第一章　绪论
  1.1　智能信息处理的产生及其发展
   1.1.1　计算智能的产生
   1.1.2　智能信息处理技术的应用和现状
  1.2　智能信息处理的主要技术
   1.2.1　模糊计算技术
   1.2.2　神经计算技术
   1.2.3　进化计算技术
   1.2.4　混沌计算技术
   1.2.5　分形计算技术
  1.3　智能技术的综合集成
   1.3.1　模糊系统与神经网络结合
   1.3.2　神经网络和遗传算法的结合
   1.3.3　模糊技术、神经网络和遗传算法的综合集成
   1.3.4　神经、模糊和混沌的融合
   1.3.5　分形与混沌:孪生兄弟
   1.3.6　计算智能展望
  参考文献
 第一篇　模糊计算(Fuzzy　Computing)
  第二章　模糊集合与模糊逻辑
   2.1　普通集合及其运算
    2.1.1　集合的概念
    2.1.2　集合的表示方法
    2.1.3　集合的基本运算
    2.1.4　集合运算规则
    2.1.5　特征函数
    2.1.6　集合的直积
    2.1.7　关系矩阵
   2.2　模糊集合及其运算规则
    2.2.1　模糊集合与隶属度
    2.2.2　模糊集合的表示
    2.2.3　隶属函数及其确定
    2.2.4　模糊集合的基本运算
    2.2.5　模糊集合运算的基本规则
   2.3　模糊关系
   2.4　模糊逻辑和模糊推理
    2.4.1　模糊逻辑
    2.4.2　模糊推理
    2.4.3　几种常见的模糊推理图形解释
   参考文献
  第三章　模糊信息处理
   3.1　模糊逻辑控制的信息处理
    3.1.1　模糊控制的基本结构和组成
    3.1.2　基本模糊控制器的设计方法
    3.1.3　基本模糊控制器设计实例
    3.1.4　多变量模糊控制器的信息处理
    3.1.5　自组织模糊控制系统
    3.1.6　模糊系统辨识
   3.2　模糊模式识别信息处理
    3.2.1　模糊聚类分析
    3.2.2　模糊等价关系与聚类分析
    3.2.3　基于模糊相似关系的模式分类
    3.2.4　基于最大隶属原则的识别
    3.2.5　基于择近原则的识别
   3.3　模糊集在图像信息处理中的应用
    3.3.1　图像的模糊特征平面
    3.3.2　图像的模糊增强
    3.3.3　图像的模糊性指数和模糊熵
    3.3.4　图像边缘检测中的模糊方法
    3.3.5　图像的模糊聚类分割
   参考文献
 第二篇　神经计算(Neural　Computing)
  第四章　神经网络信息处理
   4.1　神经网络的基本原理
    4.1.1　神经网络处理单元
    4.1.2　神经网络的拓扑结构
   4.2　前馈型神经网络
    4.2.1　多层感知器神经网络
    4.2.2　BP(Back-propagation)神经网络模型
    4.2.3　几种BP算法的改进方法
   4.3　反馈型神经网络
    4.3.1　离散型Hopfield网络
    4.3.2　连续型Hopfield网络
    4.3.3　Hopfield网络用于联想记忆
   4.4　径向基函数网络(Radial　Basis　Function　Network)
   4.5　自组织神经网络
    4.5.1　自组织特征映射网络
    4.5.2　自适应共振理论模型
   4.6　双向联想记忆网络
    4.6.1　网络拓扑结构
    4.6.2　学习规则及联想回忆
    4.6.3　网络的稳定性及扩展形式
   4.7　脑模型控制器(Cerebellar　Model　Articulation　Controller)
   4.8　小波神经网络
    4.8.1　小波分析简介
    4.8.2　小波基神经网络
    4.8.3　用于信号分类的小波神经网络
   4.9　细胞神经网络
    4.9.1　CNN网络的模型
    4.9.2　CNN网络系统的分析
    4.9.3　CNN网络的应用
   4.10　B样条神经网络
   参考文献
  第五章　模糊神经网络信息处理
   5.1　模糊信息处理与神经网络的融合
   5.2　模糊逻辑神经网络信息处理器
    5.2.1　模糊逻辑神经元
    5.2.2　神经网络实现模糊化、反模糊化
   5.3　模糊推理网络模型
    5.3.1　直接推理网络模型
    5.3.2　模糊信息处理神经网络
    5.3.3　模糊推理网络系统
   5.4　基于模糊规则系统的神经网络模型
   5.5　基于模糊神经网络的模型参考自适应控制
   5.6　神经网络的模糊识别应用
   参考文献
 第三篇　进化计算
  第六章　进化计算的基本方法
   6.1　进化计算的简要概念
    6.1.1　进化计算的诞生
    6.1.2　进化计算的主要特点和分类
    6.1.3　进化计算的理论研究与应用现状
   6.2　遗传算法的描述
   6.3　遗传算法的基本原理和方法
    6.3.1　遗传算法的基本原理
    6.3.2　模式理论
    6.3.3　遗传算法的算子
   6.4　遗传规划的基本原理和方法
    6.4.1　遗传规划的一般方法步骤
    6.4.2　遗传规划的基本原理
    6.4.3　辅助算子
    6.4.4　控制参数
    6.4.5　模式理论
   6.5　进化策略的基本方法和模式
   参考文献
  第七章　进化计算的信息处理
   7.1　遗传算法在优化中的应用
    7.1.1　遗传算法在非线性优化中的应用
    7.1.2　背包问题(Knapsack　problem)
    7.1.3　基于GA的多机阶段的Flow　Shop问题
   7.2　进化算法与神经网络、模糊系统的结合
    7.2.1　遗传算法与神经网络的结合
    7.2.2　遗传算法与模糊系统的结合
   7.3　遗传算法在神经网络控制器中的应用
    7.3.1　改进型的遗传算法
    7.3.2　基于GA的神经网络自适应控制系统
   7.4　遗传算法在图像处理中的应用
    7.4.1　GA在图像恢复中的应用
    7.4.2　图像分割的遗传算法方法
   7.5　遗传算法在人工生命中的应用
    7.5.1　人工生命的研究内容和方法
    7.5.2　遗传算法与人工生命进化模型
    7.5.3　人工生命与遗传信息处理
   参考文献
 第四篇　混沌与分形计算
  第八章　混沌信息处理
   8.1　混沌的基本概念
   8.2　混沌与智能信息处理
    8.2.1　复杂动力学与信息处理功能
    8.2.2　混沌松弛与多输入输出功能
    8.2.3　混沌吸引子
    8.2.4　混沌学习
    8.2.5　混沌与1/f起伏
    8.2.6　混沌在信息处理中的其他应用
    8.2.7　混沌工程学
   8.3　混沌动力学
    8.3.1　Logistic映射
    8.3.2　圆周映射
    8.3.3　分支
    8.3.4　Lyapunov指数
   8.4　混沌神经网络模型
    8.4.1　混沌神经网络
    8.4.2　自组织映射混沌神经网络模型
   8.5　混沌在优化中的应用
   8.6　混沌在智能控制中的应用
   参考文献
  第九章　分形信息处理
   9.1　分形的定义
   9.2　分形理论基础
    9.2.1　分形空间
    9.2.2　迭代函数系统
    9.2.3　拼贴原理
    9.2.4　分数布朗运动的建立
    9.2.5　分形插值
    9.2.6　分数维
   9.3　分形神经网络信息处理
   9.4　分形图像压缩的基本方法
   9.5　图像中分数维的提取及应用
   9.6　分形变换在图像压缩中的应用
   参考文献
  第十章　智能信息处理技术的应用实例
   10.1　神经计算在图像信息处理中的应用
    10.1.1　卫星遥感图像的神经网络自动分类
    10.1.2　自联想神经网络的遥感图像主分量提取
    10.1.3　神经网络图像压缩编码
   10.2　基于神经网络的机器人控制
   10.3　语音的神经网络识别技术
    10.3.1　基于玻耳兹曼机的音素识别
    10.3.2　基于矢量化器(LVQ)方法的音素识别
   10.4　小波神经网络信息融合故障诊断处理
   10.5　复杂工业过程的综合集成智能控制
    10.5.1　复杂大系统的工业自动化
    10.5.2　基于遗传算法与模糊神经网络集成的智能控制系统
    10.5.3　神经网络自适应模糊控制在复杂工业过程控制系统中的应用
   10.6　神经网络在线性规划中的应用
    10.6.1　不等式条件的LP(线性规则)
   10.7　混沌动力学系统的控制
   10.8　分形变换在图像噪声平滑中的应用
   10.9　短时分形维数的模糊控制滤波应用
   10.10　类噪声混沌编码在图像联想记忆中的应用
   10.11　融合技术
    10.11.1　多传感器图像信息融合处理技术
    10.11.2　基于神经网络的多聚焦图像融合
   参考文献