第1章 進化計算 1.1 從人工智能到計算智能 1.2 從進化論到進化計算 1.2.1 現代進化論 1.2.2 生物進化與優化 1.3 進化計算基礎知識 1.3.1 進化計算的主要分支 1.3.2 進化計算的數學基礎 1.3.3 進化算法的收斂理論 1.3.4 進化計算的應用 1.4 協同進化計算 1.4.1 協同進化的生物學基礎 1.4.2 協同進化的動力學描述 1.4.3 協同進化算法的發展現狀 1.5 非達爾文進化理論與密母計算 1.5.1 非達爾文進化的主要理論 1.5.2 密母計算的研究進展 參考文獻第2章 人工免疫係統 2.1 從免疫係統到人工免疫係統 2.2 人工免疫係統的研究領域 2.2.1 人工免疫係統模型的研究 2.2.2 人工免疫係統算法的研究 2.2.3 人工免疫係統方法的應用研究 2.3 人工免疫係統與其它方法的比較 2.3.1 人工免疫係統與進化計算 2.3.2 人工免疫係統與人工神經網絡 2.3.3 人工免疫係統與一般的確定性優化算法 2.4 免疫優化計算研究的新進展 2.4.1 免疫優化算法研究的主要進展 2.4.2 免疫優化計算理論分析的主要進展 2.5 問題與展望 參考文獻第3章 量子計算智能 3.1 量子計算原理 3.1.1 狀態的疊加 3.1.2 狀態的相乾 3.1.3 狀態的糾纏 3.1.4 量子並行性 3.2 量子計算智能的幾種模型 3.2.1 量子人工神經網絡 3.2.2 基於量子染色體的進化算法 3.2.3 基於量子特性的優化算法 3.2.4 量子聚類算法 3.2.5 量子模式識彆算法 3.2.6 量子小波與小波包算法 3.2.7 量子退火算法 3.2.8 其它 3.3 量子進化算法 3.3.1 量子進化算法的提齣 3.3.2 量子進化操作 3.3.3 量子進化算法的結構框架 3.4 問題與展望 參考文獻第4章 多智能體係統 4.1 復雜適應係統 4.1.1 復雜適應係統概述 4.1.2 復雜適應係統的適應性與生物進化過程 4.1.3 生物進化過程的數學模型 4.2 多智能體係統 4.2.1 智能體的基本概念 4.2.2 智能體形式化描述 4.2.3 多智能體係統的主要研究內容 4.2.4 麵嚮問題解決的多智能體係統研究現狀 4.2.5 多智能體係統與分布式人工智能 4.2.6 多智能體係統與人工生命 4.2.7 多智能體係統與進化計算 參考文獻第5章 進化多目標優化 5.1 多目標優化問題的數學描述 5.2 進化多目標優化的主要算法 5.2.1 第一代進化多目標優化算法 5.2.2 第二代進化多目標優化算法 5.3 當代進化多目標優化算法及研究趨勢 5.3.1 基於粒子群優化的多目標優化 5.3.2 基於人工免疫係統的多目標優化 5.3.3 基於分布估計算法的多目標優化 5.3.4 新型占優機製研究 5.3.5 高維多目標優化研究 5.4 幾種典型進化多目標優化算法的性能比較 5.4.1 實驗設置 5.4.2 NSGA-Ⅱ、SPEA2、PESA-Ⅱ和NNIA的性能比較 5.5 總結與展望 參考文獻第6章 核機器學習 6.1 Mercer核 6.2 核機器學習的主要方法 6.2.1 支撐矢量機及統計學習理論 6.2.2 支持矢量新穎發現 6.2.3 核匹配追蹤學習機 6.2.4 Mercer聚類方法 6.2.5 Mercer核主分量分析 6.2.6 Mercer核Fisher判彆分析 6.2.7 SVMs用於排序學習 6.2.8 學習 6.2.9 用於結構化數據識彆的核方法 6.3 核機器學習方法的優勢與不足 6.3.1 Mercer核技術的優勢 6.3.2 Mercer核技術的不足 6.4 推廣Mercer核函數的主要研究方嚮 參考文獻第7章 流形學習與譜圖學習 7.1 流形學習的基本概念 7.2 流形學習的降維方法分類 7.2.1 構建關係矩陣的方法 7.2.2 基於局部模型的全局坐標對齊方法 7.2.3 十二種流形降維方法的比較 7.3 譜聚類 7.3.1 譜圖劃分算法 7.3.2 譜聚類算法 參考文獻第8章 集成學習 8.1 集成學習係統的結構 8.1.1 集成學習中多樣性個體的構造 8.1.2 集成方法的係統結構 8.1.3 集成學習算法中的閤並方法 8.2 集成核匹配追蹤學習機 8.2.1 集成核匹配追蹤學習機的理論分析 8.2.2 集成核匹配追蹤學習機的建立 8.3 譜聚類集成 8.3.1 無監督集成問題 8.3.2 具有多樣性的個體譜聚類的構造 8.3.3 多個譜聚類結果的閤並 8.3.4 譜聚類集成的流程 參考文獻第9章 非綫性逼近理論 9.1 函數逼近簡述 9.2 非綫性逼近 9.2.1 基本概念 9.2.2 希爾伯特空間中的非綫性逼近 9.2.3 小波逼近 9.3 高度非綫性逼近 9.3.1 研究背景及其意義 9.3.2 正交基庫中最優基的選擇 9.3.3 函數字典中最優原子的選擇 9.4 問題與展望 9.4.1 關於數據的多尺度幾何錶示 9.4.2 關於基的學習問題 參考文獻第10章 多尺度幾何分析 10.1 概念的産生 10.2 從傅立葉分析到小波分析 10.3 小波圖像逼近 10.4 人類視覺模型 10.5 圖像的多尺度幾何分析 10.5.1 自適應幾何逼近 10.5.2 Bandelet變換 10.5.3 脊波及單尺度脊波變換 10.5.4 Curvelet變換 10.5.5 Contourlet變換 10.6 問題與展望 參考文獻第11章 多尺度變換域圖像感知與識彆 11.1 小波變換的三級統計特性及其機理分析 11.2 小波域隱馬爾可夫模型 11.2.1 隱馬爾可夫模型 11.2.2 小波域隱馬爾可夫模型概述 11.3 變換域的十種統計模型 11.3.1 小波域的八種模型 11.3.2 復小波域模型 11.3.3 Contourlet變換域模型 11.4 基於變換域統計模型的圖像感知與識彆 11.4.1 圖像恢復和重建 11.4.2 圖像分割 11.4.3 邊緣檢測 11.5 問題與展望 11.5.1 麵嚮應用的模型設計和算法構造 11.5.2 變換域的拓展 11.5.3 應用領域的推廣 參考文獻第12章 圖像的高維奇異性檢測、學習與理解 12.1 圖像識彆與理解中存在的主要問題 12.1.1 高維奇異性特徵提取問題 12.1.2 多元特徵選擇問題 12.1.3 特徵學習中的“維數災難”問題 12.1.4 相對小樣本問題 12.1.5 計算復雜度問題 12.1.6 特徵提取與相似性測度定義和學習問題 12.1.7 無監督和半監督學習問題 12.2 解決高維數據奇異性檢測、學習與理解的關鍵技術 12.2.1 高維數據奇異性檢測、學習與理解概述 12.2.2 多尺度幾何分析與高維奇異性稀疏逼近及方嚮信息檢測 12.2.3 非綫性映射技術 12.2.4 假設空間容量控製 12.2.5 無監督和半監督學習 參考文獻第13章 圖像去噪的閾值方法 13.1 基本概念 13.1.1 空間濾波 13.1.2 小波去噪 13.1.3 噪聲估計 13.2 閾值函數 13.3 閾值規則 13.3.1 塔形分解中的尺度內相關法則 13.3.2 小波分解中的尺度內相關法則 13.3.3 尺度間相關法則 13.3.4 高維數據處理法則 13.4 閾值方案 13.4.1 全局閾值 13.4.2 SURE規則 13.4.3 假設檢驗 13.4.4 Bayes閾值 13.5 問題與展望 13.5.1 圖像的恢復和重構 13.5.2 係數獨立性假設 13.5.3 係數建模 13.5.4 變換域的拓展 參考文獻第14章 sAR圖像理解與解譯 14.1 SAR圖像自動理解與解譯的係統組成 14.2 相乾斑抑製 14.2.1 空域濾波技術 14.2.2 頻域濾波技術 14.3 SAR圖像分割 14.3.1 閾值分割方法 14.3.2 基於像素特徵的分割方法 14.3.3 統計分割方法 14.4 圖像融閤 14.4.1 SAR圖像和TM圖像的融閤 14.4.2 SAR圖像不同波段和不同極化圖像的融閤 14.4.3 極化SAR圖像和超光譜圖像的融閤 14.5 特徵提取 14.5.1 邊緣特徵提取 14.5.2 紋理特徵提取 14.5.3 形狀特徵提取 14.5.4 方嚮特徵提取 14.6 識彆與分類 14.6.1 最近鄰和k近鄰 14.6.2 決策樹 14.6.3 貝葉斯分類器 14.6.4 神經網絡 14.6.5 支撐矢量機 14.6.6 Boosting和Bagging 14.7 SAR圖像特殊目標檢測 14.7.1 艦船檢測 14.7.2 路網檢測 14.7.3 其它目標檢測 14.8 問題與展望 參考文獻
· · · · · · (收起)