 書單推薦 新書推薦 |
人工智能、類腦計算與圖像解譯前沿 
定 價：268 元
當前圖書已被 14 所學校薦購過！
查看明細
9 7 6 8 5 7 4 5 9 6 9 0 7 
本書立足于西安電子科技大學人工智能學科優(yōu)勢，對人工智能、類腦計算與圖像解譯三個前沿領(lǐng)域進行了詳細的論述，主要內(nèi)容包括進化計算、人工免疫系統(tǒng)、量子計算智能、多智能體系統(tǒng)、多目標進化優(yōu)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(lǐng)域的國內(nèi)外發(fā)展現(xiàn)狀進行系統(tǒng)總結(jié)的同時，還重點闡述了作者對相關(guān)領(lǐng)域未來發(fā)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(shù)研究和實際應用起到一定的促進作用，為相關(guān)領(lǐng)域人才培養(yǎng)提供有效的學習內(nèi)容。
本書可以為計算機科學、信息科學、人工智能自動化技術(shù)等領(lǐng)域從事自然計算、機器學習、圖像處理研究的相關(guān)專業(yè)的技術(shù)人員提供參考。
人工智能（Artificial Intelligence）簡稱AI，此概念由麥肯錫等人在1956年的達特茅斯會議上首次提出。近十多年來，隨著人機交互的優(yōu)化、大數(shù)據(jù)的支持、模式識別技術(shù)的提升，人工智能的發(fā)展一日千里，小到我們手機里的計算器、Siri語音助手、人臉識別，大到無人駕駛汽車、航空衛(wèi)星數(shù)據(jù)智能解譯，都依賴于人工智能技術(shù)。人工智能已經(jīng)深入我們的生活。人們總希望使計算機或者機器能夠像人一樣合理地思考、合理地行動，并幫助人們解決現(xiàn)實中實際的問題，而要達到以上的功能，則需要計算機（機器人或者機器）具有知識表示、自動推理、計算機視覺、機器學習等能力。雖然人工智能正在各行各業(yè)中給人們帶來驚喜，但其距離人類的智慧水平還有相當?shù)木嚯x。
類腦智能是以神經(jīng)科學和人類認知行為機理為理論基礎(chǔ)，以計算模型為引擎，結(jié)合軟硬件加速共同形成的機器智能。類腦智能具有信息處理機制類腦、認知行為類人的特點，其最終目標是使機器通過模仿人腦的思維模式獲得各種人類認知和相互協(xié)同的能力，甚至超越人類的智能水平。類腦智能的研究范圍包括神經(jīng)科學、類腦模型訓練及處理算法和類腦硬件三個方面，它充分體現(xiàn)了腦科學、計算機科學、信息科學和人工智能等多學科的高度融合，其發(fā)展將會促進人工智能從專用型向通用型轉(zhuǎn)變，并向超越人類智能的方向逐步逼近。腦神經(jīng)科學被視為科學界“皇冠上的明珠”，近20年來成為發(fā)展最快的學科之一。一些傳統(tǒng)人工智能研究者目前已經(jīng)意識到借鑒腦信息處理的機制可能帶來的好處，而腦與神經(jīng)科學的進展也為人工智能借鑒腦信息處理機制提供了必要的基礎(chǔ)。腦與神經(jīng)科學的研究者們正在力圖將對腦信息處理的認識應用于更廣泛的科學領(lǐng)域。該學科的發(fā)展得益于信息技術(shù)與智能技術(shù)的發(fā)展，而反過來腦與神經(jīng)科學也將啟發(fā)下一代信息技術(shù)的變革。
從1990 年開始，在國家973計劃項目(2013CB329402，2006CB705707)，國家863計劃(863306ZT061、8633170399、2002AA135080、2006AA01Z107、2008AA01Z125和2009AA12Z210)，國家自然科學基金創(chuàng)新研究群體科學基金(61621005)，國家自然科學基金重點項目 (60133010、60703107、60703108、60872548和60803098) 及面上項目 (61272279、61473215、61371201、61373111、61303032、61271301、 61203303、 61522311、61573267、 61473215、61571342、 61572383 、61501353、 61502369、 61271302、61272282、61202176、61573267、61473215、61573015、60073053、60372045和60575037)，國家部委科技項目資助項目(XADZ2008159和51307040103)， 高等學校學科創(chuàng)新引智計劃(111計劃)(B07048)，重大研究計劃(91438201和91438103)， 教育部“長江學者和創(chuàng)新團隊發(fā)展計劃” (IRT_15R53和IRT0645)，陜西省自然科學基金 (2007F32和2009JQ8015)， 國家教育部博士點基金(20070701022和200807010003)， 中國博士后科學基金特別資助項目(200801426)，中國博士后科學基金資助項目(20080431228和20090451369 )及教育部重點科研項目(02073)的資助下，我們對人工智能、類腦智能理論、 算法及其在復雜影像解譯中的應用進行了較為系統(tǒng)的研究，尤其對神經(jīng)網(wǎng)絡(luò)優(yōu)化、學習及其在復雜影像內(nèi)容理解中的應用等進行了較為深入的探討。
本書內(nèi)容分為復雜影像內(nèi)容解譯、高光譜數(shù)據(jù)解譯、計算智能與多目標優(yōu)化、稀疏認知與神經(jīng)網(wǎng)絡(luò)四篇，共包含26章。第一篇包含6章，首先在“遙感腦”一章中詳細介紹遙感領(lǐng)域的類腦計算，之后各章分別介紹若干復雜影像內(nèi)容解譯的相關(guān)工作，例如“復雜影像語義分析”“高分辨率遙感圖像理解”等；第二篇針對高光譜數(shù)據(jù)的解譯工作，用5章介紹了混合像元分解、多示例目標特性學習以及維數(shù)約減等方法；第三篇共包括9章，分別從多目標進化優(yōu)化、協(xié)同進化計算與多智能體系統(tǒng)、量子計算智能前沿與進展、人工免疫系統(tǒng)等方面闡述了計算智能與多目標優(yōu)化的理論方法以及發(fā)展前沿；第四篇以“多尺度幾何逼近與分析”開篇，之后從神經(jīng)網(wǎng)絡(luò)、稀疏認知、智能機器人等方面分別介紹了類腦智能的相關(guān)工作，共包含6章。希望本書能為讀者呈現(xiàn)出人工智能、類腦計算與圖像解譯較為全面的脈絡(luò)、趨勢和圖景。
本書是西安電子科技大學智能感知與圖像理解教育部重點實驗室、 智能感知與計算國際聯(lián)合實驗室、國家“111計劃”創(chuàng)新引智基地、國家2011信息感知協(xié)同創(chuàng)新中心、 大數(shù)據(jù)智能感知與計算協(xié)同創(chuàng)新中心、智能信息處理研究所等集體智慧的結(jié)晶。感謝集體中每一位同仁的奉獻。特別感謝保錚院士多年來的悉心培養(yǎng)和指導，感謝中國科學技術(shù)大學陳國良院士的指導和幫助，感謝國家自然科學基金委員會信息科學部的大力支持，感謝陳莉教授、韓軍偉教授、張智軍教授、李軍教授、程塨研究員的幫助，感謝焦李成、唐旭、王丹等智能感知與圖像理解教育部重點實驗室成員所付出的辛勤勞動，感謝西安電子科技大學對本書的主持，感謝人工智能學院全體老師對本書的付出，感謝西安電子科技大學出版社胡方明社長、闊永紅總編、毛紅兵副總編、高維岳社長助理、馬樂惠編輯的辛苦付出。
由于作者水平有限，書中不妥之處在所難免，懇請讀者批評指正。
第一篇 復雜影像內(nèi)容解譯
第1章 遙感腦 3
1.1 遙感數(shù)據(jù)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(shù)據(jù)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 復雜影像語義分析 22
2.1 引言 22
2.2 研究現(xiàn)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(jié)構(gòu)區(qū)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(qū)動的結(jié)構(gòu)區(qū)域圖的產(chǎn)生 40
2.4.3 基于幾何核函數(shù)測度和勻質(zhì)區(qū)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 基于幾何結(jié)構(gòu)塊相似性測度的非局部均值濾波方法 50
2.5.4 基于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 壓縮的采樣與感知理論基礎(chǔ) 68
3.1.1 壓縮采樣算子 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(tǒng)計機器學習中的壓縮采樣 94
3.2.2 統(tǒng)計機器學習中的參數(shù)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(shù)據(jù)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(shù)據(jù)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 基于圖像學習表征和重排序的遙感影像內(nèi)容檢索 157
5.1 基于內(nèi)容的遙感圖像檢索 157
5.2 基于內(nèi)容的遙感圖像檢索方法簡介 158
5.2.1 綜合完備的RSIR系統(tǒng) 158
5.2.2 解決CBIR領(lǐng)域相關(guān)技術(shù)難題的RSIR方法 160
5.2.3 RSIR技術(shù)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(guān)反饋 164
5.4.2 不依賴樣本的重排序 164
5.5 基于內(nèi)容的遙感圖像檢索、重排序問題的評價方式 165
5.6 基于內(nèi)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 基于稀疏特征學習的圖像分割與半監(jiān)督分類 178
6.1 稀疏表示的基礎(chǔ)理論 178
6.2 幾種新的稀疏表示模型 178
6.2.1 多核聯(lián)合稀疏圖 179
6.2.2 基于隨機子空間的集成稀疏表示 183
6.2.3 基于稀疏學習的模糊C均值聚類算法 185
6.2.4 基于稀疏自表示與模糊雙C均值聚類算法 190
6.3 基于稀疏學習的圖像分割 194
6.3.1 圖像預處理 194
6.3.2 基于稀疏特征學習的圖像分割算法 195
6.4 基于稀疏學習的圖像半監(jiān)督分類 195
6.4.1 基于人機交互的類標獲取方法 196
6.4.2 基于稀疏特征學習的圖像半監(jiān)督分類方法 197
本章參考文獻 198
第二篇 高光譜數(shù)據(jù)解譯
第7章 空譜信息聯(lián)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(lián)合的高光譜解混 210
7.2.1 空譜信息聯(lián)合的端元識別方法 211
7.2.2 基于空間預處理的端元識別 213
7.2.3 基于超像素的端元識別 214
7.3 空譜信息聯(lián)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(lián)合的稀疏解混模型 220
7.4 實驗結(jié)果與分析 223
7.4.1 模擬數(shù)據(jù)實驗 223
7.4.2 真實數(shù)據(jù)實驗 225
7.5 總結(jié)與展望 229
本章參考文獻 229
第8章 不精確標記數(shù)據(jù)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(shù)據(jù) 235
8.1.3 高光譜解混 236
8.1.4 高光譜目標檢測 236
8.1.5 心沖擊圖信號分析 237
8.1.6 液壓傳感器床墊系統(tǒng) 238
8.1.7 心沖擊圖中的多示例學習問題 239
8.1.8 基于特征簽名的檢測器 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(shù)據(jù)維數(shù)約減中的應用 258
9.1 引言 258
9.2 常見的高光譜數(shù)據(jù)維數(shù)約減方法 260
9.2.1 基于譜帶選擇的維數(shù)約減方法介紹 261
9.2.2 基于特征提取的維數(shù)約減方法介紹 263
9.2.3 基于稀疏圖學習的高光譜維數(shù)約減方法 265
9.2.4 基于雙稀疏圖的高光譜半監(jiān)督維數(shù)約減方法 270
9.2.5 基于多圖集成的高光譜維數(shù)約減方法 275
9.2.6 基于空譜正則稀疏圖的高光譜譜帶選擇方法 278
9.3 本章小結(jié) 282
本章參考文獻 282
第10章 高光譜遙感圖像分類技術(shù)概述與發(fā)展 288
10.1 高光譜遙感技術(shù)基礎(chǔ) 288
10.1.1 高光譜遙感技術(shù) 288
10.1.2 成像光譜儀發(fā)展現(xiàn)狀 289
10.1.3 高光譜遙感圖像的數(shù)據(jù)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(shù)據(jù) 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(shù)基礎(chǔ) 299
10.3.1 高光譜圖像分類中的特征提取 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(xiàn)狀 306
10.4.1 高光譜遙感分類技術(shù)的現(xiàn)狀與挑戰(zhàn) 306
10.4.2 高光譜遙感空譜分類方法的研究現(xiàn)狀 309
10.4.3 深度學習方法在高光譜圖像分類中的研究現(xiàn)狀 310
本章參考文獻 314
第11章 空譜稀疏結(jié)構(gòu)學習下的高光譜數(shù)據(jù)降維與分類 325
11.1 高光譜遙感信息處理前沿與挑戰(zhàn) 325
11.2 高光譜降維 328
11.3 高光譜分類 332
11.4 稀疏結(jié)構(gòu)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(yōu)化
第12章 多目標進化優(yōu)化 349
12.1 多目標優(yōu)化問題 349
12.2 多目標進化算法簡介 349
12.2.1 基于Pareto的多目標進化算法 350
12.2.2 基于指標的多目標進化算法 351
12.2.3 基于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(xiàn)狀 354
12.4.1 決策空間復雜的多目標優(yōu)化問題 354
12.4.2 目標空間復雜的多目標優(yōu)化問題 355
12.4.3 運算代價昂貴的多目標優(yōu)化問題 357
本章參考文獻 357
第13章 高維多目標粒子群優(yōu)化算法綜述 368
13.1 引言 368
13.2 高維多目標粒子群優(yōu)化算法進展 370
13.2.1 基于支配關(guān)系的高維多目標粒子群優(yōu)化算法 371
13.2.2 基于分解方法的高維多目標粒子群優(yōu)化算法 374
13.2.3 基于性能指標的高維多目標粒子群優(yōu)化算法 377
13.2.4 基于參考點引導的高維多目標粒子群優(yōu)化算法 378
13.2.5 基于偏好的高維多目標粒子群優(yōu)化算法 380
13.2.6 基于維數(shù)約減的高維多目標粒子群優(yōu)化算法 382
13.3 總結(jié)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(tǒng)圖像分割方法 394
14.2 基于模糊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(yōu)化問題 402
14.3.3 多目標進化算法簡介 403
14.4 基于多目標進化算法與模糊聚類的圖像分割 404
14.5 總結(jié)與展望 408
本章參考文獻 408
第15章 協(xié)同進化計算與多智能體系統(tǒng) 413
15.1 從進化論到進化計算 413
15.1.1 現(xiàn)代進化論 413
15.1.2 生物進化與優(yōu)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(shù)學基礎(chǔ) 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(xié)同進化計算 428
15.3.1 協(xié)同進化的生物學基礎(chǔ) 428
15.3.2 協(xié)同進化的動力學描述 432
15.3.3 協(xié)同進化算法的發(fā)展現(xiàn)狀 434
15.4 復雜適應系統(tǒng) 437
15.4.1 復雜適應系統(tǒng) 437
15.4.2 復雜適應系統(tǒng)的適應性與生物進化過程 439
15.4.3 生物進化過程的數(shù)學模型 441
15.5 多智能體系統(tǒng) 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(tǒng)的主要研究內(nèi)容 451
15.5.4 面向問題解決的多智能體系統(tǒng)研究現(xiàn)狀 453
15.5.5 多智能體系統(tǒng)與分布式人工智能 455
15.5.6 多智能體系統(tǒng)與人工生命 457
15.5.7 多智能體系統(tǒng)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(tǒng)中的疊加、相干與坍縮 472
16.1.3 量子態(tài)的干涉 473
16.1.4 量子態(tài)的糾纏 474
16.1.5 量子計算的并行性 475
16.2 量子搜索與優(yōu)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(yōu)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(jīng)網(wǎng)絡(luò) 487
16.3.3 量子貝葉斯網(wǎng)絡(luò) 488
16.3.4 量子小波變換 490
16.3.5 基于量子智能優(yōu)化的數(shù)據(jù)聚類 491
16.3.6 基于量子智能優(yōu)化的數(shù)據(jù)分類 494
16.3.7 基于量子智能優(yōu)化的網(wǎng)絡(luò)學習 496
16.4 基于量子智能優(yōu)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(yī)學圖像分割 505
16.4.4 量子聚類社區(qū)檢測 508
16.4.5 基于CMOQPSO的環(huán)境/經(jīng)濟調(diào)度優(yōu)化 509
本章參考文獻 511
第17章 人工免疫系統(tǒng) 516
17.1 從免疫系統(tǒng)到人工免疫系統(tǒng) 516
17.2 人工免疫系統(tǒng)的研究領(lǐng)域 518
17.2.1 人工免疫系統(tǒng)模型的研究 518
17.2.2 人工免疫系統(tǒng)算法的研究 520
17.2.3 人工免疫系統(tǒng)方法的應用研究 525
17.3 人工免疫系統(tǒng)與其他方法的比較 528
17.3.1 人工免疫系統(tǒng)與進化計算 528
17.3.2 人工免疫系統(tǒng)與人工神經(jīng)網(wǎng)絡(luò) 528
17.3.3 人工免疫系統(tǒng)與一般的確定性優(yōu)化算法 530
17.4 免疫優(yōu)化計算研究的新進展 531
17.4.1 免疫優(yōu)化算法研究的主要進展 531
17.4.2 免疫優(yōu)化計算理論分析的主要進展 536
17.5 問題與挑戰(zhàn) 539
本章參考文獻 539
第18章 基于深度學習的個性化推薦系統(tǒng)研究綜述 547
18.1 引言 547
18.2 傳統(tǒng)的個性化推薦系統(tǒng)概述 547
18.2.1 基于內(nèi)容的推薦 548
18.2.2 協(xié)同過濾推薦 549
18.2.3 混合推薦 552
18.3 基于深度學習的個性化推薦 553
18.3.1 基于多層感知器的個性化推薦 554
18.3.2 基于自編碼器的個性化推薦 557
18.3.3 基于卷積神經(jīng)網(wǎng)絡(luò)的個性化推薦 558
18.3.4 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的個性化推薦 560
18.3.5 混合推薦 562
18.4 基于深度學習的個性化推薦系統(tǒng)研究與展望 563
18.4.1 深度學習與傳統(tǒng)推薦方法相結(jié)合的個性化推薦 564
18.4.2 基于深度學習的跨領(lǐng)域信息融合的推薦 564
18.4.3 基于深度學習的個性化推薦的新架構(gòu) 564
18.4.4 基于深度學習的推薦系統(tǒng)的可解釋性 565
本章參考文獻 565
第19章 復雜網(wǎng)絡(luò)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(fā)展現(xiàn)狀 572
19.3.1 鏈路預測發(fā)展現(xiàn)狀 572
19.3.2 社團劃分發(fā)展現(xiàn)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(fā)展的影響 588
20.2 心理學簡介 588
20.2.1 心理學的基本內(nèi)容 589
20.2.2 心理活動的產(chǎn)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范式的影響 595
20.3.4 研究前沿 597
20.4 總結(jié) 599
本章參考文獻 599
第四篇 稀疏認知與神經(jīng)網(wǎng)絡(luò)
第21章 多尺度幾何逼近與分析 603
21.1 概念的產(chǎn)生 603
21.2 從傅里葉分析到小波分析 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(jīng)網(wǎng)絡(luò)70年：從MP神經(jīng)元到深度學習 628
22.1 引言 628
22.2 神經(jīng)網(wǎng)絡(luò)發(fā)展回顧 630
22.3 深度學習研究進展 640
22.4 總結(jié)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(jù) 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 基于生物視覺稀疏認知機理的學習與建模 664
23.3.1 V1區(qū)簡單細胞的稀疏性學習與建模 664
23.3.2 V1區(qū)復雜細胞的稀疏性學習與建模 665
23.3.3 腹側(cè)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(jié)構(gòu)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(qū)別與聯(lián)系 675
23.5 基于稀疏認知計算模型的目標識別 676
23.5.1 稀疏認知學習、計算與識別范式的脈絡(luò)結(jié)構(gòu) 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(yōu)化應用于大規(guī)模機器學習 689
24.1 基本定義 690
24.2 應用于傳統(tǒng)機器學習問題的隨機優(yōu)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 并行/分布式隨機優(yōu)化 704
24.3 應用于深度學習問題的隨機優(yōu)化 706
24.3.1 隨機梯度下降法 706
24.3.2 符號隨機優(yōu)化算法 709
24.3.3 自適應學習率的隨機方法 711
24.3.4 優(yōu)化下降方向的隨機方法 714
24.3.5 并行和分布式的優(yōu)化算法 717
24.3.6 優(yōu)化SGD的技巧 725
本章參考文獻 727
第25章 深度神經(jīng)網(wǎng)絡(luò)并行化研究綜述 733
25.1 引言 733
25.2 神經(jīng)網(wǎng)絡(luò)發(fā)展概況 734
25.3 軟硬件發(fā)展概況 739
25.3.1 硬件架構(gòu) 739
25.3.2 并行編程框架 741
25.4 深度神經(jīng)網(wǎng)絡(luò)的模型并行和數(shù)據(jù)并行 743
25.5 深度神經(jīng)網(wǎng)絡(luò)開源軟件系統(tǒng)并行化方法 748
25.6 深度神經(jīng)網(wǎng)絡(luò)并行化研究現(xiàn)狀 750
25.7 實驗測試 754
25.8 深度神經(jīng)網(wǎng)絡(luò)并行化的挑戰(zhàn)和展望 758
25.9 總結(jié) 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(fā)展歷程與現(xiàn)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(tǒng)組成框架 771
26.1.4 智能機器人的關(guān)鍵技術(shù) 772
26.2 應用于智能機器人中的前饋神經(jīng)網(wǎng)絡(luò)算法 777
26.2.1 基于反向傳播的前饋神經(jīng)網(wǎng)絡(luò) 778
26.2.2 基于徑向基函數(shù)的前饋神經(jīng)網(wǎng)絡(luò) 778
26.3 應用于智能機器人中的遞歸神經(jīng)網(wǎng)絡(luò)算法 779
26.3.1 零化遞歸神經(jīng)網(wǎng)絡(luò) 783
26.3.2 對偶遞歸神經(jīng)網(wǎng)絡(luò) 786
26.3.3 變參收斂遞歸神經(jīng)網(wǎng)絡(luò) 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(lǐng)域未來發(fā)展方向以及前沿技術(shù) 798
26.5.1 腦機接口技術(shù) 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(jié)構(gòu)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 基于云計算和大數(shù)據(jù)的智能機器人 803
本章參考文獻 804
你還可能感興趣
我要評論
|
