作為自然計算的一個新分支，膜計算探討如何利用生命細胞(含神經細胞)機理抽象出新的計算模型。全書共7章，分別介紹膜計算的基本概念、基本模型、聚類模型、卷積模型、循環(huán)模型，以及卷積模型在數(shù)字圖像處理和循環(huán)模型在自然語言處理中的應用。本書力圖在膜計算基本概念和基本模型的基礎上，重點闡述膜計算的三種學習模型及應用，旨在向讀者介紹膜計算這個新興研究領域。書中內容取材于國內外最新的資料，并且總結了作者近年來的研究成果，反映了膜計算學習模型與應用的研究現(xiàn)狀和最新水平。
更多科學出版社服務，請掃碼獲取。
1983.09-1987.07，四川師范大學數(shù)學專業(yè)，本科
1987.09-1990.07，四川師范大學數(shù)學專業(yè)，研究生
2008.07-2011.07，電子科技大學信號與通信工程專業(yè)，博士研究生
1990.07-至今，西華大學（原四川工業(yè)學院）計算機與軟件工程學院教師�，F(xiàn)為三級教授，博士生導師，四川省突出貢獻專家。長期從事計算機和人工智能等學科的研究和教學工作。專長于生物計算與人工智能的研究。是省屬高�？蒲袆�(chuàng)新團隊“生物計算與應用”負責人。人工智能
目錄
前言
第1章 緒論 1
1.1 背景 1
1.2 膜計算簡介 2
1.3 脈沖神經P系統(tǒng)簡介 4
1.4 本書章節(jié)組織 7
參考文獻 7
第2章 膜計算的基本模型 13
2.1 基礎知識 13
2.2 細胞型P系統(tǒng) 15
2.2.1 基本的細胞P系統(tǒng) 15
2.2.2 帶通信規(guī)則的細胞P系統(tǒng) 17
2.2.3 活性膜P系統(tǒng) 19
2.2.4 數(shù)值P系統(tǒng) 21
2.3 組織型P系統(tǒng) 24
2.4 神經型P系統(tǒng) 26
2.4.1 脈沖神經P系統(tǒng) 26
2.4.2 非線性脈沖神經P系統(tǒng) 28
2.5 本章小結 31
參考文獻 31
第3章 聚類模型 34
3.1 概述 34
3.2 基于隨機數(shù)值P系統(tǒng)的數(shù)據聚類 35
3.2.1 數(shù)據聚類問題 35
3.2.2 隨機數(shù)值P系統(tǒng) 36
3.2.3 基于隨機數(shù)值P系統(tǒng)的膜聚類模型 38
3.2.4 模型評估 43
3.3 基于進化-通信P系統(tǒng)的模糊聚類 45
3.3.1 模糊聚類問題 45
3.3.2 聚類有效性指標 46
3.3.3 進化-通信P系統(tǒng) 48
3.3.4 基于進化-通信P系統(tǒng)的模糊膜聚類模型 50
3.3.5 模型評估 54
3.4 基于組織P系統(tǒng)的多目標模糊聚類 56
3.4.1 多目標模糊聚類問題 56
3.4.2 基于組織P系統(tǒng)的多目標模糊膜聚類模型 58
3.4.3 模型評估 62
3.5 基于活性膜P系統(tǒng)的自動模糊聚類 64
3.5.1 自動模糊聚類問題 64
3.5.2 基于活性膜P系統(tǒng)的自動模糊膜聚類模型 64
3.5.3 模型評估 70
3.6 本章小結 73
參考文獻 73
第4章 卷積模型 76
4.1 概述 76
4.2 經典的神經元模型 77
4.3 脈沖神經機制啟發(fā)的神經元模型 78
4.3.1 非線性脈沖神經P系統(tǒng) 78
4.3.2 SNP-like神經元模型 80
4.4 嵌入SNP-like神經元的深度學習模型 81
4.4.1 ConvSNP模型 81
4.4.2 ConvSNP模型的設計與實現(xiàn) 83
4.5 模型評估 85
4.6 本章小結 88
參考文獻 89
第5章 循環(huán)模型 90
5.1 概述 90
5.2 LSTM-SNP模型 91
5.2.1 門控變體I 91
5.2.2 模型描述 92
5.2.3 模型實現(xiàn) 95
5.2.4 模型評估 96
5.3 GSNP模型 98
5.3.1 門控變體II 98
5.3.2 模型描述 99
5.3.3 模型實現(xiàn) 101
5.3.4 模型評估 101
5.4 NSNP-AU模型 103
5.4.1 門控變體III 103
5.4.2 模型描述 105
5.4.3 模型實現(xiàn) 107
5.4.4 模型評估 108
5.5 ESNP模型 111
5.5.1 特殊化的NSNP系統(tǒng) 111
5.5.2 模型描述 112
5.5.3 模型評估 115
5.6 本章小結 118
參考文獻 118
第6章 卷積模型在數(shù)字圖像處理中的應用 122
6.1 邊緣檢測 122
6.1.1 概述 122
6.1.2 SNP-like神經元模型與卷積塊 123
6.1.3 邊緣檢測的特征融合框架 124
6.1.4 模型評估 128
6.2 圖像超分辨率分析 133
6.2.1 概述 133
6.2.2 圖像超分辨率網絡 135
6.2.3 模型評估 142
6.3 視網膜血管圖像分割 146
6.3.1 概述 146
6.3.2 視網膜分割網絡 147
6.3.3 模型評估 150
6.4 肺炎X射線圖像的多任務對抗網絡 155
6.4.1 概述 155
6.4.2 對抗網絡模型 157
6.4.3 模型評估 163
6.5 本章小結 168
參考文獻 168
第7章 循環(huán)模型在自然語言處理中的應用 175
7.1 情感分析 175
7.1.1 概述 175
7.1.2 BiLSTM-SNP模型 176
7.1.3 方面級情感分類模型 178
7.1.4 模型評估 181
7.2 序列推薦 184
7.2.1 概述 184
7.2.2 模型架構 185
7.2.3 技術細節(jié) 187
7.2.4 模型評估 191
7.3 本章小結 194
參考文獻 194
書單推薦
