新書推薦：
《
我们为什么会做梦：让梦不再神秘的新科学
》
售價：NT$
352.0
《
算法图解（第2版）
》
售價：NT$
356.0
《
科学的奇幻之旅
》
售價：NT$
352.0
《
画艺循谱：晚明的画谱与消闲
》
售價：NT$
653.0
《
新民说·现实政治史：从马基雅维利到基辛格
》
售價：NT$
454.0
《
宽容是件奢侈品（人生360度·一分钟经典故事）
》
售價：NT$
203.0
《
甲骨拼合六集
》
售價：NT$
1520.0
《
视觉美食家：商业摄影实战与创意解析
》
售價：NT$
602.0
|
| 內容簡介： |
|
本书是有关智能信息处理与量子智能计算方法及其应用的著作，系统介绍了智能信息处理与量子智能计算方面的基础理论及各种新技术、新方法，并从4G及5G移动通信、认知无线电、语音信号处理等角度进行了实例剖析。全书分为两篇共12章。篇“智能信息处理及其应用”侧重介绍智能信息处理领域的基本原理与关键技术；第二篇“量子智能信息处理”侧重介绍基于量子计算的智能信息处理技术。本书还提供了电子课件，读者可登录华信教育资源网（www.hxedu.com.cn）免费下载使用。 本书被列为“十三五”江苏省高等学校重点教材，可作为高等院校电子信息、计算机、自动化、人工智能、量子信息科学等相关专业研究生和高年级本科生的教材，也可作为相关领域人员的教学、科研、进修参考用书。
|
| 關於作者： |
|
李飞同志1985年加入中国共产党，曾担任学校直属党支部负责人、机关党委委员，现为南京邮电大学党委委员、通信与信息工程学院党委书记，教授、博士生导师。1987年毕业于南京邮电学院无线电工程系，1990年获南京邮电学院通信与电子系统专业硕士学位，2005年获南京邮电大学信号与信息处理专业博士学位。主要从事数字信号处理、通信原理与技术的教学科研工作，研究方向为量子信息处理，通信信号处理。近几年在《电子学报》《电子与信息学报》等国内核心期刊和IJCNN、ISNN等国际学术会议上发表论文20余篇，其中10余篇被SCI、EI、ISTP收录，完成国家和省级基金项目多项。
|
| 目錄：
|
|
目 录篇 智能信息处理及其应用第1章 绪论21.1 智能计算21.2 人工智能 41.3 化方法 71.4 智能信息处理方法 10第2章 神经网络信息处理122.1 神经网络信息处理基础 122.1.1 人工神经元 122.1.2 神经网络拓扑结构 142.1.3 神经网络模型 162.1.4 神经网络学习规则及算法 172.1.5 神经网络计算的特点 182.2 BP神经网络模型 192.2.1 BP神经网络结构 192.2.2 BP算法的基本思想和基本流程 202.2.3 BP神经网络设计 212.3 Hopfield神经网络 222.3.1 Hopfield神经网络模型 222.3.2 离散型Hopfield神经网络 222.3.3 连续型Hopfield神经网络 242.4 RBF神经网络 252.4.1 RBF神经元模型 252.4.2 RBF神经网络模型 262.4.3 RBF神经网络的创建与学习 272.5 贝叶斯神经网络 282.5.1 贝叶斯方法 292.5.2 神经网络的贝叶斯学习 292.5.3 贝叶斯神经网络算法 302.6 卷积神经网络 302.6.1 卷积神经网络结构 302.6.2 多卷积核 312.6.3 池化 322.6.4 卷积神经网络的训练 332.7 应用实例 342.7.1 基于RBF神经网络的语音增强 342.7.2 基于卷积神经网络的情绪识别 38思考题39参考文献 39第3章 遗传算法413.1 遗传算法基础413.1.1 进化计算413.1.2 生物遗传概念与遗传算法413.1.3 遗传算法发展概况423.2 遗传算法的基本原理423.2.1 遗传算法结构和主要参数423.2.2 常见编码方法和基本遗传操作433.2.3 遗传算法参数选择及其对算法收敛性的影响463.2.4 遗传算法的特点473.3 协同进化遗传算法483.3.1 协同进化算法483.3.2 协同进化遗传算法流程483.3.3 协同进化遗传算法的设计493.4 应用实例503.4.1 TSP问题的遗传算法解503.4.2 基于遗传算法的MIMO-OFDM系统信号检测方案523.4.3 基于遗传算法的SIMO信道子空间盲估计53思考题54参考文献54第4章 免疫算法564.1 人工免疫系统 564.1.1 免疫算法的生物学基础 564.1.2 免疫算法提出 574.1.3 克隆选择和扩增 584.2 免疫算法基本原理 594.2.1 免疫算法的基本思想 594.2.2 免疫算法与免疫系统的对应 604.2.3 免疫算法的多样性和收敛性 614.2.4 常见免疫算法 614.3 应用实例 624.3.1 用免疫算法求解TSP问题 624.3.2 基于免疫克隆算法的K-均值聚类算法 66思考题 68参考文献 68第5章 群智能算法705.1 粒子群优化算法 705.1.1 粒子群优化算法的基本原理 705.1.2 基本粒子群优化算法 705.1.3 带惯性权重的粒子群优化算法 715.1.4 带收缩因子的粒子群优化算法 725.2 蚁群优化算法 735.2.1 蚁群优化算法的原理 735.2.2 蚁群优化算法的改进思路 745.3 菌群优化算法 755.3.1 菌群优化算法的原理 755.3.2 菌群优化算法寻优过程细菌分布 775.3.3 菌群优化算法性能测试 805.3.4 菌群优化算法的改进 815.4 应用实例 825.4.1 基于粒子群优化算法的矢量量化码书设计 825.4.2 基于蚁群优化算法的LTE系统信号检测研究 83思考题 86参考文献 86第6章 机器学习算法886.1 机器学习基础和计算理论 886.1.1 概念学习 886.1.2 计算理论 896.2 监督学习经典方法 916.2.1 K-近邻算法 916.2.2 决策树 916.2.3 朴素贝叶斯 936.2.4 支持向量机 956.3 非监督学习经典方法 996.3.1 EM算法 996.3.2 K-means算法 1006.3.3 层次聚类 1016.3.4 DBSCAN算法 1026.4 先进机器学习模型 1036.4.1 集成学习 1036.4.2 强化学习 1086.4.3 迁移学习 1106.4.4 深度学习 1136.5 应用实例 125思考题 127参考文献 128第二篇 量子智能信息处理第7章 量子智能信息处理概述1307.1 量子计算 1307.2 量子信息处理基础 1317.2.1 量子信息的表示：量子比特 1317.2.2 量子信息的存储：量子寄存器 1327.2.3 量子信息的处理：算子与量子态的演化 1337.2.4 量子信息处理器：量子逻辑门与量子门组网络 1357.2.5 量子信息处理特性：量子并行与量子纠缠 1387.3 量子智能优化算法 139思考题 141参考文献 141第8章 量子神经网络1438.1 人工神经网络向量子神经网络的演变 1438.1.1 演变的动因 1438.1.2 人工神经网络有关概念的量子类比 1448.1.3 量子神经网络的量子并行处理能力及其优势 1458.2 量子神经网络模型 1468.2.1 量子神经元 1468.2.2 量子衍生神经网络模型 1478.2.3 量子自组织映射模型 1488.2.4 量子联想记忆模型 1488.2.5 量子纠缠神经网络模型 1498.2.6 量子跃迁神经网络模型 1518.2.7 量子BP神经网络模型 1528.3 量子神经元模型特性 1548.3.1 量子神经元的量子力学特性 1548.3.2 量子神经元学习算法 1548.3.3 算法模拟实现及特性分析 1568.3.4 量子神经元逻辑运算特性 1578.3.5 量子神经元的非线性映射特性 1598.4 应用实例 1608.4.1 量子BP神经网络用于函数逼近 1608.4.2 量子神经元实现非线性映射的实验验证 161思考题 162参考文献 162第9章 量子遗传算法1649.1 量子遗传算法基础 1649.1.1 量子比特编码 1649.1.2 量子旋转门策略 1659.1.3 量子变异操作 1669.1.4 量子交叉操作 1669.1.5 算法描述 1679.1.6 算法实现及性能测试 1689.2 改进量子遗传算法 1689.2.1 改进思路 1689.2.2 算法流程 1689.2.3 算法实现及性能测试 1709.3 量子遗传算法的其他改进形式 1729.3.1 改进的模拟退火算法 1729.3.2 分组量子遗传算法 1749.3.3 混沌量子免疫遗传算法 1759.4 应用实例 1779.4.1 基于量子遗传算法的认知无线电频谱共享 1779.4.2 基于量子遗传算法的MIMO-OFDM系统信号检测 180思考题 182参考文献 183第10章 量子免疫算法18410.1 量子免疫算法基础 18410.1.1 量子比特编码 18410.1.2 量子门更新 18510.2 量子免疫克隆算法 18710.2.1 量子种群 18710.2.2 观测操作 18810.2.3 克隆操作 18810.2.4 免疫遗传操作 18810.2.5 选择操作 18910.3 量子免疫克隆算法的改进 18910.3.1 编码方案的改进 18910.3.2 变异操作的改进 19010.3.3 算法步骤 19110.3.4 算法性能测试及结果分析 19110.4 混沌量子免疫克隆算法 19510.4.1 种群初始化 19610.4.2 克隆操作 19710.4.3 变异操作 19810.4.4 选择操作 19910.4.5 算法步骤 20010.4.6 算法性能测试及结果分析 20010.5 免疫算法的应用 20510.5.1 基于混沌量子免疫克隆算法的压缩感知数据重构 20510.5.2 基于混沌量子免疫克隆算法的OMP数据重构 206思考题 210参考文献 211第11章 量子群智能算法21311.1 量子粒子群算法 21311.1.1 基于概率幅的量子粒子群算法 21311.1.2 基于量子行为的粒子群算法 21511.1.3 量子粒子群算法的改进 21611.1.4 算法性能测试 21911.2 量子蚁群优化算法 22311.2.1 二进制编码的量子蚁群优化算法 22311.2.2 连续量子蚁群优化算法 22511.2.3 量子蚁群优化算法的改进策略 22711.2.4 算法性能测试 22911.3 量子菌群优化算法 23111.3.1 量子染色体与量子二进制编码 23111.3.2 量子细菌趋化 23211.3.3 量子细菌繁殖 23211.3.4 量子迁徙 23311.3.5 量子菌群优化算法流程 23311.3.6 量子菌群优化算法性能测试 23311.3.7 自适应量子菌群优化算法 23811.4 应用实例 23911.4.1 基于量子粒子群算法的认知无线电频谱分配 23911.4.2 基于量子蚁群优化算法的LTE系统信号检测 24211.4.3 量子菌群优化算法求解组合优化问题 24611.4.4 基于量子菌群优化算法的5G移动通信系统中信道估计 249思考题 253参考文献 253第12章 量子机器学习25512.1 量子机器学习概述 25512.1.1 量子机器学习的发展 25512.1.2 量子机器学习原理 25712.2 基于线性代数的量子机器学习 25812.2.1 算法的基本原理 25812.2.2 线性方程组的量子算法 25912.2.3 复杂度对比 26012.2.4 算法讨论和扩展 26112.3 量子主成分分析 26212.3.1 量子主成分分析原理 26212.3.2 量子主成分分析的应用 26412.3.3 算法讨论 26512.4 量子支持向量机 26512.4.1 支持向量机 26612.4.2 量子内积评估 26712.4.3 核矩阵的模拟 26712.4.4 量子小二乘支持向量机 26812.4.5 分类 26912.4.6 核矩阵压缩和误差分析 27012.4.7 非线性支持向量机 27112.4.8 总结 27112.5 深度量子学习 27112.5.1 基于量子采样的梯度
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
