本书面向智能信息处理与量子计算方法及其应用，系统介绍了智能信息处理与量子计算方面的基础理论及各种新技术、新方法，并从4G及5G移动通信、语音信号处理等角度进行了实例剖析。全书分为两篇，共12章。第一篇"智能信息处理及其应用”侧重介绍智能信息处理领域的基本原理与关键技术，第二篇"量子智能信息处理”侧重介绍基于量子计算的智能信息处理技术。本书还提供了电子课件，读者可登录华信教育资源网免费下载使用。本书可作为高等院校电子信息、计算机、自动化、人工智能、量子信息科学等相关专业研究生和高年级本科生的教材，也可作为相关领域人员的教学、科研、进修参考用书。

季薇，教授，工学博士、硕士生导师，主持建设《数字信号处理》中英文慕课，获国家精品在线开放课程称号；获江苏省微课竞赛二等奖、三维通信奖教金等荣誉。主要研究领域新一代无线通信技术、机器学习与信号处理算法。

目录
第一篇 智能信息处理及其应用
第1章 绪论 2
1.1 计算智能 2
1.2 人工智能 5
1.3 最优化方法 7
1.4 智能信息处理方法 11
参考文献 12
第2章 神经网络信息处理 13
2.1 神经网络信息处理基础 13
2.1.1 神经元 13
2.1.2 神经网络拓扑结构 15
2.1.3 神经网络模型 17
2.1.4 神经网络学习规则及算法 18
2.1.5 神经网络计算的特点 20
2.2 反向传播神经网络模型 21
2.2.1 反向传播神经网络结构 21
2.2.2 反向传播算法的基本思想和基本流程 22
2.2.3 反向传播神经网络设计 23
2.3 Hopfield神经网络 24
2.3.1 Hopfield神经网络 24
2.3.2 离散型Hopfield神经网络 25
2.3.3 连续型Hopfield神经网络 26
2.4 径向基函数神经网络 28
2.4.1 径向基函数神经元模型 28
2.4.2 径向基函数神经网络模型 29
2.4.3 径向基函数神经网络的创建与学习 30
2.5 贝叶斯神经网络 32
2.5.1 贝叶斯方法 32
2.5.2 神经网络的贝叶斯学习 33
2.5.3 贝叶斯神经网络算法 33
2.6 卷积神经网络 34
2.6.1 卷积神经网络结构 34
2.6.2 多卷积核 35
2.6.3 池化 36
2.6.4 卷积神经网络的训练 37
2.7 应用实例 38
2.7.1 基于径向基函数神经网络的语音增强 38
2.7.2 基于卷积神经网络的情绪识别 42
思考题 43
参考文献 43
第3章 遗传算法 45
3.1 遗传算法基础 45
3.1.1 进化计算 45
3.1.2 生物遗传概念与遗传算法 45
3.1.3 遗传算法发展概况 46
3.2 遗传算法的基本原理 46
3.2.1 遗传算法结构和主要参数 46
3.2.2 常见编码方法和基本遗传操作 48
3.2.3 遗传算法参数选择及其对算法收敛性的影响 51
3.2.4 遗传算法的特点 52
3.3 协同进化遗传算法 52
3.3.1 协同进化遗传算法概述 52
3.3.2 协同进化遗传算法流程 53
3.3.3 协同进化遗传算法的设计 54
3.4 应用实例 55
3.4.1 旅行商问题的遗传算法解 55
3.4.2 基于遗传算法的MIMO-OFDM系统信号检测方案 57
3.4.3 基于遗传算法的SIMO信道子空间盲估计 58
思考题 59
参考文献 59
第4章 免疫算法 61
4.1 人工免疫系统 61
4.1.1 免疫算法的生物学基础 61
4.1.2 免疫算法提出 62
4.1.3 克隆选择和扩增 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 免疫算法与免疫系统的对应 65
4.2.3 免疫算法的多样性和收敛性 66
4.2.4 常见的免疫算法 66
4.3 应用实例 67
4.3.1 用免疫算法求解旅行商问题 67
4.3.2 基于免疫算法的K均值聚类算法 72
思考题 74
参考文献 74
第5章 群智能算法 76
5.1 粒子群优化算法 76
5.1.1 粒子群优化算法的原理 76
5.1.2 基本粒子群优化算法 76
5.1.3 带惯性权重的粒子群优化算法 77
5.1.4 带收缩因子的粒子群优化算法 78
5.2 蚁群优化算法 79
5.2.1 蚁群优化算法的原理 79
5.2.2 蚁群优化算法的改进思路 80
5.3 菌群优化算法 81
5.3.1 菌群优化算法的原理 81
5.3.2 菌群优化算法的流程 83
5.3.3 菌群优化算法寻优过程中的细菌分布 84
5.3.4 菌群优化算法性能测试 87
5.3.5 菌群优化算法的改进 88
5.4 应用实例 89
5.4.1 基于粒子群优化算法的图像矢量量化码书设计 89
5.4.2 基于蚁群优化算法的LTE系统信号检测研究 91
思考题 94
参考文献 94
第6章 机器学习算法 95
6.1 机器学习基础和计算理论 95
6.1.1 概念学习 95
6.1.2 计算理论 96
6.2 监督学习经典方法 98
6.2.1 K近邻算法 98
6.2.2 决策树 99
6.2.3 朴素贝叶斯 101
6.2.4 支持向量机 103
6.3 非监督学习经典方法 107
6.3.1 EM算法 107
6.3.2 K均值聚类算法 108
6.3.3 层次聚类算法 109
6.3.4 DBSCAN算法 110
6.4 先进机器学习模型 111
6.4.1 集成学习 111
6.4.2 强化学习 117
6.4.3 迁移学习 119
6.4.4 深度学习 122
6.5 应用实例 136
思考题 138
参考文献 138
第二篇 量子智能信息处理
第7章 量子智能信息处理概述 140
7.1 量子计算 140
7.2 量子信息处理基础 141
7.2.1 量子信息的表示：量子比特 141
7.2.2 量子信息的存储：量子寄存器 142
7.2.3 量子信息的处理：算子与量子态的演化 143
7.2.4 量子信息处理器：量子门与量子门组网络 145
7.2.5 量子信息处理特性：量子并行与量子纠缠 148
7.3 量子智能优化算法和量子神经网络 149
思考题 152
参考文献 152
第8章 量子神经网络 154
8.1 神经网络向量子神经网络的演变 154
8.1.1 演变的动因 154
8.1.2 神经网络有关概念的量子类比 155
8.1.3 量子神经网络的量子并行处理能力及其优势 156
8.2 量子神经网络模型 157
8.2.1 量子神经元 157
8.2.2 量子衍生神经网络模型 158
8.2.3 量子并行自组织映射模型 159
8.2.4 量子联想记忆模型 160
8.2.5 量子纠缠神经网络模型 161
8.2.6 量子跃迁神经网络模型 162
8.2.7 量子反向传播神经网络模型 164
8.2.8 量子深度卷积神经网络模型 166
8.3 量子神经元模型 167
8.3.1 量子神经元的量子力学特性 167
8.3.2 量子神经元学习算法 168
8.3.3 算法模拟实现及特性分析 169
8.3.4 量子神经元逻辑运算特性 170
8.3.5 量子神经元的非线性映射特性 173
8.4 应用实例 174
8.4.1 量子反向传播神经网络用于函数逼近 174
8.4.2 量子神经元实现非线性映射的实验验证 175
8.4.3 量子深度卷积神经网络用于文本分类 176
思考题 178
参考文献 178
第9章 量子遗传算法 179
9.1 量子遗传算法的基础 179
9.1.1 量子比特编码 179
9.1.2 量子旋转门策略 180
9.1.3 量子变异操作 181
9.1.4 量子交叉操作 181
9.1.5 量子遗传算法描述 182
9.1.6 量子遗传算法实现及性能测试 183
9.2 改进量子遗传算法 184
9.2.1 改进思路 184
9.2.2 量子免疫算法流程 184
9.2.3 算法实现及性能测试 186
9.3 量子遗传算法的其他改进形式 187
9.3.1 改进的模拟退火算法 187
9.3.2 分组量子遗传算法 190
9.3.3 混沌量子免疫遗传算法 190
9.4 应用实例 192
9.4.1 基于量子遗传算法的认知无线电频谱共享 192
9.4.2 基于量子遗传算法的MIMO-OFDM系统信号检测 195
9.4.3 基于量子遗传算法的贴片天线优化设计 198
思考题 200
参考文献 200
第10章 量子免疫算法 201
10.1 量子免疫算法的基础 201
10.1.1 量子比特编码 201
10.1.2 量子门更新 202
10.2 量子免疫克隆算法 204
10.2.1 量子种群 204
10.2.2 观测操作 205
10.2.3 克隆操作 205
10.2.4 免疫遗传操作 206
10.2.5 选择操作 206
10.3 基于实数编码的量子免疫克隆算法 206
10.3.1 编码方案的改进 207
10.3.2 变异操作的改进 207
10.3.3 算法步骤 208
10.3.4 算法性能测试及结果分析 208
10.4 混沌量子免疫克隆算法 213
10.4.1 种群初始化 213
10.4.2 克隆操作 214
10.4.3 变异操作 215
10.4.4 选择操作 217
10.4.5 算法步骤 217
10.4.6 算法性能测试及结果分析 218
10.5 量子疫苗接种免疫算法 222
10.5.1 种群初始化 223
10.5.2 克隆选择操作 224
10.5.3 疫苗接种操作 225
10.5.4 算法性能测试及结果分析 225
10.6 免疫算法的应用 226
10.6.1 基于混沌量子免疫克隆算法的压缩感知数据重构 226
10.6.2 基于混沌量子免疫克隆算法的正交匹配追踪数据重构 228
10.6.3 基于量子疫苗接种免疫算法的量子密钥分发协议 233
思考题 235
参考文献 235
第11章 量子群智能算法 237
11.1 量子粒子群优化算法 237
11.1.1 基于概率幅的量子粒子群优化算法 237
11.1.2 基于量子行为的粒子群优化算法 239
11.1.3 量子粒子群优化算法的改进 240
11.1.4 算法性能测试 244
11.2 量子蚁群优化算法 249
11.2.1 二进制编码的量子蚁群优化算法 249
11.2.2 连续量子蚁群优化算法 250
11.2.3 量子蚁群优化算法的改进策略 252
11.2.4 算法性能测试 255
11.3 量子菌群优化算法 257
11.3.1 量子染色体与量子比特编码 257
11.3.2 量子细菌趋化 258
11.3.3 量子细菌繁殖 259
11.3.4 量子细菌迁徙 259
11.3.5 量子菌群优化算法流程 259
11.3.6 量子菌群优化算法性能测试 260
11.3.7 自适应旋转相位的量子菌群优化算法 265
11.4 应用实例 266
11.4.1 基于量子粒子群优化算法的认知无线电频谱分配 266
11.4.2 基于量子蚁群优化算法的LTE系统信号检测 269
11.4.3 量子菌群优化算法求解组合优化问题 273
11.4.4 基于量子菌群优化算法的5G移动通信系统中的信道估计 276
11.4.5 基于量子蚁群算法的FIR低通滤波器设计 281
思考题 284
参考文献 284
第12章 量子机器学习算法 286
12.1 量子机器学习算法概述 286
12.1.1 量子机器学习算法的发展 286
12.1.2 参数化量子电路的发展 288
12.2 参数化量子电路的框架 289
12.2.1 嵌入编码线路设计 290
12.2.2 变分量子电路设计 292
12.2.3 量子电路的测量和训练 294
12.3 基于参数化量子电路的监督学习 296
12.3.1 量子-经典混合机器学习模型 297
12.3.2 轻量化参数化量子电路设计 301
12.3.3 计算复杂度分析 302
12.3.4 实验结果 302
12.3.5 总结 304
12.4 基于参数化量子电路的生成学习 305
12.4.1 量子生成对抗网络架构 305
12.4.2 量子生成器和量子鉴别器的量子电路设计 306
12.4.3 量子生成对抗网络的训练和梯度估计 307
12.4.4 实验结果 308
12.4.5 总结 310
12.5 应用实例 310
12.5.1 基于量子机器学习算法的信道估计方案 310
12.5.2 基于量子机器学习的信号检测方案 315
12.5.3 基于双模块量子生成对抗网络的宽带信道估计方案 320
12.5.4 总结 326
思考题 326
参考文献 327