《智慧型信息處理與量子計算》是2022年電子工業出版社出版的圖書。
基本介紹
- 中文名：智慧型信息處理與量子計算
- 作者：李飛
- 出版社：電子工業出版社
- 出版時間：2022年
- 裝幀：平塑
- ISBN：9787121426216
內容簡介,作者簡介,目 錄,
內容簡介
本書是有關智慧型信息處理與量子智慧型計算方法及其套用的著作，系統介紹了智慧型信息處理與量子智慧型計算方面的基礎理論及各種新技術、新方法，並從4G及5G移動通信、認知無線電、語音信號處理等角度進行了實例剖析。全書分為兩篇共12章。篇“智慧型信息處理及其套用”側重介紹智慧型信息處理領域的基本原理與關鍵技術；第二篇“量子智慧型信息處理”側重介紹基於量子計算的智慧型信息處理技術。本書還提供了電子課件，讀者可登錄華信教育資源網（www.hxedu.com.cn）免費下載使用。 本書被列為“十三五”江蘇省高等學校重點教材，可作為高等院校電子信息、計算機、自動化、人工智慧、量子信息科學等相關專業研究生和高年級本科生的教材，也可作為相關領域人員的教學、科研、進修參考用書。
作者簡介
李飛同志1985年加入中國共產黨，曾擔任學校直屬黨支部負責人、機關黨委委員，現為南京郵電大學黨委委員、通信與信息工程學院黨委書記，教授、博士生導師。1987年畢業於南京郵電學院無線電工程系，1990年獲南京郵電學院通信與電子系統專業碩士學位，2005年獲南京郵電大學信號與信息處理專業博士學位。主要從事數位訊號處理、通信原理與技術的教學科研工作，研究方向為量子信息處理，通信信號處理。近幾年在《電子學報》《電子與信息學報》等國核心心期刊和IJCNN、ISNN等國際學術會議上發表論文20餘篇，其中10餘篇被SCI、EI、ISTP收錄，完成國家和省級基金項目多項。
目 錄
目 錄
篇 智慧型信息處理及其套用
第1章 緒論 2
1.1 智慧型計算 2
1.2 人工智慧 4
1.3 化方法 7
1.4 智慧型信息處理方法 10
第2章 神經網路信息處理 12
2.1 神經網路信息處理基礎 12
2.1.1 人工神經元 12
2.1.2 神經網路拓撲結構 14
2.1.3 神經網路模型 16
2.1.4 神經網路學習規則及算法 17
2.1.5 神經網路計算的特點 18
2.2 BP神經網路模型 19
2.2.1 BP神經網路結構 19
2.2.2 BP算法的基本思想和基本流程 20
2.2.3 BP神經網路設計 21
2.3 Hopfield神經網路 22
2.3.1 Hopfield神經網路模型 22
2.3.2 離散型Hopfield神經網路 22
2.3.3 連續型Hopfield神經網路 24
2.4 RBF神經網路 25
2.4.1 RBF神經元模型 25
2.4.2 RBF神經網路模型 26
2.4.3 RBF神經網路的創建與學習 27
2.5 貝葉斯神經網路 28
2.5.1 貝葉斯方法 29
2.5.2 神經網路的貝葉斯學習 29
2.5.3 貝葉斯神經網路算法 30
2.6 卷積神經網路 30
2.6.1 卷積神經網路結構 30
2.6.2 多卷積核 31
2.6.3 池化 32
2.6.4 卷積神經網路的訓練 33
2.7 套用實例 34
2.7.1 基於RBF神經網路的語音增強 34
2.7.2 基於卷積神經網路的情緒識別 38
思考題 39
參考文獻 39
第3章 遺傳算法 41
3.1 遺傳算法基礎 41
3.1.1 進化計算 41
3.1.2 生物遺傳概念與遺傳算法 41
3.1.3 遺傳算法發展概況 42
3.2 遺傳算法的基本原理 42
3.2.1 遺傳算法結構和主要參數 42
3.2.2 常見編碼方法和基本遺傳操作 43
3.2.3 遺傳算法參數選擇及其對算法收斂性的影響 46
3.2.4 遺傳算法的特點 47
3.3 協同進化遺傳算法 48
3.3.1 協同進化算法 48
3.3.2 協同進化遺傳算法流程 48
3.3.3 協同進化遺傳算法的設計 49
3.4 套用實例 50
3.4.1 TSP問題的遺傳算法解 50
3.4.2 基於遺傳算法的MIMO-OFDM系統信號檢測方案 52
3.4.3 基於遺傳算法的SIMO信道子空間盲估計 53
思考題 54
參考文獻 54
第4章 免疫算法 56
4.1 人工免疫系統 56
4.1.1 免疫算法的生物學基礎 56
4.1.2 免疫算法提出 57
4.1.3 克隆選擇和擴增 58
4.2 免疫算法基本原理 59
4.2.1 免疫算法的基本思想 59
4.2.2 免疫算法與免疫系統的對應 60
4.2.3 免疫算法的多樣性和收斂性 61
4.2.4 常見免疫算法 61
4.3 套用實例 62
4.3.1 用免疫算法求解TSP問題 62
4.3.2 基於免疫克隆算法的K-均值聚類算法 66
思考題 68
參考文獻 68
第5章 群智慧型算法 70
5.1 粒子群最佳化算法 70
5.1.1 粒子群最佳化算法的基本原理 70
5.1.2 基本粒子群最佳化算法 70
5.1.3 帶慣性權重的粒子群最佳化算法 71
5.1.4 帶收縮因子的粒子群最佳化算法 72
5.2 蟻群最佳化算法 73
5.2.1 蟻群最佳化算法的原理 73
5.2.2 蟻群最佳化算法的改進思路 74
5.3 菌群最佳化算法 75
5.3.1 菌群最佳化算法的原理 75
5.3.2 菌群最佳化算法尋優過程細菌分布 77
5.3.3 菌群最佳化算法性能測試 80
5.3.4 菌群最佳化算法的改進 81
5.4 套用實例 82
5.4.1 基於粒子群最佳化算法的矢量量化碼書設計 82
5.4.2 基於蟻群最佳化算法的LTE系統信號檢測研究 83
思考題 86
參考文獻 86
第6章 機器學習算法 88
6.1 機器學習基礎和計算理論 88
6.1.1 概念學習 88
6.1.2 計算理論 89
6.2 監督學習經典方法 91
6.2.1 K-近鄰算法 91
6.2.2 決策樹 91
6.2.3 樸素貝葉斯 93
6.2.4 支持向量機 95
6.3 非監督學習經典方法 99
6.3.1 EM算法 99
6.3.2 K-means算法 100
6.3.3 層次聚類 101
6.3.4 DBSCAN算法 102
6.4 先進機器學習模型 103
6.4.1 集成學習 103
6.4.2 強化學習 108
6.4.3 遷移學習 110
6.4.4 深度學習 113
6.5 套用實例 125
思考題 127
參考文獻 128
第二篇 量子智慧型信息處理
第7章 量子智慧型信息處理概述 130
7.1 量子計算 130
7.2 量子信息處理基礎 131
7.2.1 量子信息的表示：量子比特 131
7.2.2 量子信息的存儲：量子暫存器 132
7.2.3 量子信息的處理：運算元與量子態的演化 133
7.2.4 量子信息處理器：量子邏輯門與量子門組網路 135
7.2.5 量子信息處理特性：量子並行與量子糾纏 138
7.3 量子智慧型最佳化算法 139
思考題 141
參考文獻 141
第8章 量子神經網路 143
8.1 人工神經網路向量子神經網路的演變 143
8.1.1 演變的動因 143
8.1.2 人工神經網路有關概念的量子類比 144
8.1.3 量子神經網路的量子並行處理能力及其優勢 145
8.2 量子神經網路模型 146
8.2.1 量子神經元 146
8.2.2 量子衍生神經網路模型 147
8.2.3 量子自組織映射模型 148
8.2.4 量子聯想記憶模型 148
8.2.5 量子糾纏神經網路模型 149
8.2.6 量子躍遷神經網路模型 151
8.2.7 量子BP神經網路模型 152
8.3 量子神經元模型特性 154
8.3.1 量子神經元的量子力學特性 154
8.3.2 量子神經元學習算法 154
8.3.3 算法模擬實現及特性分析 156
8.3.4 量子神經元邏輯運算特性 157
8.3.5 量子神經元的非線性映射特性 159
8.4 套用實例 160
8.4.1 量子BP神經網路用於函式逼近 160
8.4.2 量子神經元實現非線性映射的實驗驗證 161
思考題 162
參考文獻 162
第9章 量子遺傳算法 164
9.1 量子遺傳算法基礎 164
9.1.1 量子比特編碼 164
9.1.2 量子旋轉門策略 165
9.1.3 量子變異操作 166
9.1.4 量子交叉操作 166
9.1.5 算法描述 167
9.1.6 算法實現及性能測試 168
9.2 改進量子遺傳算法 168
9.2.1 改進思路 168
9.2.2 算法流程 168
9.2.3 算法實現及性能測試 170
9.3 量子遺傳算法的其他改進形式 172
9.3.1 改進的模擬退火算法 172
9.3.2 分組量子遺傳算法 174
9.3.3 混沌量子免疫遺傳算法 175
9.4 套用實例 177
9.4.1 基於量子遺傳算法的認知無線電頻譜共享 177
9.4.2 基於量子遺傳算法的MIMO-OFDM系統信號檢測 180
思考題 182
參考文獻 183
第10章 量子免疫算法 184
10.1 量子免疫算法基礎 184
10.1.1 量子比特編碼 184
10.1.2 量子門更新 185
10.2 量子免疫克隆算法 187
10.2.1 量子種群 187
10.2.2 觀測操作 188
10.2.3 克隆操作 188
10.2.4 免疫遺傳操作 188
10.2.5 選擇操作 189
10.3 量子免疫克隆算法的改進 189
10.3.1 編碼方案的改進 189
10.3.2 變異操作的改進 190
10.3.3 算法步驟 191
10.3.4 算法性能測試及結果分析 191
10.4 混沌量子免疫克隆算法 195
10.4.1 種群初始化 196
10.4.2 克隆操作 197
10.4.3 變異操作 198
10.4.4 選擇操作 199
10.4.5 算法步驟 200
10.4.6 算法性能測試及結果分析 200
10.5 免疫算法的套用 205
10.5.1 基於混沌量子免疫克隆算法的壓縮感知數據重構 205
10.5.2 基於混沌量子免疫克隆算法的OMP數據重構 206
思考題 210
參考文獻 211
第11章 量子群智慧型算法 213
11.1 量子粒子群算法 213
11.1.1 基於機率幅的量子粒子群算法 213
11.1.2 基於量子行為的粒子群算法 215
11.1.3 量子粒子群算法的改進 216
11.1.4 算法性能測試 219
11.2 量子蟻群最佳化算法 223
11.2.1 二進制編碼的量子蟻群最佳化算法 223
11.2.2 連續量子蟻群最佳化算法 225
11.2.3 量子蟻群最佳化算法的改進策略 227
11.2.4 算法性能測試 229
11.3 量子菌群最佳化算法 231
11.3.1 量子染色體與量子二進制編碼 231
11.3.2 量子細菌趨化 232
11.3.3 量子細菌繁殖 232
11.3.4 量子遷徙 233
11.3.5 量子菌群最佳化算法流程 233
11.3.6 量子菌群最佳化算法性能測試 233
11.3.7 自適應量子菌群最佳化算法 238
11.4 套用實例 239
11.4.1 基於量子粒子群算法的認知無線電頻譜分配 239
11.4.2 基於量子蟻群最佳化算法的LTE系統信號檢測 242
11.4.3 量子菌群最佳化算法求解組合最佳化問題 246
11.4.4 基於量子菌群最佳化算法的5G移動通信系統中信道估計 249
思考題 253
參考文獻 253
第12章 量子機器學習 255
12.1 量子機器學習概述 255
12.1.1 量子機器學習的發展 255
12.1.2 量子機器學習原理 257
12.2 基於線性代數的量子機器學習 258
12.2.1 算法的基本原理 258
12.2.2 線性方程組的量子算法 259
12.2.3 複雜度對比 260
12.2.4 算法討論和擴展 261
12.3 量子主成分分析 262
12.3.1 量子主成分分析原理 262
12.3.2 量子主成分分析的套用 264
12.3.3 算法討論 265
12.4 量子支持向量機 265
12.4.1 支持向量機 266
12.4.2 量子內積評估 267
12.4.3 核矩陣的模擬 267
12.4.4 量子小二乘支持向量機 268
12.4.5 分類 269
12.4.6 核矩陣壓縮和誤差分析 270
12.4.7 非線性支持向量機 271
12.4.8 總結 271
12.5 深度量子學習 271
12.5.1 基於量子採樣的梯度
