滿額折
人工智能、類腦計算與圖像解譯前沿（簡體書）
- 系列名：人工智能前沿技術叢書
- ISBN13：9787560654997
- 出版社：西安電子科技大學出版社
- 作者：焦李成等
- 裝訂／頁數：平裝／816頁
- 規格：24cm*17cm (高/寬)
- 版次：一版
- 出版日：2020/04/01
相關商品
商品簡介
目次
商品簡介
本書立足于西安電子科技大學人工智能學科優勢，對人工智能、類腦計算與圖像解譯三個前沿領域進行了詳細的論述，主要內容包括進化計算、人工免疫系統、量子計算智能、多智能體系統、多目標進化優化、 非線性逼近理論、多尺度幾何分析、多尺度變換域圖像感知與識別、圖像的高維奇異性檢測、圖像去噪的閾值方法、SAR圖像理解與解譯。該書在對上述領域的國內外發展現狀進行系統總結的同時，還重點闡述了作者對相關領域未來發展的研究心得和成果。希望本書能為推進我國人工智能學術研究和實際應用起到一定的促進作用，為相關領域人才培養提供有效的學習內容。
本書可以為計算機科學、信息科學、人工智能自動化技術等領域從事自然計算、機器學習、圖像處理研究的相關專業的技術人員提供參考。
本書可以為計算機科學、信息科學、人工智能自動化技術等領域從事自然計算、機器學習、圖像處理研究的相關專業的技術人員提供參考。
目次
第一篇 複雜影像內容解譯
第1章 遙感腦 3
1.1 遙感數據的特點 3
1.2 遙感影像解譯存在的問題 5
1.3 海量遙感數據在軌處理 9
1.4 類腦計算理論 10
1.5 遙感腦 14
本章參考文獻 16
第2章 複雜影像語義分析 22
2.1 引言 22
2.2 研究現狀和研究動機 22
2.3 高分辨SAR圖像的素描圖 24
2.3.1 Marr的視覺計算理論 24
2.3.2 光學圖像的初始素描模型 25
2.3.3 初始素描圖的提取方法 26
2.3.4 高分辨SAR圖像的素描模型 29
2.3.5 高分辨SAR圖像素描圖的提取方法 29
2.4 結構區域圖及其在SAR圖像相干斑抑制中的應用 39
2.4.1 高分辨SAR圖像的初級視覺語義層 39
2.4.2 抑制相干斑任務驅動的結構區域圖的產生 40
2.4.3 基於幾何核函數測度和勻質區域搜索的SAR圖像相干斑抑制 41
2.5 語義素描圖及其在SAR圖像相干斑抑制中的應用 48
2.5.1 研究動機 48
2.5.2 語義素描圖中方向信息的傳遞 49
2.5.3 基於幾何結構塊相似性測度的非局部均值濾波方法 50
2.5.4 基於像素分類和自適應鄰域搜索的SAR圖像相干斑抑制 51
本章參考文獻 63
第3章 壓縮表示學習與深度推斷 67
3.1 壓縮的採樣與感知理論基礎 68
3.1.1 壓縮採樣算子 71
3.1.2 稀疏化信號表示模型 74
3.1.3 信號感知算法 83
3.2 表示學習與深度認知推斷 89
3.2.1 統計機器學習中的壓縮採樣 94
3.2.2 統計機器學習中的參數化模型 95
3.2.3 判別式模型學習與深度認知推理 102
3.2.4 生成式模型學習與深度認知推理 104
3.2.5 分析與討論 108
本章參考文獻 111
第4章 高分辨率遙感圖像理解 126
4.1 背景介紹 126
4.2 高分辨率遙感圖像目標檢測 126
4.2.1 引言 126
4.2.2 目標檢測方法綜述 126
4.2.3 目標檢測數據庫綜述 132
4.2.4 評價指標 134
4.2.5 方法對比 135
4.3 高分辨率遙感圖像場景分類 136
4.3.1 引言 136
4.3.2 遙感圖像場景分類方法綜述 137
4.3.3 場景分類數據庫綜述 143
4.3.4 評價指標 146
4.3.5 方法對比 146
本章參考文獻 148
第5章 基於圖像學習表徵和重排序的遙感影像內容檢索 157
5.1 基於內容的遙感圖像檢索 157
5.2 基於內容的遙感圖像檢索方法簡介 158
5.2.1 綜合完備的RSIR系統 158
5.2.2 解決CBIR領域相關技術難題的RSIR方法 160
5.2.3 RSIR技術的多方面應用 161
5.3 圖像重排序 162
5.4 圖像重排序方法介紹 163
5.4.1 相關反饋 164
5.4.2 不依賴樣本的重排序 164
5.5 基於內容的遙感圖像檢索、重排序問題的評價方式 165
5.6 基於內容的遙感圖像檢索、重排序問題的研究難點 166
本章參考文獻 167
第6章 基於稀疏特徵學習的圖像分割與半監督分類 178
6.1 稀疏表示的基礎理論 178
6.2 幾種新的稀疏表示模型 178
6.2.1 多核聯合稀疏圖 179
6.2.2 基於隨機子空間的集成稀疏表示 183
6.2.3 基於稀疏學習的模糊C-均值聚類算法 185
6.2.4 基於稀疏自表示與模糊雙C-均值聚類算法 190
6.3 基於稀疏學習的圖像分割 194
6.3.1 圖像預處理 194
6.3.2 基於稀疏特徵學習的圖像分割算法 195
6.4 基於稀疏學習的圖像半監督分類 195
6.4.1 基於人機交互的類標獲取方法 196
6.4.2 基於稀疏特徵學習的圖像半監督分類方法 197
本章參考文獻 198
第二篇 高光譜數據解譯
第7章 空譜信息聯合的高光譜遙感圖像混合像元分解綜述 209
7.1 引言 209
7.2 空譜信息聯合的高光譜解混 210
7.2.1 空譜信息聯合的端元識別方法 211
7.2.2 基於空間預處理的端元識別 213
7.2.3 基於超像素的端元識別 214
7.3 空譜信息聯合的高光譜稀疏解混 217
7.3.1 稀疏解混模型 218
7.3.2 空譜信息聯合的稀疏解混模型 220
7.4 實驗結果與分析 223
7.4.1 模擬數據實驗 223
7.4.2 真實數據實驗 225
7.5 總結與展望 229
本章參考文獻 229
第8章 不精確標記數據的多示例目標特性學習 234
8.1 背景介紹 234
8.1.1 高光譜圖像分析 235
8.1.2 高光譜圖像數據 235
8.1.3 高光譜解混 236
8.1.4 高光譜目標檢測 236
8.1.5 心衝擊圖信號分析 237
8.1.6 液壓傳感器床墊系統 238
8.1.7 心衝擊圖中的多示例學習問題 239
8.1.8 基於特徵簽名的檢測器 239
8.1.9 頻譜匹配濾波器 240
8.1.10 自適應一致/余弦估計器 240
8.1.11 混合檢測器 241
8.2 文獻綜述 242
8.2.1 多示例概念學習 242
8.2.2 多示例分類器學習 246
本章參考文獻 250
第9章 稀疏圖在高光譜數據維數約減中的應用 258
9.1 引言 258
9.2 常見的高光譜數據維數約減方法 260
9.2.1 基於譜帶選擇的維數約減方法介紹 261
9.2.2 基於特徵提取的維數約減方法介紹 263
9.2.3 基於稀疏圖學習的高光譜維數約減方法 265
9.2.4 基於雙稀疏圖的高光譜半監督維數約減方法 270
9.2.5 基於多圖集成的高光譜維數約減方法 275
9.2.6 基於空譜正則稀疏圖的高光譜譜帶選擇方法 278
9.3 本章小結 282
本章參考文獻 282
第10章 高光譜遙感圖像分類技術概述與發展 288
10.1 高光譜遙感技術基礎 288
10.1.1 高光譜遙感技術 288
10.1.2 成像光譜儀發展現狀 289
10.1.3 高光譜遙感圖像的數據特點 292
10.2 高光譜圖像分類及分類評價指標 294
10.2.1 高光譜遙感圖像數據 294
10.2.2 高光譜圖像分類評價指標 297
10.3 高光譜遙感圖像分類技術基礎 299
10.3.1 高光譜圖像分類中的特徵提取 299
10.3.2 表示分類算法 302
10.3.3 核變換及其屬性 304
10.4 高光譜遙感圖像分類研究現狀 306
10.4.1 高光譜遙感分類技術的現狀與挑戰 306
10.4.2 高光譜遙感空譜分類方法的研究現狀 309
10.4.3 深度學習方法在高光譜圖像分類中的研究現狀 310
本章參考文獻 314
第11章 空譜稀疏結構學習下的高光譜數據降維與分類 325
11.1 高光譜遙感信息處理前沿與挑戰 325
11.2 高光譜降維 328
11.3 高光譜分類 332
11.4 稀疏結構學習 335
11.5 高光譜解譯研究難點及未來研究方向 337
本章參考文獻 338
第三篇 計算智能與多目標優化
第12章 多目標進化優化 349
12.1 多目標優化問題 349
12.2 多目標進化算法簡介 349
12.2.1 基於Pareto的多目標進化算法 350
12.2.2 基於指標的多目標進化算法 351
12.2.3 基於分解的多目標進化算法 351
12.3 多目標進化算法的評價測度 352
12.3.1 收斂性 352
12.3.2 多樣性 353
12.3.3 均勻性 353
12.3.4 混合型 354
12.4 研究難點及現狀 354
12.4.1 決策空間複雜的多目標優化問題 354
12.4.2 目標空間複雜的多目標優化問題 355
12.4.3 運算代價昂貴的多目標優化問題 357
本章參考文獻 357
第13章 高維多目標粒子群優化算法綜述 368
13.1 引言 368
13.2 高維多目標粒子群優化算法進展 370
13.2.1 基於支配關係的高維多目標粒子群優化算法 371
13.2.2 基於分解方法的高維多目標粒子群優化算法 374
13.2.3 基於性能指標的高維多目標粒子群優化算法 377
13.2.4 基於參考點引導的高維多目標粒子群優化算法 378
13.2.5 基於偏好的高維多目標粒子群優化算法 380
13.2.6 基於維數約減的高維多目標粒子群優化算法 382
13.3 總結與展望 383
本章參考文獻 385
第14章 進化多目標模糊聚類圖像分割 394
14.1 圖像分割 394
14.1.1 研究背景及意義 394
14.1.2 傳統圖像分割方法 394
14.2 基於模糊C-均值聚類的圖像分割 397
14.3 多目標進化算法 401
14.3.1 進化計算簡述 401
14.3.2 多目標優化問題 402
14.3.3 多目標進化算法簡介 403
14.4 基於多目標進化算法與模糊聚類的圖像分割 404
14.5 總結與展望 408
本章參考文獻 408
第15章 協同進化計算與多智能體系統 413
15.1 從進化論到進化計算 413
15.1.1 現代進化論 413
15.1.2 生物進化與優化 415
15.2 進化計算 417
15.2.1 進化計算的主要分支 418
15.2.2 進化計算的數學基礎 420
15.2.3 進化算法的收斂理論 422
15.2.4 進化計算的應用 427
15.3 協同進化計算 428
15.3.1 協同進化的生物學基礎 428
15.3.2 協同進化的動力學描述 432
15.3.3 協同進化算法的發展現狀 434
15.4 複雜適應系統 437
15.4.1 複雜適應系統 437
15.4.2 複雜適應系統的適應性與生物進化過程 439
15.4.3 生物進化過程的數學模型 441
15.5 多智能體系統 444
15.5.1 智能體的基本概念 444
15.5.2 智能體形式化描述 447
15.5.3 多智能體系統的主要研究內容 451
15.5.4 面向問題解決的多智能體系統研究現狀 453
15.5.5 多智能體系統與分布式人工智能 455
15.5.6 多智能體系統與人工生命 457
15.5.7 多智能體系統與進化計算 459
本章參考文獻 461
第16章 量子計算智能前沿與進展 471
16.1 量子計算 471
16.1.1 量子算法 471
16.1.2 量子系統中的疊加、相干與坍縮 472
16.1.3 量子態的干涉 473
16.1.4 量子態的糾纏 474
16.1.5 量子計算的並行性 475
16.2 量子搜索與優化 476
16.2.1 Grover搜索算法 476
16.2.2 量子遺傳算法 477
16.2.3 量子粒子群智能算法 479
16.2.4 量子退火算法 482
16.2.5 量子免疫克隆算法 483
16.2.6 量子免疫克隆多目標優化算法 485
16.3 量子學習 486
16.3.1 量子聚類 486
16.3.2 量子神經網絡 487
16.3.3 量子貝葉斯網絡 488
16.3.4 量子小波變換 490
16.3.5 基於量子智能優化的數據聚類 491
16.3.6 基於量子智能優化的數據分類 494
16.3.7 基於量子智能優化的網絡學習 496
16.4 基於量子智能優化的應用 500
16.4.1 量子進化聚類圖像分割 500
16.4.2 量子免疫克隆聚類SAR圖像分割與變化檢測 502
16.4.3 量子粒子群醫學圖像分割 505
16.4.4 量子聚類社區檢測 508
16.4.5 基於CMOQPSO的環境/經濟調度優化 509
本章參考文獻 511
第17章 人工免疫系統 516
17.1 從免疫系統到人工免疫系統 516
17.2 人工免疫系統的研究領域 518
17.2.1 人工免疫系統模型的研究 518
17.2.2 人工免疫系統算法的研究 520
17.2.3 人工免疫系統方法的應用研究 525
17.3 人工免疫系統與其他方法的比較 528
17.3.1 人工免疫系統與進化計算 528
17.3.2 人工免疫系統與人工神經網絡 528
17.3.3 人工免疫系統與一般的確定性優化算法 530
17.4 免疫優化計算研究的新進展 531
17.4.1 免疫優化算法研究的主要進展 531
17.4.2 免疫優化計算理論分析的主要進展 536
17.5 問題與挑戰 539
本章參考文獻 539
第18章 基於深度學習的個性化推薦系統研究綜述 547
18.1 引言 547
18.2 傳統的個性化推薦系統概述 547
18.2.1 基於內容的推薦 548
18.2.2 協同過濾推薦 549
18.2.3 混合推薦 552
18.3 基於深度學習的個性化推薦 553
18.3.1 基於多層感知器的個性化推薦 554
18.3.2 基於自編碼器的個性化推薦 557
18.3.3 基於卷積神經網絡的個性化推薦 558
18.3.4 基於循環神經網絡的個性化推薦 560
18.3.5 混合推薦 562
18.4 基於深度學習的個性化推薦系統研究與展望 563
18.4.1 深度學習與傳統推薦方法相結合的個性化推薦 564
18.4.2 基於深度學習的跨領域信息融合的推薦 564
18.4.3 基於深度學習的個性化推薦的新架構 564
18.4.4 基於深度學習的推薦系統的可解釋性 565
本章參考文獻 565
第19章 複雜網絡的鏈路預測算法及其應用研究 569
19.1 概述 569
19.2 問題描述 570
19.2.1 鏈路預測問題描述 570
19.2.2 社團劃分問題描述 571
19.3 發展現狀 572
19.3.1 鏈路預測發展現狀 572
19.3.2 社團劃分發展現狀 577
19.4 展望未來 581
本章參考文獻 582
第20章 心理學與人工智能 587
20.1 概述 587
20.1.1 心理學對人工智能的影響 588
20.1.2 人工智能對心理學發展的影響 588
20.2 心理學簡介 588
20.2.1 心理學的基本內容 589
20.2.2 心理活動的產生 590
20.2.3 認知心理學 590
20.3 人工智能對心理學的影響和應用 591
20.3.1 人工智能和認知心理學 591
20.3.2 人工智能在心理測量方面的應用 594
20.3.3 人工智能對心理實驗範式的影響 595
20.3.4 研究前沿 597
20.4 總結 599
本章參考文獻 599
第四篇 稀疏認知與神經網絡
第21章 多尺度幾何逼近與分析 603
21.1 概念的產生 603
21.2 從傅裡葉分析到小波分析 604
21.3 小波圖像逼近 606
21.4 人類視覺模型 609
21.5 圖像的多尺度幾何分析 609
21.5.1 自適應幾何逼近 610
21.5.2 Bandelet變換 611
21.5.3 脊波及單尺度脊波變換 614
21.5.4 Curvelet變換 616
21.5.5 Contourlet變換 618
21.6 問題與展望 621
本章參考文獻 624
第22章 神經網絡70年：從MP神經元到深度學習 628
22.1 引言 628
22.2 神經網絡發展回顧 630
22.3 深度學習研究進展 640
22.4 總結和展望 646
本章參考文獻 648
第23章 稀疏認知學習、計算與識別 660
23.1 引言 660
23.2 生物視覺稀疏認知機理的研究進展 661
23.2.1 生物視覺稀疏認知機理的生理實驗依據 661
23.2.2 生物視覺稀疏認知機理的研究目的 663
23.2.3 生物視覺稀疏認知機理的研究進展 663
23.3 基於生物視覺稀疏認知機理的學習與建模 664
23.3.1 V1區簡單細胞的稀疏性學習與建模 664
23.3.2 V1區複雜細胞的稀疏性學習與建模 665
23.3.3 腹側視覺通路的稀疏性學習與建模 666
23.4 稀疏認知計算模型的研究進展 668
23.4.1 稀疏編碼模型 668
23.4.2 結構化稀疏模型 670
23.4.3 層次化稀疏模型 671
23.4.4 三種模型之間的區別與聯繫 675
23.5 基於稀疏認知計算模型的目標識別 676
23.5.1 稀疏認知學習、計算與識別範式的脈絡結構 676
23.5.2 稀疏認知計算模型的應用概述 677
23.5.3 稀疏認知計算模型的目標識別示例 678
23.6 存在的問題及進一步研究的方向 680
23.6.1 存在的問題 680
23.6.2 進一步研究的方向 682
本章參考文獻 683
第24章 隨機優化應用於大規模機器學習 689
24.1 基本定義 690
24.2 應用于傳統機器學習問題的隨機優化 691
24.2.1 隨機梯度下降法(SGD) 692
24.2.2 隨機方差減少法 693
24.2.3 加速的隨機方差減少法 698
24.2.4 並行/分布式隨機優化 704
24.3 應用於深度學習問題的隨機優化 706
24.3.1 隨機梯度下降法 706
24.3.2 符號隨機優化算法 709
24.3.3 自適應學習率的隨機方法 711
24.3.4 優化下降方向的隨機方法 714
24.3.5 並行和分布式的優化算法 717
24.3.6 優化SGD的技巧 725
本章參考文獻 727
第25章 深度神經網絡並行化研究綜述 733
25.1 引言 733
25.2 神經網絡發展概況 734
25.3 軟硬件發展概況 739
25.3.1 硬件架構 739
25.3.2 並行編程框架 741
25.4 深度神經網絡的模型並行和數據並行 743
25.5 深度神經網絡開源軟件系統並行化方法 748
25.6 深度神經網絡並行化研究現狀 750
25.7 實驗測試 754
25.8 深度神經網絡並行化的挑戰和展望 758
25.9 總結 759
本章參考文獻 760
第26章 智能機器人 768
26.1 智能機器人 768
26.1.1 智能機器人的發展歷程與現狀 768
26.1.2 智能機器人的形式與類別 769
26.1.3 智能機器人的系統組成框架 771
26.1.4 智能機器人的關鍵技術 772
26.2 應用于智能機器人中的前饋神經網絡算法 777
26.2.1 基於反向傳播的前饋神經網絡 778
26.2.2 基於徑向基函數的前饋神經網絡 778
26.3 應用于智能機器人中的遞歸神經網絡算法 779
26.3.1 零化遞歸神經網絡 783
26.3.2 對偶遞歸神經網絡 786
26.3.3 變參收斂遞歸神經網絡 788
26.4 應用于智能機器人中的學習算法 790
26.4.1 深度學習 791
26.4.2 強化學習 795
26.5 智能機器人領域未來發展方向以及前沿技術 798
26.5.1 腦機接口技術 798
26.5.2 類腦型機器人控制與決策 800
26.5.3 遷移學習等高效智能學習算法 801
26.5.4 軟體仿生結構智能機器人 801
26.5.5 分布式人工智能以及群體機器人智能控制 802
26.5.6 基於雲計算和大數據的智能機器人 803
本章參考文獻 804
第1章 遙感腦 3
1.1 遙感數據的特點 3
1.2 遙感影像解譯存在的問題 5
1.3 海量遙感數據在軌處理 9
1.4 類腦計算理論 10
1.5 遙感腦 14
本章參考文獻 16
第2章 複雜影像語義分析 22
2.1 引言 22
2.2 研究現狀和研究動機 22
2.3 高分辨SAR圖像的素描圖 24
2.3.1 Marr的視覺計算理論 24
2.3.2 光學圖像的初始素描模型 25
2.3.3 初始素描圖的提取方法 26
2.3.4 高分辨SAR圖像的素描模型 29
2.3.5 高分辨SAR圖像素描圖的提取方法 29
2.4 結構區域圖及其在SAR圖像相干斑抑制中的應用 39
2.4.1 高分辨SAR圖像的初級視覺語義層 39
2.4.2 抑制相干斑任務驅動的結構區域圖的產生 40
2.4.3 基於幾何核函數測度和勻質區域搜索的SAR圖像相干斑抑制 41
2.5 語義素描圖及其在SAR圖像相干斑抑制中的應用 48
2.5.1 研究動機 48
2.5.2 語義素描圖中方向信息的傳遞 49
2.5.3 基於幾何結構塊相似性測度的非局部均值濾波方法 50
2.5.4 基於像素分類和自適應鄰域搜索的SAR圖像相干斑抑制 51
本章參考文獻 63
第3章 壓縮表示學習與深度推斷 67
3.1 壓縮的採樣與感知理論基礎 68
3.1.1 壓縮採樣算子 71
3.1.2 稀疏化信號表示模型 74
3.1.3 信號感知算法 83
3.2 表示學習與深度認知推斷 89
3.2.1 統計機器學習中的壓縮採樣 94
3.2.2 統計機器學習中的參數化模型 95
3.2.3 判別式模型學習與深度認知推理 102
3.2.4 生成式模型學習與深度認知推理 104
3.2.5 分析與討論 108
本章參考文獻 111
第4章 高分辨率遙感圖像理解 126
4.1 背景介紹 126
4.2 高分辨率遙感圖像目標檢測 126
4.2.1 引言 126
4.2.2 目標檢測方法綜述 126
4.2.3 目標檢測數據庫綜述 132
4.2.4 評價指標 134
4.2.5 方法對比 135
4.3 高分辨率遙感圖像場景分類 136
4.3.1 引言 136
4.3.2 遙感圖像場景分類方法綜述 137
4.3.3 場景分類數據庫綜述 143
4.3.4 評價指標 146
4.3.5 方法對比 146
本章參考文獻 148
第5章 基於圖像學習表徵和重排序的遙感影像內容檢索 157
5.1 基於內容的遙感圖像檢索 157
5.2 基於內容的遙感圖像檢索方法簡介 158
5.2.1 綜合完備的RSIR系統 158
5.2.2 解決CBIR領域相關技術難題的RSIR方法 160
5.2.3 RSIR技術的多方面應用 161
5.3 圖像重排序 162
5.4 圖像重排序方法介紹 163
5.4.1 相關反饋 164
5.4.2 不依賴樣本的重排序 164
5.5 基於內容的遙感圖像檢索、重排序問題的評價方式 165
5.6 基於內容的遙感圖像檢索、重排序問題的研究難點 166
本章參考文獻 167
第6章 基於稀疏特徵學習的圖像分割與半監督分類 178
6.1 稀疏表示的基礎理論 178
6.2 幾種新的稀疏表示模型 178
6.2.1 多核聯合稀疏圖 179
6.2.2 基於隨機子空間的集成稀疏表示 183
6.2.3 基於稀疏學習的模糊C-均值聚類算法 185
6.2.4 基於稀疏自表示與模糊雙C-均值聚類算法 190
6.3 基於稀疏學習的圖像分割 194
6.3.1 圖像預處理 194
6.3.2 基於稀疏特徵學習的圖像分割算法 195
6.4 基於稀疏學習的圖像半監督分類 195
6.4.1 基於人機交互的類標獲取方法 196
6.4.2 基於稀疏特徵學習的圖像半監督分類方法 197
本章參考文獻 198
第二篇 高光譜數據解譯
第7章 空譜信息聯合的高光譜遙感圖像混合像元分解綜述 209
7.1 引言 209
7.2 空譜信息聯合的高光譜解混 210
7.2.1 空譜信息聯合的端元識別方法 211
7.2.2 基於空間預處理的端元識別 213
7.2.3 基於超像素的端元識別 214
7.3 空譜信息聯合的高光譜稀疏解混 217
7.3.1 稀疏解混模型 218
7.3.2 空譜信息聯合的稀疏解混模型 220
7.4 實驗結果與分析 223
7.4.1 模擬數據實驗 223
7.4.2 真實數據實驗 225
7.5 總結與展望 229
本章參考文獻 229
第8章 不精確標記數據的多示例目標特性學習 234
8.1 背景介紹 234
8.1.1 高光譜圖像分析 235
8.1.2 高光譜圖像數據 235
8.1.3 高光譜解混 236
8.1.4 高光譜目標檢測 236
8.1.5 心衝擊圖信號分析 237
8.1.6 液壓傳感器床墊系統 238
8.1.7 心衝擊圖中的多示例學習問題 239
8.1.8 基於特徵簽名的檢測器 239
8.1.9 頻譜匹配濾波器 240
8.1.10 自適應一致/余弦估計器 240
8.1.11 混合檢測器 241
8.2 文獻綜述 242
8.2.1 多示例概念學習 242
8.2.2 多示例分類器學習 246
本章參考文獻 250
第9章 稀疏圖在高光譜數據維數約減中的應用 258
9.1 引言 258
9.2 常見的高光譜數據維數約減方法 260
9.2.1 基於譜帶選擇的維數約減方法介紹 261
9.2.2 基於特徵提取的維數約減方法介紹 263
9.2.3 基於稀疏圖學習的高光譜維數約減方法 265
9.2.4 基於雙稀疏圖的高光譜半監督維數約減方法 270
9.2.5 基於多圖集成的高光譜維數約減方法 275
9.2.6 基於空譜正則稀疏圖的高光譜譜帶選擇方法 278
9.3 本章小結 282
本章參考文獻 282
第10章 高光譜遙感圖像分類技術概述與發展 288
10.1 高光譜遙感技術基礎 288
10.1.1 高光譜遙感技術 288
10.1.2 成像光譜儀發展現狀 289
10.1.3 高光譜遙感圖像的數據特點 292
10.2 高光譜圖像分類及分類評價指標 294
10.2.1 高光譜遙感圖像數據 294
10.2.2 高光譜圖像分類評價指標 297
10.3 高光譜遙感圖像分類技術基礎 299
10.3.1 高光譜圖像分類中的特徵提取 299
10.3.2 表示分類算法 302
10.3.3 核變換及其屬性 304
10.4 高光譜遙感圖像分類研究現狀 306
10.4.1 高光譜遙感分類技術的現狀與挑戰 306
10.4.2 高光譜遙感空譜分類方法的研究現狀 309
10.4.3 深度學習方法在高光譜圖像分類中的研究現狀 310
本章參考文獻 314
第11章 空譜稀疏結構學習下的高光譜數據降維與分類 325
11.1 高光譜遙感信息處理前沿與挑戰 325
11.2 高光譜降維 328
11.3 高光譜分類 332
11.4 稀疏結構學習 335
11.5 高光譜解譯研究難點及未來研究方向 337
本章參考文獻 338
第三篇 計算智能與多目標優化
第12章 多目標進化優化 349
12.1 多目標優化問題 349
12.2 多目標進化算法簡介 349
12.2.1 基於Pareto的多目標進化算法 350
12.2.2 基於指標的多目標進化算法 351
12.2.3 基於分解的多目標進化算法 351
12.3 多目標進化算法的評價測度 352
12.3.1 收斂性 352
12.3.2 多樣性 353
12.3.3 均勻性 353
12.3.4 混合型 354
12.4 研究難點及現狀 354
12.4.1 決策空間複雜的多目標優化問題 354
12.4.2 目標空間複雜的多目標優化問題 355
12.4.3 運算代價昂貴的多目標優化問題 357
本章參考文獻 357
第13章 高維多目標粒子群優化算法綜述 368
13.1 引言 368
13.2 高維多目標粒子群優化算法進展 370
13.2.1 基於支配關係的高維多目標粒子群優化算法 371
13.2.2 基於分解方法的高維多目標粒子群優化算法 374
13.2.3 基於性能指標的高維多目標粒子群優化算法 377
13.2.4 基於參考點引導的高維多目標粒子群優化算法 378
13.2.5 基於偏好的高維多目標粒子群優化算法 380
13.2.6 基於維數約減的高維多目標粒子群優化算法 382
13.3 總結與展望 383
本章參考文獻 385
第14章 進化多目標模糊聚類圖像分割 394
14.1 圖像分割 394
14.1.1 研究背景及意義 394
14.1.2 傳統圖像分割方法 394
14.2 基於模糊C-均值聚類的圖像分割 397
14.3 多目標進化算法 401
14.3.1 進化計算簡述 401
14.3.2 多目標優化問題 402
14.3.3 多目標進化算法簡介 403
14.4 基於多目標進化算法與模糊聚類的圖像分割 404
14.5 總結與展望 408
本章參考文獻 408
第15章 協同進化計算與多智能體系統 413
15.1 從進化論到進化計算 413
15.1.1 現代進化論 413
15.1.2 生物進化與優化 415
15.2 進化計算 417
15.2.1 進化計算的主要分支 418
15.2.2 進化計算的數學基礎 420
15.2.3 進化算法的收斂理論 422
15.2.4 進化計算的應用 427
15.3 協同進化計算 428
15.3.1 協同進化的生物學基礎 428
15.3.2 協同進化的動力學描述 432
15.3.3 協同進化算法的發展現狀 434
15.4 複雜適應系統 437
15.4.1 複雜適應系統 437
15.4.2 複雜適應系統的適應性與生物進化過程 439
15.4.3 生物進化過程的數學模型 441
15.5 多智能體系統 444
15.5.1 智能體的基本概念 444
15.5.2 智能體形式化描述 447
15.5.3 多智能體系統的主要研究內容 451
15.5.4 面向問題解決的多智能體系統研究現狀 453
15.5.5 多智能體系統與分布式人工智能 455
15.5.6 多智能體系統與人工生命 457
15.5.7 多智能體系統與進化計算 459
本章參考文獻 461
第16章 量子計算智能前沿與進展 471
16.1 量子計算 471
16.1.1 量子算法 471
16.1.2 量子系統中的疊加、相干與坍縮 472
16.1.3 量子態的干涉 473
16.1.4 量子態的糾纏 474
16.1.5 量子計算的並行性 475
16.2 量子搜索與優化 476
16.2.1 Grover搜索算法 476
16.2.2 量子遺傳算法 477
16.2.3 量子粒子群智能算法 479
16.2.4 量子退火算法 482
16.2.5 量子免疫克隆算法 483
16.2.6 量子免疫克隆多目標優化算法 485
16.3 量子學習 486
16.3.1 量子聚類 486
16.3.2 量子神經網絡 487
16.3.3 量子貝葉斯網絡 488
16.3.4 量子小波變換 490
16.3.5 基於量子智能優化的數據聚類 491
16.3.6 基於量子智能優化的數據分類 494
16.3.7 基於量子智能優化的網絡學習 496
16.4 基於量子智能優化的應用 500
16.4.1 量子進化聚類圖像分割 500
16.4.2 量子免疫克隆聚類SAR圖像分割與變化檢測 502
16.4.3 量子粒子群醫學圖像分割 505
16.4.4 量子聚類社區檢測 508
16.4.5 基於CMOQPSO的環境/經濟調度優化 509
本章參考文獻 511
第17章 人工免疫系統 516
17.1 從免疫系統到人工免疫系統 516
17.2 人工免疫系統的研究領域 518
17.2.1 人工免疫系統模型的研究 518
17.2.2 人工免疫系統算法的研究 520
17.2.3 人工免疫系統方法的應用研究 525
17.3 人工免疫系統與其他方法的比較 528
17.3.1 人工免疫系統與進化計算 528
17.3.2 人工免疫系統與人工神經網絡 528
17.3.3 人工免疫系統與一般的確定性優化算法 530
17.4 免疫優化計算研究的新進展 531
17.4.1 免疫優化算法研究的主要進展 531
17.4.2 免疫優化計算理論分析的主要進展 536
17.5 問題與挑戰 539
本章參考文獻 539
第18章 基於深度學習的個性化推薦系統研究綜述 547
18.1 引言 547
18.2 傳統的個性化推薦系統概述 547
18.2.1 基於內容的推薦 548
18.2.2 協同過濾推薦 549
18.2.3 混合推薦 552
18.3 基於深度學習的個性化推薦 553
18.3.1 基於多層感知器的個性化推薦 554
18.3.2 基於自編碼器的個性化推薦 557
18.3.3 基於卷積神經網絡的個性化推薦 558
18.3.4 基於循環神經網絡的個性化推薦 560
18.3.5 混合推薦 562
18.4 基於深度學習的個性化推薦系統研究與展望 563
18.4.1 深度學習與傳統推薦方法相結合的個性化推薦 564
18.4.2 基於深度學習的跨領域信息融合的推薦 564
18.4.3 基於深度學習的個性化推薦的新架構 564
18.4.4 基於深度學習的推薦系統的可解釋性 565
本章參考文獻 565
第19章 複雜網絡的鏈路預測算法及其應用研究 569
19.1 概述 569
19.2 問題描述 570
19.2.1 鏈路預測問題描述 570
19.2.2 社團劃分問題描述 571
19.3 發展現狀 572
19.3.1 鏈路預測發展現狀 572
19.3.2 社團劃分發展現狀 577
19.4 展望未來 581
本章參考文獻 582
第20章 心理學與人工智能 587
20.1 概述 587
20.1.1 心理學對人工智能的影響 588
20.1.2 人工智能對心理學發展的影響 588
20.2 心理學簡介 588
20.2.1 心理學的基本內容 589
20.2.2 心理活動的產生 590
20.2.3 認知心理學 590
20.3 人工智能對心理學的影響和應用 591
20.3.1 人工智能和認知心理學 591
20.3.2 人工智能在心理測量方面的應用 594
20.3.3 人工智能對心理實驗範式的影響 595
20.3.4 研究前沿 597
20.4 總結 599
本章參考文獻 599
第四篇 稀疏認知與神經網絡
第21章 多尺度幾何逼近與分析 603
21.1 概念的產生 603
21.2 從傅裡葉分析到小波分析 604
21.3 小波圖像逼近 606
21.4 人類視覺模型 609
21.5 圖像的多尺度幾何分析 609
21.5.1 自適應幾何逼近 610
21.5.2 Bandelet變換 611
21.5.3 脊波及單尺度脊波變換 614
21.5.4 Curvelet變換 616
21.5.5 Contourlet變換 618
21.6 問題與展望 621
本章參考文獻 624
第22章 神經網絡70年：從MP神經元到深度學習 628
22.1 引言 628
22.2 神經網絡發展回顧 630
22.3 深度學習研究進展 640
22.4 總結和展望 646
本章參考文獻 648
第23章 稀疏認知學習、計算與識別 660
23.1 引言 660
23.2 生物視覺稀疏認知機理的研究進展 661
23.2.1 生物視覺稀疏認知機理的生理實驗依據 661
23.2.2 生物視覺稀疏認知機理的研究目的 663
23.2.3 生物視覺稀疏認知機理的研究進展 663
23.3 基於生物視覺稀疏認知機理的學習與建模 664
23.3.1 V1區簡單細胞的稀疏性學習與建模 664
23.3.2 V1區複雜細胞的稀疏性學習與建模 665
23.3.3 腹側視覺通路的稀疏性學習與建模 666
23.4 稀疏認知計算模型的研究進展 668
23.4.1 稀疏編碼模型 668
23.4.2 結構化稀疏模型 670
23.4.3 層次化稀疏模型 671
23.4.4 三種模型之間的區別與聯繫 675
23.5 基於稀疏認知計算模型的目標識別 676
23.5.1 稀疏認知學習、計算與識別範式的脈絡結構 676
23.5.2 稀疏認知計算模型的應用概述 677
23.5.3 稀疏認知計算模型的目標識別示例 678
23.6 存在的問題及進一步研究的方向 680
23.6.1 存在的問題 680
23.6.2 進一步研究的方向 682
本章參考文獻 683
第24章 隨機優化應用於大規模機器學習 689
24.1 基本定義 690
24.2 應用于傳統機器學習問題的隨機優化 691
24.2.1 隨機梯度下降法(SGD) 692
24.2.2 隨機方差減少法 693
24.2.3 加速的隨機方差減少法 698
24.2.4 並行/分布式隨機優化 704
24.3 應用於深度學習問題的隨機優化 706
24.3.1 隨機梯度下降法 706
24.3.2 符號隨機優化算法 709
24.3.3 自適應學習率的隨機方法 711
24.3.4 優化下降方向的隨機方法 714
24.3.5 並行和分布式的優化算法 717
24.3.6 優化SGD的技巧 725
本章參考文獻 727
第25章 深度神經網絡並行化研究綜述 733
25.1 引言 733
25.2 神經網絡發展概況 734
25.3 軟硬件發展概況 739
25.3.1 硬件架構 739
25.3.2 並行編程框架 741
25.4 深度神經網絡的模型並行和數據並行 743
25.5 深度神經網絡開源軟件系統並行化方法 748
25.6 深度神經網絡並行化研究現狀 750
25.7 實驗測試 754
25.8 深度神經網絡並行化的挑戰和展望 758
25.9 總結 759
本章參考文獻 760
第26章 智能機器人 768
26.1 智能機器人 768
26.1.1 智能機器人的發展歷程與現狀 768
26.1.2 智能機器人的形式與類別 769
26.1.3 智能機器人的系統組成框架 771
26.1.4 智能機器人的關鍵技術 772
26.2 應用于智能機器人中的前饋神經網絡算法 777
26.2.1 基於反向傳播的前饋神經網絡 778
26.2.2 基於徑向基函數的前饋神經網絡 778
26.3 應用于智能機器人中的遞歸神經網絡算法 779
26.3.1 零化遞歸神經網絡 783
26.3.2 對偶遞歸神經網絡 786
26.3.3 變參收斂遞歸神經網絡 788
26.4 應用于智能機器人中的學習算法 790
26.4.1 深度學習 791
26.4.2 強化學習 795
26.5 智能機器人領域未來發展方向以及前沿技術 798
26.5.1 腦機接口技術 798
26.5.2 類腦型機器人控制與決策 800
26.5.3 遷移學習等高效智能學習算法 801
26.5.4 軟體仿生結構智能機器人 801
26.5.5 分布式人工智能以及群體機器人智能控制 802
26.5.6 基於雲計算和大數據的智能機器人 803
本章參考文獻 804
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。