智能信息处理在复杂系统建模、系统分析、系统决策、系统控制、系统优化和系统设计等领域具有广阔的应用前景。
《智能信息处理（第2版）》介绍模糊信息处理、神经网络信息处理、云信息处理、可拓信息处理、粗集信息处理、遗传算法、蚁群算法、免疫算法、信息融合、量子智能信息处理、粒子群优化算法和DNA算法。
《智能信息处理（第2版）》除供智能信息处理与智能控制技术研究人员参考外，还可作为相关专业研究生教材和大学高年级选修课教材。
第1章 模糊信息处理
1.1 电气设备故障诊断模糊模型
1.1.1 故障诊断模糊化的必要性
1.1.2 三比值法模糊化处理
1.1.3 举例说明
1.1.4 模糊故障诊断要点及评判结论
1.2 多目标模糊优化方法
1.2.1 多目标优化问题
1.2.2 多目标结构模糊优化问题的解法
1.2.3 隶属函数选取时对优化结果的影响
1.2.4 数值实例
1.3 数据处理的模糊熵方法
1.3.1 模糊事件的熵
1.3.2 用基于熵的模糊方法评定测量结果
1.3.3 实例分析
1.4 自适应模糊聚类分析
1.4.1 基本的FCM聚类算法
1.4.2 自适应模糊C均值聚类算法
1.4.3 应用实例
1.5 模糊关联分析
1.5.1 模糊综合评价分析
1.5.2 模糊关联分析法原理与方法
1.5.3 实例研究
1.6 模糊信息优化方法
1.6.1 模糊信息优化处理概述
1.6.2 模糊信息优化处理的基本理论
1.6.3 黄土湿陷性评价实例分析
1.7 模糊多属性决策的模糊贴近度方法
1.7.1 模糊多属性决策
1.7.2 模糊多属性决策模型
1.7.3 模糊多属性决策的模糊贴近度解法
1.7.4 算例分析
1.8 信息不完全确知的模糊决策集成模型
1.8.1 信息不完全确知的多目标决策
1.8.2 12DM模糊决策集成模型
1.8.3 12DM模糊决策集成模型分析
1.9 模糊Petri网
1.9.1 Petri网
1.9.2 基于模糊Petri网模型的知识描述
1.9.3 基于模糊Petri网的推理算法
1.9.4 推理实例
第2章 神经网络信息处理
2.1 神经网络一般模型
2.1.1 神经网络模型
2.1.2 神经网络学习算法
2.1.3 神经网络计算的特点
2.2 BP神经网络模型
2.2.1 BP神经网络学习算法
2.2.2 BP神经网络建模
2.3 贝叶斯神经网络
2.3.1 传统神经网络和贝叶斯方法
2.3.2 神经网络的贝叶斯学习
2.3.3 贝叶斯神经网络算法
2.4 RBF神经网络
2.4.1 RBF神经网络的特点
2.4.2 RBF神经网络的结构与训练
2.4.3 高速公路RBF神经网络限速控制器
2.5 贝叶斯一高斯神经网络非线性系统辨识
2.5.1 BPNN分析
2.5.2 BG推理模型和BGNN
2.5.3 BGNN的自组织过程
2.5.4 仿真研究
2.6 广义神经网络
2.6.1 智能神经元模型
2.6.2 广义神经网络模型及学习算法
2.6.3 交通流预测模型
2.7 发动机神经网络BP算法建模
2.7.1 发动机性能曲线神经网络处理方法
……
第3章 云信息处理
第4章 可拓信息处理
第5章 粗集信息处理
第6章 遗传算法
第7章 蚁群算法
第8章 免疫算法
第9章 信息融合
第10章 量子智能信息处理
第11章 粒子群优化算法
第12章 DNA算法
参考文献
2.4.3 高速公路RBF神经网络限速控制器
梁新荣等人将RBF神经网络用于高速公路限速控制器的设计，得到了好的试验效果。
采用有效的交通控制方法对交通流进行科学的组织与管理，充分发挥交通网络的通行潜力，在最大程度上使交通流做到有序流动，成为解决交通拥挤的好办法。
改善高速公路交通拥挤的方法主要有主线控制、人口匝道控制、路网集成控制和收费控制等。主线控制就是对高速公路主线的交通进行调节、诱导和警告。主线控制的基本目标是改善高速公路运行的安全和效率，缓解主线上交通拥挤和交通瓶颈对交通的影响，这种控制对常发性拥挤和突发性拥挤都是有效的。主线控制技术包括主线限速控制、车道使用控制及驾驶信息系统。主线限速控制是通过设置可变速度标志来限制行车速度，从而使主线交通流的速度能随车辆数目以及路面状态、气象条件等的改变而变化，保证交通流均匀稳定，减少交通事故，同时还能提高道路通行能力。国外的运行试验证明了这些效果。
高速公路RBF神经网络限速控制方法是：充分利用与高速公路交通密切相关的信息，如路面状况、气象条件、路段上车辆数目等，建立主线交通流速度控制RBF神经网络模型；利用训练样本数据对网络描述输入、输出的映射规律；根据实时检测到的路段上车辆数目以及当前的路面状况、气象条件等，由训练后的网络得到最佳速度目标值；在入口匝道附近的高速分路主线上设立交通信息指示牌，对高速公路路段的行车速度提出限制。
RBF神经网络控制器的输出为高速公路路段的车辆行驶速度限制值。，。的取值范围为35km/h-160km/h。控制器的输入有两个，分别为单位长度路段上的车辆数n和路面性能评价值g/n的取值范围为0-80辆/km，它可由车辆计算器测出，也可由超声波检测器等测出。
为了提高RBF神经网络的建模精度，获得良好的通用能力，网络的训练数据不能太少。结合高速公路管理人员实践、专家知识和驾驶人员的实际经验，高速公路管理处提供90组样本数据作为训练数据，使用上述训练算法对网络进行训练，训练前对样本数据进行了归一化处理。仿真试验表明：RBF神经网络具有快的收敛速度、很好的泛化能力，网络的输出非常合乎规律，这表明所建的RBF神经网络模型是成功的，它正确描述了输入、输出的映射规律。
高速公路限速控制是一种非线性控制，难以用数学模型准确建模。结合高速公路主线上车辆数目以及路面状况、气象条件等信息，采用RBF神经网络对高速公路限速控?进行了研究。利用RBF神经网络学习速度快、自适应性强、泛化能力好等优点，实现一种高效的限速控制。研究表明：该方法切实可行，具有实用价值，可使交通更加均匀、稳定，同时还能提高道路通行能力，对改善高速公路的运行和安全效率具有重要意义。
……
书单推荐
