《智能信息处理技术与应用研究》姚俊萍，李晓军作|(epub+azw3+mobi+pdf)电子书下载

图书名称：《智能信息处理技术与应用研究》

【作　者】姚俊萍，李晓军作

【页 数】 194

【出版社】 北京：原子能出版社 , 2021.08

【ISBN号】978-7-5221-1119-3

【价 格】62.00

【参考文献】 姚俊萍，李晓军作. 智能信息处理技术与应用研究. 北京：原子能出版社, 2021.08.

图书封面：

图书目录：

《智能信息处理技术与应用研究》内容提要：

智能信息处理技术是信号与信息技术领域一个前沿的且富有挑战性的研究方向，它以人工智能理论为基础，侧重于信息处理的智能化。本书从信息科学的角度出发，系统地介绍了智能信息处理的基础理论及各种新的处理技术，涉及目前国内外智能信息处理的研究成果，取材新颖，内容丰富，注重理论与实践相结合，论述深入浅出。本书可供自动化、计算机应用、人工智能、图像处理与模式识别、智能控制与信息处理、电子工程、机械工程、系统工程等专业研究生或高年级本科生参考，也可供有关工程技术人员和科学研究工作者参考，是一本值得学习研究的著作。

《智能信息处理技术与应用研究》内容试读

第1章绪论

智能计算与信息处理是模拟人或者自然界其他生物处理信息的行为，建立处理复杂系统信息的理论、算法和系统性的方法技术，是用计算机实现模拟人的行为来完成智能信息的处理过程。它与人工进行信息处理相比，不怕苦、不怕累、速度快，并且会越来越智能。

1.1智能信息处理概述

信息技术的三大支柱包括传感技术、计算机技术和通信技术。传感技术是信息技术的前端，是信息的来源，是衡量一个国家信息化程度的重要标志。计算机是信息处理加工中心，随着大数据时代的到来，对其处理能力提出了更高的要求。通信技术是电子工程的重要分支，同时也是其中一个基础学科，关注的是通信过程中的信息传输以及信号处理的原理和应用。

在信息处理中，信息的获取、传输、存储、加工处理及应用所采用的技术、理论方法和系统都需要由计算机来完成。目前的电子计算机硬件仍有很大的局限性，要模拟人的信息处理能力还很困难。因此，需要研究一种新的“软处理”“软计算”的理论方法和技术，来弥补电子计算机硬件系统的不足。在此背景下，智能信息处理技术被提出并得到了广泛的研究和发展。

智能信息处理是模拟人与自然界其他生物处理信息的行为，建立处理复杂系统信息的理论、算法和系统的方法及技术。智能信息处理主要面对的是不确定性系统和不确定性现象的处理问题。

现阶段信息处理技术领域呈现两种发展趋势：一种是面向大规模、多介质的信息，使计算机系统具备处理更大范围信息的能力；另一种是与人工智能进一步结合，使计算机系统更智能化地处理信息。

智能信息处理技术所涉及的内容广泛，包括图像处理、人工智能、计算智能、数据挖掘、数据融合、模式识别、数据可视化等。从目前的发展趋势来看，又以计算智能为重点。计算智能是在人工智能基础上发展形成的一种新的智能技术。

>》智能信息处理技术与应用研究

1.2智能信息处理的主要技术

计算智能信息处理的三大主要技术包括模糊计算技术、神经计算技术和进化计算技术。

1.2.1模糊计算技术

美国学者扎德(Zadeh)博士于1965年提出的“模糊集合”，为人们描述非精确的客观世界提供了一个全新的工具。模糊集合和其后提出的模糊关系、模糊逻辑、模糊推理等一系列概念、理论和方法，标志着一个新的数学分支一模糊数学的诞生。模糊数学打破了经典数学在处理边界不清晰的概念、对象上的局限性，更为无处不在的自然语言提供了一个强大的处理工具。随着时间的推移和实际应用的推广，人们发现有时仅通过隶属度来表征模糊性对象时，也带有某种“精确”的色彩，未能很好地体现出模糊性、不确定性。因此，l983年，Gorafczany创立了区间值模糊集理论，对模糊集做了推广。1986年，保加利亚学者Atanassov教授引进犹豫度，创立了直觉模糊集，该理论广泛运用于现实生活中，如模糊识别、决策分析和医疗诊断等。1989年，Atanassov对直觉模糊集进一步推广，提出隶属度区间、非隶属度区间和犹豫度区间的概念，创立了区间直觉模糊集。此后，Atanassov进行了直觉模糊集和区间直觉模糊集的理论与应用研究。1993年，Gau和

Buehrer提出Vague集。l996年，Bustine和Burillo指出Vague集就是直觉模糊集，只是表达形式不同。

模糊理论源于美国，但长期以来受学派之争的束缚，实际应用进展缓慢。到20世纪80年代后期，在日本以家用电器的广泛使用模糊控制作为突破口，使模糊逻辑的实际应用获得迅速发展。目前，模糊逻辑主要应用在自动控制、模式识别和决策推理系统、预测、智能系统设计、智能机器人、图像处理与识别、模糊神经计算、人工智能等领域。

1.2.2神经计算技术

1.2.2.1神经网络的发展

神经网络(Neural Network,NN)的研究，最早可追溯至l890年的一部关

·2·

第1章绪论《《

于人脑结构及功能的专著一《心理学原理》(Principles of Psychology),人

工神经网络的研究则始于1943年的MP人工神经元模型。其后，1949年

的神经网络Hebb学习规则、1958年的感知器(Perceptron)模型等激发了人们对人工神经网络的热情。1969年，分析了以感知器模型为代表的神经网络系统局限性的《感知器》书出版，加之同时期人们在神经网络研究与运用遇到了一些难以解决的困惑，以及人们对计算机迅速发展的热切期待，关于神经网络的研究由此开始经历了十多年的冷遇期。1982年的

Hopfield网络及其后的波尔兹曼(Bolzmann)机、径向基函数(RBF)网络、

多层前馈神经网络的误差反向传播的BP算法等一系列重要成果的推出，

再次激发了人们的研究热情。进入21世纪，关于人工神经网络的研究更是在理论和应用上齐头并进：2006年，基于多隐含层神经网络结构的深度学习概念被提出，它模仿人脑机制来处理图像、语音和文本的数据信息；2009一2012年，瑞士人工智能研究所的J.Schmidhuber教授运用递归神经网络和深度神经网络在模式识别和机器学习领域取得了骄人成绩；同时期其他关于深度神经网络的学习方法和应用研究也如火如茶。时至今日，多种人工神经网络模型、学习（训练）算法被提出，并应用于众多领域，解决了许多实际问题。

1.2.2.2神经网络的特征及特点

大规模的并行处理、分布式的信息存储、良好的自适应性、自组织性以及很强的学习能力、联想功能和容错功能等是神经网络的主要特征。

神经网络的主要特点包括如下几个方面：

(1)能够处理连续的模拟信号。

(2)能够处理不精确的、不完全的模糊信息。

(3)给出的是次最优的逼近解。

(4)并行分布工作，各组成部分同时参与运算

(5)单个神经元的动作速度不快，但网络总体的处理速度极快。

(6)具有较好的鲁棒性和容错性。

1.2.3进化计算技术

1.2.3.1遗传算法的发展历程

从20世纪60年代开始，密歇根大学教授Holland开始研究自然和人工系统的自适应行为，开创了与目前类似的复制、交换、突变、显性、倒位等

·3·

>》智能信息处理技术与应用研究

基因操作，建议采用二进制编码，提出了遗传算法(Genetic Algorithm,GA)理论。进入80年代，随着以符号系统模拟智能的传统人工智能陷入困境，神经网络、机器学习和遗传算法得到较大发展。进人90年代，以不确定性、非线性等为内涵，遗传算法在众多领域得到了广泛应用。

1.2.3.2遗传算法的基本理论研究

遗传算法理论研究内容包括遗传算法的编码策略、全局收敛性和搜索效率的数学基础、遗传算法的新结构、基因操作策略及其性能、遗传算法参数的选择以及与其他算法结合等方面的研究。

一般而言，遗传算法主要采用计算的方法模拟达尔文生物进化优胜劣汰过程。这是个使一个群体经过一代代选择、杂交和变异体现适应性的过程。在此过程中，好的个体具有较大的选择概率，由随机状态向好的状态和更好的状态进化。选择是按个体适应值具有较大概率者从群体中选择两个个体，如：

A=[X1,X2,…,X-1,X,Xj+1,…,Xm]

A=Y,Y2,…,Y)-1,Y,,Yj+1,…,Ym]

然后对这两个个体进行杂交。杂交过程是在染色体链中随机地选择杂交j,交换两个父代染色体中j点以后的基因，杂交后的结果为

A=[X1,X2,…,X,-1,X,Y+1,…,Y]

A=Y1,Y2,…,Y,-1,Y,,X+1,…,Xm]

1.2.3.3进化计算与遗传算法的关系

进化计算体现了生物进化中的四个要素，即繁殖、变异、竞争和自然选择。目前进化计算包括遗传算法、进化策略、进化规划等。细分如下：

(1)最具有代表性、最基本的遗传算法。

(2)较偏向数值分析的进化策略。

(3)介于数值分析和人工智能间的进化规划。

(4)偏向进化的自组织和系统动力学特性的进化动力学。

(5)偏向以程式表现人工智能行为的遗传规划。

(6)适应动态环境学习的分类元系统。

(7)用以观察复杂系统互动的各种生态模拟系统。

(8)研究人工生命的细胞自动机。

(9)模拟蚂蚁群体行为的蚁元系统。

1.2.3.4遗传算法参数的选择

遗传算法中需要选择的参数主要有串长L,群体大小，交换概率

。40

第1章绪论《

p。以及突变概率pm等。二进制编码时，串长L的选择取决于特定问题解的精度。Goldberg提出了变长度串的概念，并显示了良好性能，为了选择合适的n、p.、pm,谢弗(Schaffer)建议的最优参数范围是n=20~30,

p.=0.75~0.95,pm=0.005~0.01。

目前常用的参数范围是n=20~200,p.=0.5~1.0,pm=0~0.05,在

简单遗传算法(SGA)或标准遗传算法(CGA)中，这些参数是不变的。

1.2.3.5遗传算法的应用

遗传算法的应用研究比理论研究更为丰富，已渗透到许多学科。遗传算法的应用按其方式可分为三大部分，即基于遗传的优化计算、基于遗传的优化编程、基于遗传的机器学习，分别简称为遗传计算、遗传编程、遗传学习。

1.3智能技术的综合集成

1.3.1模湖系统与神经网络的结合

模糊技术的特长在于逻辑推理能力，容易进行高层的信息处理，将模糊技术引入神经网络可大大地拓宽神经网络处理信息的范围和能力，使其不仅能处理精确信息，也能处理模糊信息和其他不精确性联想映射，特别是模糊联想及模糊映射。

神经网络在学习和自动模式识别方面有极强的优势，采取神经网络技术来进行模糊信息处理，可以自动提取模糊规则及自动生成模糊隶属函数，使模糊系统成为一种具有自适应、自学习和自组织功能的模糊系统。

1.3.2神经网络与遗传算法的结合

神经网络(NN)和遗传算法(GA)的结合表现在以下两个方面：一是辅

助式结合，比较典型的是用GA对信息进行预处理，然后用NN求解问题，

比如在模式识别中先用GA进行特征提取，而后用NN进行分类；二是合作

方式结合，即GA和NN共同求解问题，这种结合的一种方式是在固定神经

网络拓扑结构的情况下，利用GA研究网络的连接权重，另一种方式是直接

利用GA优化NN的结构，然后用BP(Back Propagetion,反向传播)算法训练网络。

·5

>》智能信息处理技术与应用研究

1.3.3模糊技术、神经网络和遗传算法的综合集成

遗传算法是一种基于生物进化过程的随机搜索的全局优化方法，它通过交叉和变异大大减少了系统初始状态的影响，使得搜索到最优结果而不停留在局部最优处。遗传算法不仅可以优化模糊推理神经网络系统的

参数，而且可以优化模糊推理神经网络系统的结构，即采用GA可以修正冗

余的隶属函数，得到模糊推理神经网络的优化分层结构，产生简化的模糊推理神经网络结构（规则、参数、数值、隶属函数等）。用NN、FL(Fuzzy Logic,

模糊逻辑)、GA集成的系统，可以用GA调节和优化全局性的网络参数和结

构，用NN学习方法调节和优化局部性的参数，从而大大地提高系统的性能。

1.4智能信息处理技术的展望

1.4.1模粘糊计算技术的展望

直觉模糊集是传统模糊集的一种拓展，它同时考虑了隶属度、非隶属度和犹豫度这三个方面的信息，因而比传统的模糊集在处理模糊性和不确定性等方面更具灵活性和实用性。自Atanassov教授提出直觉模糊集的概念并给出一些基本运算法则以来，直觉模糊集理论不断发展，解决了许多不确定信息处理的难题。目前，有关直觉模糊集理论的研究受到国内外相关领域学者的极大关注，并且已被应用于决策、医疗诊断、逻辑规划、模式识别、机器学习和市场预测等诸多领域。

人们在研究中发现，直觉模糊集的隶属度和非隶属度用确切的实数值来表达有时是很难的，而以区间数形式表示相对比较容易。由此，

Atanassov和Gargov对直觉模糊集进行推广，提出了区间直觉模糊集，并给出了相关的一些基本运算法则。目前，区间直觉模糊集在决策领域的应用非常广泛，已经形成了基于区间直觉模糊集的一套决策方法。同时，区间直觉模糊集的一些理论还处于发展阶段，如区间直觉模糊熵、区间直觉模糊相似度，区间直觉模糊数的比较、集成等计算方法还有待进一步研究。

此外，模糊计算与其他智能算法结合，形成综合的智能计算方法，如模糊遗传算法，也是模糊计算的发展趋势之一。模糊遗传算法，就是借鉴模糊逻辑和模糊集合运算的思想，把人们已有的关于遗传算法的知识和

。6·

···试读结束···