智能信息處理與量子計算（第2版）

目錄
第一篇 智能信息處理及其應用
第1章 緒論 2
1.1 計算智能 2
1.2 人工智能 5
1.3 最優化方法 7
1.4 智能信息處理方法 11
參考文獻 12
第2章 神經網絡信息處理 13
2.1 神經網絡信息處理基礎 13
2.1.1 神經元 13
2.1.2 神經網絡拓撲結構 15
2.1.3 神經網絡模型 17
2.1.4 神經網絡學習規則及算法 18
2.1.5 神經網絡計算的特點 20
2.2 反向傳播神經網絡模型 21
2.2.1 反向傳播神經網絡結構 21
2.2.2 反向傳播算法的基本思想和基本流程 22
2.2.3 反向傳播神經網絡設計 23
2.3 Hopfield神經網絡 24
2.3.1 Hopfield神經網絡 24
2.3.2 離散型Hopfield神經網絡 25
2.3.3 連續型Hopfield神經網絡 26
2.4 徑向基函數神經網絡 28
2.4.1 徑向基函數神經元模型 28
2.4.2 徑向基函數神經網絡模型 29
2.4.3 徑向基函數神經網絡的創建與學習 30
2.5 貝葉斯神經網絡 32
2.5.1 貝葉斯方法 32
2.5.2 神經網絡的貝葉斯學習 33
2.5.3 貝葉斯神經網絡算法 33
2.6 卷積神經網絡 34
2.6.1 卷積神經網絡結構 34
2.6.2 多卷積核 35
2.6.3 池化 36
2.6.4 卷積神經網絡的訓練 37
2.7 應用實例 38
2.7.1 基於徑向基函數神經網絡的語音增強 38
2.7.2 基於卷積神經網絡的情緒識別 42
思考題 43
參考文獻 43
第3章 遺傳算法 45
3.1 遺傳算法基礎 45
3.1.1 進化計算 45
3.1.2 生物遺傳概念與遺傳算法 45
3.1.3 遺傳算法發展概況 46
3.2 遺傳算法的基本原理 46
3.2.1 遺傳算法結構和主要參數 46
3.2.2 常見編碼方法和基本遺傳操作 48
3.2.3 遺傳算法參數選擇及其對算法收斂性的影響 51
3.2.4 遺傳算法的特點 52
3.3 協同進化遺傳算法 52
3.3.1 協同進化遺傳算法概述 52
3.3.2 協同進化遺傳算法流程 53
3.3.3 協同進化遺傳算法的設計 54
3.4 應用實例 55
3.4.1 旅行商問題的遺傳算法解 55
3.4.2 基於遺傳算法的MIMO-OFDM系統信號檢測方案 57
3.4.3 基於遺傳算法的SIMO信道子空間盲估計 58
思考題 59
參考文獻 59
第4章 免疫算法 61
4.1 人工免疫系統 61
4.1.1 免疫算法的生物學基礎 61
4.1.2 免疫算法提出 62
4.1.3 克隆選擇和擴增 63
4.2 免疫算法基本原理 64
4.2.1 免疫算法的基本思想 64
4.2.2 免疫算法與免疫系統的對應 65
4.2.3 免疫算法的多樣性和收斂性 66
4.2.4 常見的免疫算法 66
4.3 應用實例 67
4.3.1 用免疫算法求解旅行商問題 67
4.3.2 基於免疫算法的K均值聚類算法 72
思考題 74
參考文獻 74
第5章 群智能算法 76
5.1 粒子群優化算法 76
5.1.1 粒子群優化算法的原理 76
5.1.2 基本粒子群優化算法 76
5.1.3 帶慣性權重的粒子群優化算法 77
5.1.4 帶收縮因子的粒子群優化算法 78
5.2 蟻群優化算法 79
5.2.1 蟻群優化算法的原理 79
5.2.2 蟻群優化算法的改進思路 80
5.3 菌群優化算法 81
5.3.1 菌群優化算法的原理 81
5.3.2 菌群優化算法的流程 83
5.3.3 菌群優化算法尋優過程中的細菌分布 84
5.3.4 菌群優化算法性能測試 87
5.3.5 菌群優化算法的改進 88
5.4 應用實例 89
5.4.1 基於粒子群優化算法的圖像矢量量化碼書設計 89
5.4.2 基於蟻群優化算法的LTE系統信號檢測研究 91
思考題 94
參考文獻 94
第6章 機器學習算法 95
6.1 機器學習基礎和計算理論 95
6.1.1 概念學習 95
6.1.2 計算理論 96
6.2 監督學習經典方法 98
6.2.1 K近鄰算法 98
6.2.2 決策樹 99
6.2.3 樸素貝葉斯 101
6.2.4 支持向量機 103
6.3 非監督學習經典方法 107
6.3.1 EM算法 107
6.3.2 K均值聚類算法 108
6.3.3 層次聚類算法 109
6.3.4 DBSCAN算法 110
6.4 先進機器學習模型 111
6.4.1 集成學習 111
6.4.2 強化學習 117
6.4.3 遷移學習 119
6.4.4 深度學習 122
6.5 應用實例 136
思考題 138
參考文獻 138
第二篇 量子智能信息處理
第7章 量子智能信息處理概述 140
7.1 量子計算 140
7.2 量子信息處理基礎 141
7.2.1 量子信息的表示：量子比特 141
7.2.2 量子信息的存儲：量子寄存器 142
7.2.3 量子信息的處理：算子與量子態的演化 143
7.2.4 量子信息處理器：量子門與量子門組網絡 145
7.2.5 量子信息處理特性：量子並行與量子糾纏 148
7.3 量子智能優化算法和量子神經網絡 149
思考題 152
參考文獻 152
第8章 量子神經網絡 154
8.1 神經網絡向量子神經網絡的演變 154
8.1.1 演變的動因 154
8.1.2 神經網絡有關概念的量子類比 155
8.1.3 量子神經網絡的量子並行處理能力及其優勢 156
8.2 量子神經網絡模型 157
8.2.1 量子神經元 157
8.2.2 量子衍生神經網絡模型 158
8.2.3 量子並行自組織映射模型 159
8.2.4 量子聯想記憶模型 160
8.2.5 量子糾纏神經網絡模型 161
8.2.6 量子躍遷神經網絡模型 162
8.2.7 量子反向傳播神經網絡模型 164
8.2.8 量子深度卷積神經網絡模型 166
8.3 量子神經元模型 167
8.3.1 量子神經元的量子力學特性 167
8.3.2 量子神經元學習算法 168
8.3.3 算法模擬實現及特性分析 169
8.3.4 量子神經元邏輯運算特性 170
8.3.5 量子神經元的非線性映射特性 173
8.4 應用實例 174
8.4.1 量子反向傳播神經網絡用於函數逼近 174
8.4.2 量子神經元實現非線性映射的實驗驗證 175
8.4.3 量子深度卷積神經網絡用於文本分類 176
思考題 178
參考文獻 178
第9章 量子遺傳算法 179
9.1 量子遺傳算法的基礎 179
9.1.1 量子比特編碼 179
9.1.2 量子旋轉門策略 180
9.1.3 量子變異操作 181
9.1.4 量子交叉操作 181
9.1.5 量子遺傳算法描述 182
9.1.6 量子遺傳算法實現及性能測試 183
9.2 改進量子遺傳算法 184
9.2.1 改進思路 184
9.2.2 量子免疫算法流程 184
9.2.3 算法實現及性能測試 186
9.3 量子遺傳算法的其他改進形式 187
9.3.1 改進的模擬退火算法 187
9.3.2 分組量子遺傳算法 190
9.3.3 混沌量子免疫遺傳算法 190
9.4 應用實例 192
9.4.1 基於量子遺傳算法的認知無線電頻譜共享 192
9.4.2 基於量子遺傳算法的MIMO-OFDM系統信號檢測 195
9.4.3 基於量子遺傳算法的貼片天線優化設計 198
思考題 200
參考文獻 200
第10章 量子免疫算法 201
10.1 量子免疫算法的基礎 201
10.1.1 量子比特編碼 201
10.1.2 量子門更新 202
10.2 量子免疫克隆算法 204
10.2.1 量子種群 204
10.2.2 觀測操作 205
10.2.3 克隆操作 205
10.2.4 免疫遺傳操作 206
10.2.5 選擇操作 206
10.3 基於實數編碼的量子免疫克隆算法 206
10.3.1 編碼方案的改進 207
10.3.2 變異操作的改進 207
10.3.3 算法步驟 208
10.3.4 算法性能測試及結果分析 208
10.4 混沌量子免疫克隆算法 213
10.4.1 種群初始化 213
10.4.2 克隆操作 214
10.4.3 變異操作 215
10.4.4 選擇操作 217
10.4.5 算法步驟 217
10.4.6 算法性能測試及結果分析 218
10.5 量子疫苗接種免疫算法 222
10.5.1 種群初始化 223
10.5.2 克隆選擇操作 224
10.5.3 疫苗接種操作 225
10.5.4 算法性能測試及結果分析 225
10.6 免疫算法的應用 226
10.6.1 基於混沌量子免疫克隆算法的壓縮感知數據重構 226
10.6.2 基於混沌量子免疫克隆算法的正交匹配追蹤數據重構 228
10.6.3 基於量子疫苗接種免疫算法的量子密鑰分發協議 233
思考題 235
參考文獻 235
第11章 量子群智能算法 237
11.1 量子粒子群優化算法 237
11.1.1 基於概率幅的量子粒子群優化算法 237
11.1.2 基於量子行為的粒子群優化算法 239
11.1.3 量子粒子群優化算法的改進 240
11.1.4 算法性能測試 244
11.2 量子蟻群優化算法 249
11.2.1 二進制編碼的量子蟻群優化算法 249
11.2.2 連續量子蟻群優化算法 250
11.2.3 量子蟻群優化算法的改進策略 252
11.2.4 算法性能測試 255
11.3 量子菌群優化算法 257
11.3.1 量子染色體與量子比特編碼 257
11.3.2 量子細菌趨化 258
11.3.3 量子細菌繁殖 259
11.3.4 量子細菌遷徙 259
11.3.5 量子菌群優化算法流程 259
11.3.6 量子菌群優化算法性能測試 260
11.3.7 自適應旋轉相位的量子菌群優化算法 265
11.4 應用實例 266
11.4.1 基於量子粒子群優化算法的認知無線電頻譜分配 266
11.4.2 基於量子蟻群優化算法的LTE系統信號檢測 269
11.4.3 量子菌群優化算法求解組合優化問題 273
11.4.4 基於量子菌群優化算法的5G移動通信系統中的信道估計 276
11.4.5 基於量子蟻群算法的FIR低通濾波器設計 281
思考題 284
參考文獻 284
第12章 量子機器學習算法 286
12.1 量子機器學習算法概述 286
12.1.1 量子機器學習算法的發展 286
12.1.2 參數化量子電路的發展 288
12.2 參數化量子電路的框架 289
12.2.1 嵌入編碼線路設計 290
12.2.2 變分量子電路設計 292
12.2.3 量子電路的測量和訓練 294
12.3 基於參數化量子電路的監督學習 296
12.3.1 量子-經典混合機器學習模型 297
12.3.2 輕量化參數化量子電路設計 301
12.3.3 計算復雜度分析 302
12.3.4 實驗結果 302
12.3.5 總結 304
12.4 基於參數化量子電路的生成學習 305
12.4.1 量子生成對抗網絡架構 305
12.4.2 量子生成器和量子鑒別器的量子電路設計 306
12.4.3 量子生成對抗網絡的訓練和梯度估計 307
12.4.4 實驗結果 308
12.4.5 總結 310
12.5 應用實例 310
12.5.1 基於量子機器學習算法的信道估計方案 310
12.5.2 基於量子機器學習的信號檢測方案 315
12.5.3 基於雙模塊量子生成對抗網絡的寬帶信道估計方案 320
12.5.4 總結 326
思考題 326
參考文獻 327