自然计算、 机器学习与图像理解前沿

目录

第1章 进化计算 1
1.1 从人工智能到计算智能 2
1.2 从进化论到进化计算 4
1.2.1 现代进化论 5
1.2.2 生物进化与优化 7
1.3 进化计算基础知识 8
1.3.1 进化计算的主要分支 9
1.3.2 进化计算的数学基础 12
1.3.3 进化算法的收敛理论 13
1.3.4 进化计算的应用 18
1.4 协同进化计算 19
1.4.1 协同进化的生物学基础 20
1.4.2 协同进化的动力学描述 24
1.4.3 协同进化算法的发展现状 25
1.5 非达尔文进化理论与密母计算 28
1.5.1 非达尔文进化的主要理论 29
1.5.2 密母计算的研究进展 30
参考文献 32
第2章 人工免疫系统 44
2.1 从免疫系统到人工免疫系统 44
2.2 人工免疫系统的研究领域 46
2.2.1 人工免疫系统模型的研究 46
2.2.2 人工免疫系统算法的研究 48
2.2.3 人工免疫系统方法的应用研究 52
2.3 人工免疫系统与其它方法的比较 55
2.3.1 人工免疫系统与进化计算 55
2.3.2 人工免疫系统与人工神经网络 55
2.3.3 人工免疫系统与一般的确定性优化算法 57
2.4 免疫优化计算研究的新进展 58
2.4.1 免疫优化算法研究的主要进展 58
2.4.2 免疫优化计算理论分析的主要进展 63
2.5 问题与展望 65
参考文献 66
第3章 量子计算智能 75
3.1 量子计算原理 75
3.1.1 状态的叠加 76
3.1.2 状态的相干 76
3.1.3 状态的纠缠 76
3.1.4 量子并行性 77
3.2 量子计算智能的几种模型 77
3.2.1 量子人工神经网络 77
3.2.2 基于量子染色体的进化算法 78
3.2.3 基于量子特性的优化算法 78
3.2.4 量子聚类算法 79
3.2.5 量子模式识别算法 79
3.2.6 量子小波与小波包算法 80
3.2.7 量子退火算法 80
3.2.8 其它 80
3.3 量子进化算法 81
3.3.1 量子进化算法的提出 81
3.3.2 量子进化操作 82
3.3.3 量子进化算法的结构框架 86
3.4 问题与展望 88
参考文献 89
第4章 多智能体系统 93
4.1 复杂适应系统 93
4.1.1 复杂适应系统概述 93
4.1.2 复杂适应系统的适应性与生物进化过程 95
4.1.3 生物进化过程的数学模型 97
4.2 多智能体系统 99
4.2.1 智能体的基本概念 100
4.2.2 智能体形式化描述 102
4.2.3 多智能体系统的主要研究内容 105
4.2.4 面向问题解决的多智能体系统研究现状 108
4.2.5 多智能体系统与分布式人工智能 110
4.2.6 多智能体系统与人工生命 111
4.2.7 多智能体系统与进化计算 114
参考文献 115
第5章 进化多目标优化 119
5.1 多目标优化问题的数学描述 120
5.2 进化多目标优化的主要算法 121
5.2.1 第一代进化多目标优化算法 121
5.2.2 第二代进化多目标优化算法 122
5.3 当代进化多目标优化算法及研究趋势 124
5.3.1 基于粒子群优化的多目标优化 125
5.3.2 基于人工免疫系统的多目标优化 125
5.3.3 基于分布估计算法的多目标优化 126
5.3.4 新型占优机制研究 126
5.3.5 高维多目标优化研究 127
5.4 几种典型进化多目标优化算法的性能比较 128
5.4.1 实验设置 129
5.4.2 NSGAⅡ、 SPEA2、 PESAⅡ和NNIA的性能比较 132
5.5 总结与展望 136
参考文献 136
第6章 核机器学习 143
6.1 Mercer核 144
6.2 核机器学习的主要方法 144
6.2.1 支撑矢量机及统计学习理论 144
6.2.2 支持矢量新颖发现 147
6.2.3 核匹配追踪学习机 148
6.2.4 Mercer聚类方法 150
6.2.5 Mercer核主分量分析 151
6.2.6 Mercer核Fisher判别分析 152
6.2.7 SVMs用于排序学习 153
6.2.8 学习 154
6.2.9 用于结构化数据识别的核方法 154
6.3 核机器学习方法的优势与不足 155
6.3.1 Mercer核技术的优势 155
6.3.2 Mercer核技术的不足 156
6.4 推广Mercer核函数的主要研究方向 157
参考文献 159
第7章 流形学习与谱图学习 166
7.1 流形学习的基本概念 166
7.2 流形学习的降维方法分类 167
7.2.1 构建关系矩阵的方法 167
7.2.2 基于局部模型的全局坐标对齐方法 172
7.2.3 十二种流形降维方法的比较 175
7.3 谱聚类 177
7.3.1 谱图划分算法 177
7.3.2 谱聚类算法 179
参考文献 180
第8章 集成学习 184
8.1 集成学习系统的结构 184
8.1.1 集成学习中多样性个体的构造 185
8.1.2 集成方法的系统结构 187
8.1.3 集成学习算法中的合并方法 187
8.2 集成核匹配追踪学习机 188
8.2.1 集成核匹配追踪学习机的理论分析 188
8.2.2 集成核匹配追踪学习机的建立 191
8.3 谱聚类集成 191
8.3.1 无监督集成问题 191
8.3.2 具有多样性的个体谱聚类的构造 192
8.3.3 多个谱聚类结果的合并 193
8.3.4 谱聚类集成的流程 195
参考文献 196
第9章 非线性逼近理论 199
9.1 函数逼近简述 199
9.2 非线性逼近 200
9.2.1 基本概念 200
9.2.2 希尔伯特空间中的非线性逼近 202
9.2.3 小波逼近 203
9.3 高度非线性逼近 205
9.3.1 研究背景及其意义 205
9.3.2 正交基库中最优基的选择 207
9.3.3 函数字典中最优原子的选择 208
9.4 问题与展望 215
9.4.1 关于数据的多尺度几何表示 215
9.4.2 关于基的学习问题 217
参考文献 218
第10章 多尺度几何分析 224
10.1 概念的产生 224
10.2 从傅立叶分析到小波分析 225
10.3 小波图像逼近 227
10.4 人类视觉模型 229
10.5 图像的多尺度几何分析 230
10.5.1 自适应几何逼近 231
10.5.2 Bandelet变换 231
10.5.3 脊波及单尺度脊波变换 234
10.5.4 Curvelet变换 236
10.5.5 Contourlet变换 237
10.6 问题与展望 240
参考文献 243
第11章 多尺度变换域图像感知与识别 248
11.1 小波变换的三级统计特性及其机理分析 248
11.2 小波域隐马尔可夫模型 250
11.2.1 隐马尔可夫模型 250
11.2.2 小波域隐马尔可夫模型概述 251
11.3 变换域的十种统计模型 252
11.3.1 小波域的八种模型 253
11.3.2 复小波域模型 257
11.3.3 Contourlet变换域模型 258
11.4 基于变换域统计模型的图像感知与识别 258
11.4.1 图像恢复和重建 258
11.4.2 图像分割 260
11.4.3 边缘检测 261
11.5 问题与展望 261
11.5.1 面向应用的模型设计和算法构造 261
11.5.2 变换域的拓展 263
11.5.3 应用领域的推广 264
参考文献 264
第12章 图像的高维奇异性检测、 学习与理解 271
12.1 图像识别与理解中存在的主要问题 271
12.1.1 高维奇异性特征提取问题 271
12.1.2 多元特征选择问题 272
12