督集成問題 191
8.3.2 具有多樣性的個(gè)體譜聚類的構(gòu)造 192
8.3.3 多個(gè)譜聚類結(jié)果的合并 193
8.3.4 譜聚類集成的流程 195
參考文獻(xiàn) 196
第9章 非線性逼近理論 199
9.1 函數(shù)逼近簡(jiǎn)述 199
9.2 非線性逼近 200
9.2.1 基本概念 200
9.2.2 希爾伯特空間中的非線性逼近 202
9.2.3 小波逼近 203
9.3 高度非線性逼近 205
9.3.1 研究背景及其意義 205
9.3.2 正交基庫中最優(yōu)基的選擇 207
9.3.3 函數(shù)字典中最優(yōu)原子的選擇 208
9.4 問題與展望 215
9.4.1 關(guān)于數(shù)據(jù)的多尺度幾何表示 215
9.4.2 關(guān)于基的學(xué)習(xí)問題 217
參考文獻(xiàn) 218
第10章 多尺度幾何分析 224
10.1 概念的產(chǎn)生 224
10.2 從傅立葉分析到小波分析 225
10.3 小波圖像逼近 227
10.4 人類視覺模型 229
10.5 圖像的多尺度幾何分析 230
10.5.1 自適應(yīng)幾何逼近 231
10.5.2 Bandelet變換 231
10.5.3 脊波及單尺度脊波變換 234
10.5.4 Curvelet變換 236
10.5.5 Contourlet變換 237
10.6 問題與展望 240
參考文獻(xiàn) 243
第11章 多尺度變換域圖像感知與識(shí)別 248
11.1 小波變換的三級(jí)統(tǒng)計(jì)特性及其機(jī)理分析 248
11.2 小波域隱馬爾可夫模型 250
11.2.1 隱馬爾可夫模型 250
11.2.2 小波域隱馬爾可夫模型概述 251
11.3 變換域的十種統(tǒng)計(jì)模型 252
11.3.1 小波域的八種模型 253
11.3.2 復(fù)小波域模型 257
11.3.3 Contourlet變換域模型 258
11.4 基于變換域統(tǒng)計(jì)模型的圖像感知與識(shí)別 258
11.4.1 圖像恢復(fù)和重建 258
11.4.2 圖像分割 260
11.4.3 邊緣檢測(cè) 261
11.5 問題與展望 261
11.5.1 面向應(yīng)用的模型設(shè)計(jì)和算法構(gòu)造 261
11.5.2 變換域的拓展 263
11.5.3 應(yīng)用領(lǐng)域的推廣 264
參考文獻(xiàn) 264
第12章 圖像的高維奇異性檢測(cè)、 學(xué)習(xí)與理解 271
12.1 圖像識(shí)別與理解中存在的主要問題 271
12.1.1 高維奇異性特征提取問題 271
12.1.2 多元特征選擇問題 272
12

登陸