目　　錄
第一篇　智能信息處理及其應(yīng)用
第1章　緒論 2
1.1　智能計算 2
1.2　人工智能 4
1.3　最優(yōu)化方法 7
1.4　智能信息處理方法 10
第2章　神經(jīng)網(wǎng)絡(luò)信息處理 12
2.1　神經(jīng)網(wǎng)絡(luò)信息處理基礎(chǔ) 12
2.1.1　人工神經(jīng)元 12
2.1.2　神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu) 14
2.1.3　神經(jīng)網(wǎng)絡(luò)模型 16
2.1.4　神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則及算法 17
2.1.5　神經(jīng)網(wǎng)絡(luò)計算的特點 18
2.2　BP神經(jīng)網(wǎng)絡(luò)模型 19
2.2.1　BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 19
2.2.2　BP算法的基本思想和基本流程 20
2.2.3　BP神經(jīng)網(wǎng)絡(luò)設(shè)計 21
2.3　Hopfield神經(jīng)網(wǎng)絡(luò) 22
2.3.1　Hopfield神經(jīng)網(wǎng)絡(luò)模型 22
2.3.2　離散型Hopfield神經(jīng)網(wǎng)絡(luò) 22
2.3.3　連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò) 24
2.4　RBF神經(jīng)網(wǎng)絡(luò) 25
2.4.1　RBF神經(jīng)元模型 25
2.4.2　RBF神經(jīng)網(wǎng)絡(luò)模型 26
2.4.3　RBF神經(jīng)網(wǎng)絡(luò)的創(chuàng)建與學(xué)習(xí) 27
2.5　貝葉斯神經(jīng)網(wǎng)絡(luò) 28
2.5.1　貝葉斯方法 29
2.5.2　神經(jīng)網(wǎng)絡(luò)的貝葉斯學(xué)習(xí) 29
2.5.3　貝葉斯神經(jīng)網(wǎng)絡(luò)算法 30
2.6　卷積神經(jīng)網(wǎng)絡(luò) 30
2.6.1　卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 30
2.6.2　多卷積核 31
2.6.3　池化 32
2.6.4　卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 33
2.7　應(yīng)用實例 34
2.7.1　基于RBF神經(jīng)網(wǎng)絡(luò)的語音增強(qiáng) 34
2.7.2　基于卷積神經(jīng)網(wǎng)絡(luò)的情緒識別 38
思考題 39
參考文獻(xiàn) 39
第3章　遺傳算法 41
3.1　遺傳算法基礎(chǔ) 41
3.1.1　進(jìn)化計算 41
3.1.2　生物遺傳概念與遺傳算法 41
3.1.3　遺傳算法發(fā)展概況 42
3.2　遺傳算法的基本原理 42
3.2.1　遺傳算法結(jié)構(gòu)和主要參數(shù) 42
3.2.2　常見編碼方法和基本遺傳操作 43
3.2.3　遺傳算法參數(shù)選擇及其對算法收斂性的影響 46
3.2.4　遺傳算法的特點 47
3.3　協(xié)同進(jìn)化遺傳算法 48
3.3.1　協(xié)同進(jìn)化算法 48
3.3.2　協(xié)同進(jìn)化遺傳算法流程 48
3.3.3　協(xié)同進(jìn)化遺傳算法的設(shè)計 49
3.4　應(yīng)用實例 50
3.4.1　TSP問題的遺傳算法解 50
3.4.2　基于遺傳算法的MIMO-OFDM系統(tǒng)信號檢測方案 52
3.4.3　基于遺傳算法的SIMO信道子空間盲估計 53
思考題 54
參考文獻(xiàn) 54
第4章　免疫算法 56
4.1　人工免疫系統(tǒng) 56
4.1.1　免疫算法的生物學(xué)基礎(chǔ) 56
4.1.2　免疫算法提出 57
4.1.3　克隆選擇和擴(kuò)增 58
4.2　免疫算法基本原理 59
4.2.1　免疫算法的基本思想 59
4.2.2　免疫算法與免疫系統(tǒng)的對應(yīng) 60
4.2.3　免疫算法的多樣性和收斂性 61
4.2.4　常見免疫算法 61
4.3　應(yīng)用實例 62
4.3.1　用免疫算法求解TSP問題 62
4.3.2　基于免疫克隆算法的K-均值聚類算法 66
思考題 68
參考文獻(xiàn) 68
第5章　群智能算法 70
5.1　粒子群優(yōu)化算法 70
5.1.1　粒子群優(yōu)化算法的基本原理 70
5.1.2　基本粒子群優(yōu)化算法 70
5.1.3　帶慣性權(quán)重的粒子群優(yōu)化算法 71
5.1.4　帶收縮因子的粒子群優(yōu)化算法 72
5.2　蟻群優(yōu)化算法 73
5.2.1　蟻群優(yōu)化算法的原理 73
5.2.2　蟻群優(yōu)化算法的改進(jìn)思路 74
5.3　菌群優(yōu)化算法 75
5.3.1　菌群優(yōu)化算法的原理 75
5.3.2　菌群優(yōu)化算法尋優(yōu)過程細(xì)菌分布 77
5.3.3　菌群優(yōu)化算法性能測試 80
5.3.4　菌群優(yōu)化算法的改進(jìn) 81
5.4　應(yīng)用實例 82
5.4.1　基于粒子群優(yōu)化算法的矢量量化碼書設(shè)計 82
5.4.2　基于蟻群優(yōu)化算法的LTE系統(tǒng)信號檢測研究 83
思考題 86
參考文獻(xiàn) 86
第6章　機(jī)器學(xué)習(xí)算法 88
6.1　機(jī)器學(xué)習(xí)基礎(chǔ)和計算理論 88
6.1.1　概念學(xué)習(xí) 88
6.1.2　計算理論 89
6.2　監(jiān)督學(xué)習(xí)經(jīng)典方法 91
6.2.1　K-近鄰算法 91
6.2.2　決策樹 91
6.2.3　樸素貝葉斯 93
6.2.4　支持向量機(jī) 95
6.3　非監(jiān)督學(xué)習(xí)經(jīng)典方法 99
6.3.1　EM算法 99
6.3.2　K-means算法 100
6.3.3　層次聚類 101
6.3.4　DBSCAN算法 102
6.4　先進(jìn)機(jī)器學(xué)習(xí)模型 103
6.4.1　集成學(xué)習(xí) 103
6.4.2　強(qiáng)化學(xué)習(xí) 108
6.4.3　遷移學(xué)習(xí) 110
6.4.4　深度學(xué)習(xí) 113
6.5　應(yīng)用實例 125
思考題 127
參考文獻(xiàn) 128
第二篇　量子智能信息處理
第7章　量子智能信息處理概述 130
7.1　量子計算 130
7.2　量子信息處理基礎(chǔ) 131
7.2.1　量子信息的表示：量子比特 131
7.2.2　量子信息的存儲：量子寄存器 132
7.2.3　量子信息的處理：算子與量子態(tài)的演化 133
7.2.4　量子信息處理器：量子邏輯門與量子門組網(wǎng)絡(luò) 135
7.2.5　量子信息處理特性：量子并行與量子糾纏 138
7.3　量子智能優(yōu)化算法 139
思考題 141
參考文獻(xiàn) 141
第8章　量子神經(jīng)網(wǎng)絡(luò) 143
8.1　人工神經(jīng)網(wǎng)絡(luò)向量子神經(jīng)網(wǎng)絡(luò)的演變 143
8.1.1　演變的動因 143
8.1.2　人工神經(jīng)網(wǎng)絡(luò)有關(guān)概念的量子類比 144
8.1.3　量子神經(jīng)網(wǎng)絡(luò)的量子并行處理能力及其優(yōu)勢 145
8.2　量子神經(jīng)網(wǎng)絡(luò)模型 146
8.2.1　量子神經(jīng)元 146
8.2.2　量子衍生神經(jīng)網(wǎng)絡(luò)模型 147
8.2.3　量子自組織映射模型 148
8.2.4　量子聯(lián)想記憶模型 148
8.2.5　量子糾纏神經(jīng)網(wǎng)絡(luò)模型 149
8.2.6　量子躍遷神經(jīng)網(wǎng)絡(luò)模型 151
8.2.7　量子BP神經(jīng)網(wǎng)絡(luò)模型 152
8.3　量子神經(jīng)元模型特性 154
8.3.1　量子神經(jīng)元的量子力學(xué)特性 154
8.3.2　量子神經(jīng)元學(xué)習(xí)算法 154
8.3.3　算法模擬實現(xiàn)及特性分析 156
8.3.4　量子神經(jīng)元邏輯運算特性 157
8.3.5　量子神經(jīng)元的非線性映射特性 159
8.4　應(yīng)用實例 160
8.4.1　量子BP神經(jīng)網(wǎng)絡(luò)用于函數(shù)逼近 160
8.4.2　量子神經(jīng)元實現(xiàn)非線性映射的實驗驗證 161
思考題 162
參考文獻(xiàn) 162
第9章　量子遺傳算法 164
9.1　量子遺傳算法基礎(chǔ) 164
9.1.1　量子比特編碼 164
9.1.2　量子旋轉(zhuǎn)門策略 165
9.1.3　量子變異操作 166
9.1.4　量子交叉操作 166
9.1.5　算法描述 167
9.1.6　算法實現(xiàn)及性能測試 168
9.2　改進(jìn)量子遺傳算法 168
9.2.1　改進(jìn)思路 168
9.2.2　算法流程 168
9.2.3　算法實現(xiàn)及性能測試 170
9.3　量子遺傳算法的其他改進(jìn)形式 172
9.3.1　改進(jìn)的模擬退火算法 172
9.3.2　分組量子遺傳算法 174
9.3.3　混沌量子免疫遺傳算法 175
9.4　應(yīng)用實例 177
9.4.1　基于量子遺傳算法的認(rèn)知無線電頻譜共享 177
9.4.2　基于量子遺傳算法的MIMO-OFDM系統(tǒng)信號檢測 180
思考題 182
參考文獻(xiàn) 183
第10章　量子免疫算法 184
10.1　量子免疫算法基礎(chǔ) 184
10.1.1　量子比特編碼 184
10.1.2　量子門更新 185
10.2　量子免疫克隆算法 187
10.2.1　量子種群 187
10.2.2　觀測操作 188
10.2.3　克隆操作 188
10.2.4　免疫遺傳操作 188
10.2.5　選擇操作 189
10.3　量子免疫克隆算法的改進(jìn) 189
10.3.1　編碼方案的改進(jìn) 189
10.3.2　變異操作的改進(jìn) 190
10.3.3　算法步驟 191
10.3.4　算法性能測試及結(jié)果分析 191
10.4　混沌量子免疫克隆算法 195
10.4.1　種群初始化 196
10.4.2　克隆操作 197
10.4.3　變異操作 198
10.4.4　選擇操作 199
10.4.5　算法步驟 200
10.4.6　算法性能測試及結(jié)果分析 200
10.5　免疫算法的應(yīng)用 205
10.5.1　基于混沌量子免疫克隆算法的壓縮感知數(shù)據(jù)重構(gòu) 205
10.5.2　基于混沌量子免疫克隆算法的OMP數(shù)據(jù)重構(gòu) 206
思考題 210
參考文獻(xiàn) 211
第11章　量子群智能算法 213
11.1　量子粒子群算法 213
11.1.1　基于概率幅的量子粒子群算法 213
11.1.2　基于量子行為的粒子群算法 215
11.1.3　量子粒子群算法的改進(jìn) 216
11.1.4　算法性能測試 219
11.2　量子蟻群優(yōu)化算法 223
11.2.1　二進(jìn)制編碼的量子蟻群優(yōu)化算法 223
11.2.2　連續(xù)量子蟻群優(yōu)化算法 225
11.2.3　量子蟻群優(yōu)化算法的改進(jìn)策略 227
11.2.4　算法性能測試 229
11.3　量子菌群優(yōu)化算法 231
11.3.1　量子染色體與量子二進(jìn)制編碼 231
11.3.2　量子細(xì)菌趨化 232
11.3.3　量子細(xì)菌繁殖 232
11.3.4　量子遷徙 233
11.3.5　量子菌群優(yōu)化算法流程 233
11.3.6　量子菌群優(yōu)化算法性能測試 233
11.3.7　自適應(yīng)量子菌群優(yōu)化算法 238
11.4　應(yīng)用實例 239
11.4.1　基于量子粒子群算法的認(rèn)知無線電頻譜分配 239
11.4.2　基于量子蟻群優(yōu)化算法的LTE系統(tǒng)信號檢測 242
11.4.3　量子菌群優(yōu)化算法求解組合優(yōu)化問題 246
11.4.4　基于量子菌群優(yōu)化算法的5G移動通信系統(tǒng)中信道估計 249
思考題 253
參考文獻(xiàn) 253
第12章　量子機(jī)器學(xué)習(xí) 255
12.1　量子機(jī)器學(xué)習(xí)概述 255
12.1.1　量子機(jī)器學(xué)習(xí)的發(fā)展 255
12.1.2　量子機(jī)器學(xué)習(xí)原理 257
12.2　基于線性代數(shù)的量子機(jī)器學(xué)習(xí) 258
12.2.1　算法的基本原理 258
12.2.2　線性方程組的量子算法 259
12.2.3　復(fù)雜度對比 260
12.2.4　算法討論和擴(kuò)展 261
12.3　量子主成分分析 262
12.3.1　量子主成分分析原理 262
12.3.2　量子主成分分析的應(yīng)用 264
12.3.3　算法討論 265
12.4　量子支持向量機(jī) 265
12.4.1　支持向量機(jī) 266
12.4.2　量子內(nèi)積評估 267
12.4.3　核矩陣的模擬 267
12.4.4　量子最小二乘支持向量機(jī) 268
12.4.5　分類 269
12.4.6　核矩陣壓縮和誤差分析 270
12.4.7　非線性支持向量機(jī) 271
12.4.8　總結(jié) 271
12.5　深度量子學(xué)習(xí) 271
12.5.1　基于量子采樣的梯度估計 273
12.5.2　基于量子幅度估計的梯度估計 275
12.5.3　并行算法 275
12.5.4　數(shù)值結(jié)果 276
12.5.5　總結(jié) 278
思考題 279
參考文獻(xiàn) 279