本书介绍了这些理论、方法和工具，从智能信息处理产生的背景和发展历史、基本理论和方法、应用以及研究现状和发展趋势等方面，介绍了模糊理论及其应用、神经网络信息处理及其应用、云信息处理及其应用、可拓信息处理及其应用、粗集信息处理及其应用，遗传算法、免疫算法、蚁群算法优化处理、量子智能信息处理、多元信息融合和信息融合技术及其应用。
本书可作为智能科学与技术、电子科学与技术、信息与通信工程、计算机科学与技术、电气工程、控制科学与技术等专业高年级本科生的教材和相关专业研究生、博士生“智能信息处理与优化”等课程的教材，同时可以供智能信息处理与智能控制技术研究人员参考。

第1章 模糊信息处理
1.1 模糊信息概述
1.1.1 模糊信息相关知识
1.1.2 模糊研究内容与应用
1.1.3 诊断模糊模型
1.2 多目标模糊优化方法
1.2.1 常规多目标优化设计的模糊解法
1.2.2 模糊多目标优化设计
1.2.3 普遍型多目标模糊优化设计方法
1.3 数据处理的模糊熵方法
1.3.1 模糊熵的公理体系与定义
1.3.2 模糊熵的图像处理
1.4 自适应模糊聚类分析
1.4.1 相关的模糊聚类算法
1.4.2 自适应模糊聚类算法
1.4.3 算法收敛性分析
1.5 模糊关联分析
1.5.1 模糊关联分析法
1.5.2 评价原理和方法
1.5.3 实证研究
1.6 模糊信息优化方法
1.6.1 模糊信息优化处理的基本理论
1.6.2 模糊信息优化实例分析
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 决策信息不完全确知的模糊决策集成模型
1.8.3 决策信息不完全确知的模糊决策集成模型分析
1.8.4 实例分析
1.9 模糊Petri网
1.9.1 Petri网概述
1.9.2 模糊Petri网的基本理论
1.9.3 基于模糊Petri网的推理算法及应用
习题
第2章 神经网络信息处理
2.1 神经网络的一般模型
2.1.1 一般形式的神经网络模型
2.1.2 神经网络学习算法
2.1.3 神经网络计算的特点
2.1.4 神经网络的拓扑结构
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 神经根网络的贝叶斯学习
2.3.3 贝叶斯神经网络算法
2.4 RBF神经网络
2.4.1 RBF特点
2.4.2 RBF神经网络的结构与训练
2.4.3 高速公路ANN限速控制器的设计
2.5 贝叶斯——高速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
2.7.2 发动机神经网络辨识结构
2.8 组合灰色神经网络模型
2.8.1 灰色预测模型
2.8.2 灰色神经网络预测模型
……
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 免疫算法
第8章 蚁群算法
第9章 量子智能信息处理
第10章 信息融合
参考文献