《计算智能:人工神经网络·模糊系统·进化计算》讲述了：计算智能是当今国际上迅速发展的前沿交叉学科，它模拟人的智能行为来解决不确定、非线性、复杂的各类问题，具有非常广阔的应用前景。《计算智能:人工神经网络·模糊系统·进化计算》对计算智能所涉足的人工神经网络、模糊系统和进化计算的基本理论、结构、模型和算法进行了综合论述，并分析了他们的特性、共性、使用范围和三者相互融合的方法。《计算智能:人工神经网络·模糊系统·进化计算》选材精练，论述简明，介绍了许多应用实例，便于读者了解和掌握各种模型算法的应用对象、应用方法和应用效果。
《计算智能:人工神经网络·模糊系统·进化计算》可作为计算机、电子、自动化等专业的高年级本科生或研究生的教材或教学参考书，也可以供有关科技工作者和工程技术人员作为科技参考书使用。

《计算智能:人工神经网络·模糊系统·进化计算》是由吉林大学出版社出版的。

序篇 计算智能
第一章 绪论
§1.1 关于计算智能
1.1.1 什么是计算智能
1.1.2 计算智能所包含的领域
§1.2 人工神经网络
1.2.1 什么是神经网络
1.2.2 人工神经网络研究的历史
§1.3 模糊系统
1.3.1 模糊系统理论的起源和发展
1.3.2 模糊系统的研究范畴
§1.4 进化计算
1.4.1 进化计算的发展过程
1.4.2 进化计算的主要分支
1.4.3 进化计算的主要特点
§1.5 人工神经网络、模糊系统和进化计算的相互融合
第一篇 人工神经网络
第二章 人工神经网络的基本模型
§2.1 生物神经元
2.1.1 神经元的结构
2.1.2 膜电位与神经元的兴奋
§2.2 人工神经元的形式化模型
2.2.1 M—P模型
2.2.2 线性加权模型
2.2.3 阈值逻辑模型
§2.3 电子神经元
§2.4 人工神经网络模型
2.4.1 神经网络节点的形式化描述
2.4.2 神经元状态转移函数的类型
2.4.3 神经网络分类及其拓扑结构
2.4.4 神经网络的知识表示与处理能力
§2.5 人工神经网络的学习规则
2.5.1 人工神经网络的学习方式
2.5.2 人工神经网络的学习规则
§2.6 人工神经网络与传统计算机的比较
2.6.1 人工神经网络计算机和冯?诺依曼计算机的比较
2.6.2 人工神经网络和人工智能的比较
2.6.3 人工神经网络与生物系统的区别
§2.7 人工神经网络的发展方向与研究问题
2.7.1 人工神经网络模型的研究
2.7.2 人工神经网络基本理论的研究
2.7.3 人工神经网络智能信息处理系统的应用研究
2.7.4 人工神经网络计算机
第三章 前馈型神经网络
§3.1 感知器
3.1.1 单层感知器
3.1.2 感知器的收敛定理
3.1.2 多层感知器网络
3.1.4 感知器用于分类问题的算例
§3.2 多层前馈型神经网络
3.2.1 网络结构及工作过程
3.2.2 误差函数与误差曲面
3.2.3 网络的学习规则——梯度下降算法：
§3.3 误差逆传播算法(BP算法)
3.3.1 BP算法的数学描述
3.3.2 BP算法收敛性定理
§3.4 误差逆传播算法(BP算法)的若干改进
3.4.1 基于全局学习速率自适应调整的BP算法
3.4.2 基于局部学习速率自适应调整的BP算法
3.4.3 BI(BackImpedance)算法
3.4.4 BP算法样本特性及参数α，β两阶段动态调整
§3.5 使用遗传算法(GA)训练前馈型神经网络方法
§3.6 前馈型神经网络结构设计方法
3.6.1 输入层和输出层的设计方法
3.6.2 隐层数和层内节点数的选择
3.6.3 逐次修剪法设计前馈型神经网络
§3.7 基于BP算法的前馈型神经网络在识别问题中的应用
3.7.1 味觉信号的学习和识别
3.7.2 手写体数字识别
3.7.3 在包装件缓冲垫层非线性识别中的应用
§3.8 自适应线性元件
§3.9 径向基函数神经网络
3.9.1 网络结构
3.9.2 网络算式及参数
第四章 反馈型神经网络
§4.1 概述
4.1.1 前馈型与反馈型神经网络的比较
4.1.2 反馈型神经网络模型
§4.2 离散型Hopfield神经网络
4.2.1 离散型Hopfield神经网络模型
4.2.2 网络的稳定性定理
4.2.3 网络权值的学习
4.2.4 网络的稳定性实验
4.2.5 联想记忆
§4.3 连续型Hopfield神经网络
4.3.1 网络结构和数学模型
4.3.2 网络的稳定性分析
§4.4 Hopfield网络的应用实例
4.4.1 用于求解TSP问题
4.4.2 用于求解货流问题
4.4.3 在通信网络中的应用
4.4.4 广域网中的路由选择问题
§4.5 B0ltzmann机
4.5.1 Boltzmann机的网络模型
4.5.2 模拟退火算法
4.5.3 Boltzmann机的学习算法
§4.6 双向联想记忆网络
§4.7 海明网络
第五章 自组织竞争神经网络模型
§5.1 概述
§5.2 自组织特征映射网络
5.2.1 网络拓扑结构及工作过程
5.2.2 自组织映射学习算法
5.2.3 自组织映射网络的工作原理
5.2.4 网络的应用实例
§5.3 自适应共振理论模型
5.3.1 自适应共振理论(ART)
5.3.2 ARTl神经网络
5.3.3 ART1网络学习算法的改进
5.3.4 ART2神经网络
5.3.5 ART神经网络在人像识别中的应用
§5.4 神经认知机
参考文献

第二篇 模糊系统
第六章 模糊数学基础
§6.1 概述
6.1.1 传统数学与模糊数学?
6.1.2 不相容原理
§6.2 模糊集合与隶属度函数
6.2.1 模糊集合及其运算
6.2.2 隶属度函数
§6.3 模糊逻辑与模糊推理
6.3.1 模糊逻辑
6.3.2 语言变量
6.3.3 模糊推理
第七章 模糊控制理论
§7.1 模糊控制原理
7.1.1 模糊控制
7.1.2 模糊控制器的基本结构与工作原理
§7.2 模糊控制器的种类和设计
7.2.1 模糊控制器的分类
7.2.2 模糊控制器的设计方法
§7.3 模糊控制的应用
7.3.1 蒸汽发动机的模糊控制系统
7.3.2 还原炉温度的模糊控制系统
§7.4 模糊控制规则的调整
7.4.1 带有修正因子的模糊控制器
7.4.2 自适应模糊控制器
第八章 模糊神经网络与神经模糊系统
§8.1 神经网络与模糊系统
8.1.1 神经网络与模糊系统的结合是发展的必然
8.1.2 神经网络与模糊系统的结合方式
§8.2 模糊神经网络
8.2.1 模糊神经网络分类器
8.2.2 基于模糊推理的神经网络
8.2.3 基于广义模糊加权型推理法的神经网络