摘要 | 第1-5页 |
ABSTRACT | 第5-9页 |
第一章 绪论 | 第9-14页 |
·选题背景及意义 | 第9页 |
·智能优化算法的研究概况 | 第9-11页 |
·相关模糊理论的研究概况 | 第11-12页 |
·论文的主要工作 | 第12-14页 |
第二章 智能算法介绍及其改进 | 第14-20页 |
·引言 | 第14页 |
·智能算法及其改进算法 | 第14-19页 |
·本章小结 | 第19-20页 |
第三章 含维向量变异的量子粒子群算法和基于混沌小生境技术的量子粒子群算法 | 第20-33页 |
·引言 | 第20页 |
·量子粒子群优化算法(QPSO) | 第20-23页 |
·基于Delta 势阱模型的量子行为粒子群算法(QDPSO) | 第20-22页 |
·量子行为的粒子群算法 | 第22-23页 |
·含维向量变异的量子粒子群算法 | 第23-28页 |
·算法描述 | 第23-25页 |
·实验结果,实验结论和对实验结果的讨论 | 第25-28页 |
·基于混沌变异小生境技术的量子粒子群算法(NCQPSO) | 第28-31页 |
·RCS 小生境进化策略 | 第28页 |
·变尺度混沌变异 | 第28-29页 |
·基于混沌变异算子的小生境量子粒子群算法 | 第29-30页 |
·实验分析和实验结果 | 第30-31页 |
·本章小结 | 第31-33页 |
第四章 模糊认知图中智能算法的研究与应用 | 第33-54页 |
·引言 | 第33页 |
·模糊认知图 | 第33-36页 |
·模糊认知图介绍 | 第33-34页 |
·模糊认知图对问题的表示及推理 | 第34-35页 |
·模糊认知图的建模机制和框架 | 第35-36页 |
·一种新颖的模糊认知图学习方法解决工业控制问题 | 第36-42页 |
·新的模糊认知图学习方法 | 第36页 |
·基于量子粒子群算法建模 | 第36-37页 |
·工业控制模型 | 第37-40页 |
·仿真结果 | 第40-41页 |
·实验总结 | 第41-42页 |
·模糊认知图在医疗诊断系统中的应用 | 第42-53页 |
·医疗系统背景介绍 | 第42-46页 |
·医疗系统的模糊认知图模型 | 第46-51页 |
·利用模型对两个实例病症的诊断 | 第51-53页 |
·实验总结 | 第53页 |
·本章小结 | 第53-54页 |
第五章 智能算法和模糊逻辑在图像处理方面的研究与应用 | 第54-68页 |
·引言 | 第54-55页 |
·基于量子粒子群算法和模糊熵的 Ostu 图像分割 | 第55-63页 |
·简介 | 第55页 |
·二维直方图 | 第55页 |
·二维ostu 图像分割 | 第55-57页 |
·基于量子粒子群算法的Ostu 图像分割 | 第57页 |
·实验结果和实验分析 | 第57-59页 |
·应用模糊熵作后处理 | 第59-61页 |
·实验结果和实验分析 | 第61-63页 |
·实验小结 | 第63页 |
·基于量子粒子群算法的模糊滤波方法 | 第63-67页 |
·简介 | 第63页 |
·基于量子粒子群算法确定隶属函数参数 | 第63-65页 |
·基于模糊推理的中值滤波 | 第65页 |
·实验结果和实验分析 | 第65-67页 |
·实验小结 | 第67页 |
·本章小结 | 第67-68页 |
第六章 智能算法在模糊系统中的研究与应用 | 第68-85页 |
·引言 | 第68页 |
·采用量子粒子群算法的非线性系统T-S 模型识别 | 第68-73页 |
·简介 | 第68页 |
·T-S 模型描述 | 第68-69页 |
·基于QPSO 优化TSK 模糊逻辑系统构造 | 第69-72页 |
·仿真结果和实验分析 | 第72-73页 |
·智能预估模型在谷氨酸发酵过程中的应用 | 第73-85页 |
·简介 | 第73-74页 |
·模糊推理系统概述 | 第74-77页 |
·谷氨酸工艺过程概述 | 第77页 |
·基于 PSO 和 QPSO 优化的非线性 T-S 模糊系统的预估模型 | 第77-80页 |
·系统仿真结果和实验分析 | 第80-84页 |
·实验小结 | 第84-85页 |
第七章 总结与展望 | 第85-87页 |
·工作总结 | 第85页 |
·工作展望 | 第85-87页 |
致谢 | 第87-88页 |
参考文献 | 第88-93页 |
附录:攻读硕士学位期间发表的论文 | 第93页 |