《测试智能信息处理》根据测量系统的组成、特点以及信号测量处理的过程，从信号的获取、信号处理到信息融合，系统介绍了智能计算的基础理论和基本方法，以及各种新的智能信息处理技术。内容包括测试系统的组成和信息获取的过程、智能计算的产生和发展、数据融合的基本原理、神经网络计算、支持向量机、模糊集合与模糊逻辑、粗糙集、进化计算中的遗传算法、粒群智能、蚁群智能等的方法和实例，涉及目前国内外智能计算新的研究成果。

内容提要

编辑推荐

目录

作者：王雪

ISBN：10位[7302165750] 13位[9787302165750]

出版社：清华大学出版社

出版日期：2008-1-1

定价：￥55.00 元

内容提要

智能计算是测试智能信息处理的核心技术，是目前多学科研究和应用的热点，涉及测试技术、电子技术、计算机技术、控制技术等，具有广泛的应用前景。测量技术是信息处理的关键和基础。本书介绍了测试系统的组成、特点以及信号测量处理的过程，给出了数据融合的基本方法，重点介绍了测试智能计算的基础理论和方法。具体内容包括测试系统的组成和信息获取的过程、智能计算的产生和发展、数据融合的基本原理；神经网络计算的基础、神经计算的基本方法、神经计算的实现技术和支持向量机；模糊计算中的模糊逻辑与模糊推理、模糊计算应用和粗糙集；进化计算中的遗传算法、粒群智能、蚁群智能 等方法和实例。 本书可作为测控技术、电子科学技术、计算机科学技术、电气工程、控制技术、信息通信技术、机械电子工程等专业的研究生、高年级本科生的教材和参考书，也可供相关工程技术人员和科技工作者作为专业参考书。

编辑推荐

主要内容

测试智能信息处理足·门新兴交叉学科，涉及测试技术、电子技术、计算机技术、控制技术等领域，是工程测试技术中最新发展的重要组成部分，具有广泛的应用前景。本书根据测量系统的组成、特点以及信号测量处理的过程，以信号获取、信号处理、信息融合以及智能信息处理为蕾线，重点介绍r智能计算的基础理论和方法以及最新的智能信息处理方法，内容涵盖了测试智能信息处理的核心内容。此外，本书还专门介绍了国内外智能信息处理的前沿理论，内容新颖、翔实，反映了该领域的最新进展。

本书特色

突出信息处理在工程测试技术中的重要作用，将信息获取与智能信息处理有机结合；

一阐述清晰，以工程测试技术为主线，介绍各种现代测试智能信息处理的新方法；

内容取材全面、新颖，涵盖了神经计算、进化计算和模糊计算等智能信息处理的核心内容，同时还介绍了基于统计的支持向量机、主分量分析方法，以及群智能中的粒群智能和蚁群智能等新的智能信息处理方法；

介绍了大量典型的工程测试系统与测试智能信息处理相结合的应用实例，并针对应用实例给出了大量的MATLAB程序代码，深入浅出，适于各类读者进行应用实践；

实用性强，体系完整，适用面广，既可以作为高等学校机械、仪器、计算机、自动化等专业的研究生教材，也可作为工程测试技术相关领域专业人员的参考书。

目录

第1篇绪论

1测试智能信息处理概述

1.1测试智能信息处理的产生及发展

1.1.1测试系统的组成与特点

1.1.2智能计算的产生与发展

1.2智能信息处理的主要技术

1.2.1神经计算技术

1.2.2模糊计算技术

1.2.3进化计算技术

1.3智能技术的综合集成

1.3.1模糊系统与神经网络结合

1.3.2神经网络和遗传算法结合

1.3.3模糊技术、神经网络和遗传算法综合集成

1.3.4智能计算展望

2数据融合与信息处理

2.1多传感器数据融合概述

2.2多传感器数据融合的基本原理

2.2.1多传感器数据融合的目的

2.2.2多传感器数据融合的层次与结构

2.2.3数据融合中的检测、分类与识别算法

2.2.4典型的数据融合方法

2.2.5多传感器数据融合方法的特点

2.3分布式自适应动态数据融合方法

2.3.1测量模型与方法简述

2.3.2测量数据范围的推导

2.3.3最优范围的确定

2.4小结

第2篇神 经 计 算

3神经计算基础

3.1人工神经网络基础

3.1.1人工神经网络的提出

3.1.2人工神经网络的特点

3.1.3历史回顾

3.1.4生物神经网络

3.1.5人工神经元

3.1.6人工神经网络的拓扑特性

3.1.7存储与映射

3.1.8人工神经网络的训练

3.2感知器

3.2.1感知器与人工神经网络的早期发展

3.2.2感知器的学习算法

3.2.3线性不可分问题

4神经计算基本方法

4.1BP网络

4.1.1BP网络简介

4.1.2基本BP算法

4.1.3BP算法的实现

4.1.4BP算法的理论基础

4.1.5几个问题的讨论

4.2径向基函数神经网络

4.2.1函数逼近与内插

4.2.2正规化理论

4.2.3RBF网络的学习

4.2.4RBF网络的一些变形

4.3Hopfield反馈神经网络

4.3.1联想存储器

4.3.2反馈网络

4.3.3用反馈网络作联想存储器

4.3.4相关学习算法

4.3.5反馈网络用于优化计算

4.4随机型神经网络

4.4.1模拟退火算法

4.4.2Boltzmann机

4.4.3Gaussian机

4.5自组织竞争网络

4.5.1SOFM网络结构

4.5.2SOFM网络的应用

4.5.3ART神经网络

5神经计算实现技术

5.1神经网络计算的组织

5.1.1输入层和输出层设计

5.1.2网络数据的准备

5.1.3网络初始权值的选择

5.1.4隐层数及隐层结点设计

5.1.5网络的训练、检测及性能评价

5.2主分量分析

5.2.1主分量分析基本原理

5.2.2基于Hebb的最大特征滤波器

5.2.3基于Hebb的主分量分析

5.2.4计算机实验：图形编码

5.2.5小结

5.3神经计算的硬件和软件实现

5.3.1硬件实现概述

5.3.2神经元器件

5.3.3神经网络系统结构

5.3.4神经网络的光学实现

5.4神经计算在机械制造设备中的应用

5.4.1神经网络与机械制造工艺规程

5.4.2神经网络与加工参数优化

5.4.3神经网络与故障诊断

5.4.4神经网络与工况监测及预报

5.4.5神经网络与加工系统辨识及控制

6支持向量机

6.1统计学习理论的基本内容

6.1.1机器学习的基本问题

6.1.2学习机的复杂性与推广能力

6.1.3统计学习的基本理论

6.2支持向量机

6.2.1最大间隔分类支持向量机

6.2.2软间隔分类支持向量机

6.2.3基于核的支持向量机

6.3多分类支持向量机

6.3.1直接法

6.3.2分解法

6.4基于SVM的机械设备故障诊断

6.4.1实验平台及故障信号获取

6.4.2基于小波包变换的故障特征提取

6.4.3基于多类分类SVM的故障诊断识别

第3篇模 糊 计 算

7模糊逻辑与模糊推理

7.1模糊逻辑与模糊推理概述

7.1.1模糊逻辑的历史

7.1.2模糊集

7.1.3隶属函数

7.1.4模糊运算与模糊推理

7.1.5模糊系统

7.2模糊推理的MATLAB实现

7.2.1模糊推理过程

7.2.2模糊逻辑工具箱的图形界面工具

7.2.3模糊逻辑工具箱的命令行工作方式

7.2.4神经?模糊推理编辑器ANFIS

8模糊计算的应用

8.1模糊PID控制

8.1.1几种自适应PID控制

8.1.2两种类型的模糊PID控制器

8.2模糊逻辑系统应用设计实例

8.2.1二关节机械手的逆运动学建模

8.2.2卡车倒摆系统模糊控制

8.2.3模糊自适应消噪

8.2.4卡车倒车的模糊控制系统

8.2.5小结

9粗糙集

9.1智能数据预处理及知识系统表达

9.1.1数据表知识表达系统

9.1.2不完整、不精确数据预处理

9.1.3属性值的离散归一化处理

9.2知识与分类、近似与粗集的基本概念

9.2.1知识与分类

9.2.2集合近似与粗集的概念

9.2.3集合近似及分类近似的度量

9.3知识系统的简化和逻辑表达

9.3.1知识的简化

9.3.2知识的相对简化

9.3.3范畴的简化

9.3.4范畴的相对简化

9.3.5知识的依赖性

9.3.6知识表达系统数据的协调性

9.3.7知识表达系统属性的简化

9.3.8知识表达系统决策规则的简化

9.3.9推理学习

9.4集成粗糙神经网络预示诊断应用

9.4.1集成粗糙神经网络的融合算法

9.4.2车轮踏面擦伤融合预示诊断实验

9.4.3小结

第4篇进化计算与群智能

10遗传算法

10.1遗传优化算法基础

10.1.1遗传算法的产生与发展

10.1.2遗传算法概要

10.1.3遗传算法的应用情况

10.1.4基本遗传算法

10.1.5模式定理

10.1.6遗传算法的改进

10.1.7遗传算法与函数最优化

10.1.8遗传算法与系统辨识

10.1.9遗传算法与神经控制

10.1.10小结

10.2遗传优化算法的工程应用

10.2.1遗传算法在无约束优化中的应用

10.2.2遗传算法在非线性规划中的应用

10.2.3遗传算法在可靠性优化中的应用

10.2.4遗传算法在车间布局优化中的应用

10.2.5遗传算法在参数优化中的应用

11禁忌搜索算法

11.1禁忌搜索算法的要素

11.1.1禁忌搜索算法的基本思想

11.1.2禁忌搜索算法的主要构成

11.1.3禁忌搜索算法的求解过程

11.2禁忌搜索算法示例

11.3禁忌搜索算法的发展和应用

11.3.1并行禁忌搜索算法

11.3.2遗传算法与禁忌搜索算法的混合策略

11.3.3Flow?shop问题的禁忌搜索算法

11.3.4禁忌搜索算法流程

11.3.5基于禁忌搜索的函数优化

11.4小结

12粒群智能

12.1引言

12.1.1微粒群算法综述

12.1.2微粒群算法的研究方向

12.2微粒群算法的基本原理

12.2.1引言

12.2.2基本微粒群算法

12.2.3基本微粒群算法的社会行为分析

12.2.4带惯性权重的微粒群算法

12.3改进微粒群算法

12.3.1基本微粒群算法进化方程的改进

12.3.2收敛性改进

12.4微粒群算法的实验设计与参数选择

12.4.1设计微粒群算法的基本原则与步骤

12.4.2几种典型的微粒群模型及参数选择

12.5基于微粒群算法的人工神经网络优化

12.5.1神经网络的微粒群算法优化策略

12.5.2协同微粒群算法优化神经网络

12.6无线传感网络节点位置微粒群优化

12.6.1问题模型与假设

12.6.2基于微粒群算法的移动节点位置优化

12.6.3并行微粒群优化策略的基本原理

12.6.4仿真实验分析

13蚁群智能

13.1引言

13.1.1双桥实验

13.1.2随机模型

13.2人工蚂蚁模型

13.2.1人工蚂蚁方法

13.2.2人工蚂蚁和最小成本路径

13.3蚁群优化元启发式算法

13.3.1问题描述

13.3.2蚂蚁的行为

13.3.3元启发式算法

13.4蚁群优化算法应用

13.4.1故障诊断

13.4.2机器人领域

13.4.3图像处理