人機(jī)系統(tǒng)智能優(yōu)化方法：性能預(yù)測與決策分析

第一篇 智能優(yōu)化與知識發(fā)現(xiàn)的綜合集成方法
第1章 人工智能的兩大研究領(lǐng)域及其主要方法
1．1 智能和人工智能的概念及其基本特征
1．2 人工智能研究的主要途徑和基本內(nèi)容
1．3 人工智能研究中的搜索策略與主要方法
1．4 知識表示的幾種方法以及問題求解的基本過程
習(xí)題與思考1
第2章 常用的性能預(yù)測智能優(yōu)化方法
2．1 進(jìn)化優(yōu)化算法所涉及的主要內(nèi)容及其一般框架
2．2 禁忌搜索算法
2．3 遺傳算法，
2．4 模擬退火算法
2．5 蟻群算法
2．6 捕食搜索策略
2．7 粒子群優(yōu)化算法
習(xí)題與思考2
第3章 決策分析的幾種重要策略
3．1 決策理論發(fā)展簡史及與其他學(xué)科的聯(lián)系
3．2 隨機(jī)性決策的效用函數(shù)與決策分析的基本步驟
3．3 Bayes定理、Bayes策略與Bayes分析
3．4 模糊多準(zhǔn)則決策問題以及多屬性決策方法
3．5 動態(tài)規(guī)劃概述以及多階段決策與序貫決策
3．6 多目標(biāo)決策理論基礎(chǔ)以及多屬性決策解法的統(tǒng)一框架
習(xí)題與思考3
第4章 智能優(yōu)化方法與知識模型融合的集成框架
4．1 知識和知識模型．
4．2 智能優(yōu)化與知識模型融合的基本框架
4．3 智能優(yōu)化與知識模型融合的運(yùn)行機(jī)制
4．4 智能優(yōu)化與知識模型融合中的知識
4．5 智能優(yōu)化與知識模型融合的框架和流程
習(xí)題與思考4
第二篇 智能優(yōu)化在人機(jī)系統(tǒng)中的應(yīng)用
第5章 神經(jīng)工效學(xué)中的智能量化分析
5．1 神經(jīng)工程與神經(jīng)工效學(xué)的概述
5．2 腦神經(jīng)電信號的檢測及腦電圖的結(jié)構(gòu)
5．3 工效學(xué)中的神經(jīng)電信號及ERP初步分析
5．4 人機(jī)界面工效學(xué)設(shè)計(jì)原則及注意力分配建模
5．5 神經(jīng)電信號處理的基礎(chǔ)算法
5．6 基于認(rèn)知神經(jīng)學(xué)的一類人機(jī)交互界面評價(jià)技術(shù)
習(xí)題與思考5
第6章 復(fù)雜人機(jī)系統(tǒng)中性能預(yù)測的幾種高效算法及其應(yīng)用
6．1 小波神經(jīng)網(wǎng)絡(luò)算法及小波函數(shù)的選擇
6．2 模糊神經(jīng)網(wǎng)絡(luò)算法及連接權(quán)重矩陣的調(diào)整
6．3 灰色系統(tǒng)性能建模與定量預(yù)測
6．4 反映神經(jīng)細(xì)胞工作原理的RNN和PCNN模型
6．5 深度學(xué)習(xí)以及卷積神經(jīng)網(wǎng)絡(luò)技術(shù)
6．6 WNN算法在優(yōu)化三維葉片與射流元件中的應(yīng)用
6．7 卷積神經(jīng)網(wǎng)絡(luò)在人機(jī)工程中的應(yīng)用
習(xí)題與思考6
第7章 數(shù)據(jù)挖掘和知識發(fā)現(xiàn)在可靠性工程中的應(yīng)用
7．1 知識發(fā)現(xiàn)和數(shù)據(jù)挖掘在多個(gè)領(lǐng)域中的應(yīng)用
7．2 關(guān)聯(lián)規(guī)則的挖掘及其設(shè)備的故障診斷
7．3 確信可靠性方法的理論基礎(chǔ)及指標(biāo)間的轉(zhuǎn)化關(guān)系
7．4 考慮認(rèn)知不確定的性能裕量模型以及BRA技術(shù)
7．5 不確定理論與DEA融合技術(shù)及其應(yīng)用
7．6 PSF與TSA融合的人因可靠性智能方法及應(yīng)用
習(xí)題與思考7
第8章 數(shù)據(jù)挖掘和知識發(fā)現(xiàn)在文本與互聯(lián)網(wǎng)挖掘的應(yīng)用
8．1 非結(jié)構(gòu)化文本與多媒體信息的知識表示
8．2 文本挖掘的常用方法以及基本框架
8．3 視頻文本檢測與內(nèi)容檢索的智能方法
8．4 互聯(lián)網(wǎng)金融爬蟲的智能搜索
8．5 時(shí)序金融信息流概述及其智能挖掘
習(xí)題與思考8
第9章 復(fù)雜決策問題的建模與系統(tǒng)智能評價(jià)方法
9．1 復(fù)雜系統(tǒng)的概念以及決策問題的分類
9．2 結(jié)構(gòu)化與半結(jié)構(gòu)化決策問題求解方法
9．3 貝葉斯網(wǎng)絡(luò)方法的基本原理
9．4 基于多Agent分布式智能決策方法及其應(yīng)用
9．5 復(fù)雜系統(tǒng)廣義智能評價(jià)的幾種方法
習(xí)題與思考9
第10章 人機(jī)系統(tǒng)高維多目標(biāo)智能優(yōu)化技術(shù)
10．1 多目標(biāo)進(jìn)化方法
10．2 多目標(biāo)進(jìn)化算法中的三代NSGA技術(shù)
10．3 多目標(biāo)優(yōu)化中的DE-EDA混合搜索算法
10．4 改進(jìn)的Two-Archive高維多目標(biāo)進(jìn)化算法
習(xí)題與思考10
第三篇 未來人機(jī)系統(tǒng)：信息科學(xué)與智能技術(shù)融合策略
第11章 基于人工智能與認(rèn)知計(jì)算的現(xiàn)代人機(jī)系統(tǒng)及其展望
11．1 全信息的描述及其度量方法：信息科學(xué)基礎(chǔ)
11．2 第一類信息轉(zhuǎn)換原理以及感知、注意與記憶問題
11．3 智能生成機(jī)制及其第二類信息轉(zhuǎn)換原理
11．4 基礎(chǔ)意識的生成機(jī)制：第二類A型信息的轉(zhuǎn)換
11．5 情感的生成機(jī)制：第二類B型信息的轉(zhuǎn)換
11．6 理智的生成機(jī)制：第二類C型信息的轉(zhuǎn)換
11．7 策略執(zhí)行的機(jī)制：第二類D型信息的轉(zhuǎn)換
11．8 人類智能系統(tǒng)主要功能模塊及其工作過程
11．9 未來人機(jī)系統(tǒng)的展望
習(xí)題與思考11
后記
參考文獻(xiàn)