軟計算方法理論及應(yīng)用

前言
第一篇模糊數(shù)學(xué)及其應(yīng)用
第一章模糊集合
1.1 模糊性與隨機(jī)性
1.1.1 模糊概念
1.1.2 模糊性與隨機(jī)性
1.2 模糊集及其運(yùn)算
1.2.1 模糊子集定義
1.2.2 模糊子集的表示
1.2.3 模糊子集間的運(yùn)算
1.3 模糊集的截集及幾個重要的凸模糊子集
1.3.1 -截集
1.3.2 幾種重要的模糊子集
1.4 分解定理與擴(kuò)張原理
1.5 模糊數(shù)及其運(yùn)算
1.5.1 常用的模糊數(shù)
1.5.2 模糊數(shù)的算術(shù)運(yùn)算
1.6 建立隸屬函數(shù)的方法
1.6.1 模糊統(tǒng)計法
1.6.2 構(gòu)造隸屬函數(shù)方法
1.6.3 二元對比排序
第二章模糊關(guān)系
2.1 模糊向量
2.2 模糊關(guān)系
2.2.1 模糊關(guān)系
2.2.2 模糊關(guān)系的運(yùn)算性質(zhì)
2.2.3 模糊矩陣的截矩陣
2.2.4 模糊關(guān)系的轉(zhuǎn)置
2.2.5 模糊關(guān)系的合成
2.3 模糊等價關(guān)系
2.3.1 模糊等價關(guān)系
2.3.2 模糊等價關(guān)系與聚類圖
2.3.3 傳遞閉包
2.4 模糊合成規(guī)則
2.4.1 合成推理規(guī)則
2.4.2 模糊蘊(yùn)涵算子與模糊關(guān)系合成算子
2.4.3 模糊條件推理的原則
2.4.4 模糊三段論
2.4.5 模糊推理方法的比較
第三章模糊綜合評判
3.1 距離度量法
3.1.1 海明距離
3.1.2 加權(quán)海明距離
3.1.3 歐氏距離
3.1.4 閔科夫斯基距離
3.2 貼近度內(nèi)外積法
3.3 模糊綜合評判
3.3.1 模糊綜合評判模型
3.3.2 實(shí)例
第四章不確定性推理方法簡介
4.1 概率推理
4.1.1 Bayes公式及主觀Bayes方法
4.1.2 證據(jù)的不確定性描述
4.1.3 基于主觀Bayes方法的不確定性推理
4.1.4 結(jié)論不確定性的合成算法
4.2 貝葉斯網(wǎng)絡(luò)
4.3 模糊邏輯推理與可能性理論
4.3.1 模糊邏輯推理
4.3.2 模糊推理
4.3.3 可能性理論
參考文獻(xiàn)
第二篇 粗糙集及其應(yīng)用
第五章 粗糙集的基本理論
5.1 粗糙集理論的發(fā)展概況
5.1.1 粗糙集概念提出的背景
5.1.2 粗糙集理論及應(yīng)用的研究現(xiàn)狀
5.1.3 粗糙集與其他軟計算方法相結(jié)合的應(yīng)用前景廣闊
5.2 粗糙集理論的基本概念
5.2.1 信息集
5.2.2 粗糙集
5.2.3 屬性約簡和屬性值約簡
5.2.4 屬性依賴
5.2.5 屬性約簡
5.2.6 屬性值約簡
5.3 知識的概念
5.3.1 知識的分類精度
5.3.2 知識約簡、核及知識的依賴性
5.3.3 相對約簡與相對核
5.4 知識的表達(dá)系統(tǒng)
5.4.1 決策表
5.4.2 決策規(guī)則
5.4.3 決策表的約簡
5.4.4 相對于等價類的屬性重要性
5.4.5 極小規(guī)則和極大規(guī)則
5.4.6 連續(xù)屬性離散化
5.5 基于粗糙集的故障診斷方法
5.5.1 基于粗糙集的系統(tǒng)故障診斷基本原理
5.5.2 基于粗糙集電力變壓器故障診斷
第六章 粗糙集與數(shù)學(xué)形態(tài)學(xué)
6.1 形態(tài)學(xué)運(yùn)算
6.1.1 基本概念
6.1.2 基本運(yùn)算
6.2 基本數(shù)學(xué)形態(tài)學(xué)的灰度圖像處理
第七章 基于粗糙集的知識發(fā)現(xiàn)過程研究
7.1 廣義分布式表和粗糙集系統(tǒng)
7.1.1 規(guī)則的強(qiáng)度
7.1.2 最優(yōu)規(guī)則集的搜索算法
7.2 啟發(fā)式粗糙集方法
參考文獻(xiàn)
第三篇 人工神經(jīng)網(wǎng)絡(luò)
第八章 概述
8.1 人工神經(jīng)網(wǎng)絡(luò)的定義
8.2 人腦處理信息的機(jī)制
8.3 ANN的發(fā)展歷史
8.4 人工神經(jīng)網(wǎng)絡(luò)的研究與應(yīng)用
8.5 人工神經(jīng)網(wǎng)絡(luò)的信息處理能力
8.5.1 神經(jīng)網(wǎng)絡(luò)信息存貯能力
8.5.2 神經(jīng)網(wǎng)絡(luò)的計算能力
8.6 人工神經(jīng)網(wǎng)絡(luò)理論研究重大成果
第九章 人工神經(jīng)網(wǎng)絡(luò)基本模型
9.1 M－P模型
9.1.1 M－P模型
9.1.2 常用的激勵函數(shù)
9.1.3 ANN的分類
9.1.4 ANN的學(xué)習(xí)方式
9.2 感知器模型
9.2.1 簡單感知器
9.2.2 單層感知機(jī)
9.3 多層前向神經(jīng)網(wǎng)絡(luò)
9.3.1 多層前向神經(jīng)網(wǎng)絡(luò)
9.3.2 多層前向神經(jīng)網(wǎng)絡(luò)的BP算法
第十章 Hopfield網(wǎng)
10.1 Hopfield網(wǎng)的分類
10.1.1 離散型Hopfield網(wǎng)絡(luò)
10.1.2 連續(xù)Hopfield網(wǎng)絡(luò)
10.2 Hopfield網(wǎng)的工作方式
10.2.1 串行(異步)方式
10.2.2 并行(同步)方式
10.3 Hopfield網(wǎng)的穩(wěn)定性
第十一章 時態(tài)粗糙神經(jīng)網(wǎng)絡(luò)
參考文獻(xiàn)
第四篇 遺傳算法
第十二章 遺傳算法概論
第十三章 遺傳算法基本問題
第十四章 遺傳算法基本理論
第十五章 利用改進(jìn)遺傳算法求解TSP問題
參考文獻(xiàn)
附錄 基于改進(jìn)遺傳算法求解TSP問題源程序