本書系統(tǒng)全面地介紹了人工智能與信息感知理論與實踐的內(nèi)容。依據(jù)信息感知系統(tǒng)的組成、特點以及信息感知過程，以感知、融合、智能處理為主線，重點介紹了面向信息感知處理背景下的人工智能前沿理論與方法。內(nèi)容包括：信息感知與數(shù)據(jù)融合基本原理與方法；神經(jīng)計算基本方法，神經(jīng)計算實現(xiàn)技術(shù)以及支持向量機；深度學習中典型神經(jīng)網(wǎng)絡(luò)實現(xiàn)及其應(yīng)用；模糊邏輯計算中模糊邏輯與模糊推理、模糊計算實現(xiàn)和應(yīng)用；進化計算中遺傳算法、粒群智能、蟻群智能等方法和實例。
本書可作為高等院校電子、計算機、測控技術(shù)、自動化等相關(guān)專業(yè)本科生、研究生的教材，也可作為工程技術(shù)人員開展人工智能與信息感知實踐的重要參考書。
在人工智能火熱的大背景下，本書著眼于人工智能與信息感知的交叉領(lǐng)域，涵蓋了信息感知、數(shù)據(jù)融合、神經(jīng)計算、深度學習、支持向量機、模糊計算、遺傳算法和粒群智能等內(nèi)容，為人工智能未來的發(fā)展提供了新的方向。本書邏輯清晰、內(nèi)容嚴謹、算例豐富，具有極高的學術(shù)價值，堪稱本領(lǐng)域不可多得的佳作。
人工智能研究正迅速發(fā)展，無論是學術(shù)界還是產(chǎn)業(yè)界都競相關(guān)注。創(chuàng)新人工智能領(lǐng)域，探尋人工智能的根源，理解人類智能是未來人工智能領(lǐng)域的重大科學挑戰(zhàn)。2006 年以來，以深度學習為代表的機器學習算法在機器視覺和語音識別等領(lǐng)域取得了極大的成功，使人工智能再次受到學術(shù)界和產(chǎn)業(yè)界的廣泛關(guān)注。人工智能是國際競爭的新焦點。作為引領(lǐng)未來的戰(zhàn)略性技術(shù)之一，發(fā)展人工智能是提升國家核心競爭力、維護國家安全的重大戰(zhàn)略。我國相繼出臺規(guī)劃政策，圍繞技術(shù)、人才、標準等進行部署，希望在新一輪科技領(lǐng)域中掌握主導權(quán)。人工智能是經(jīng)濟發(fā)展的新引擎。作為新一輪產(chǎn)業(yè)變革的核心驅(qū)動力，人工智能釋放歷次科技革命和產(chǎn)業(yè)變革積蓄的巨大能量，并創(chuàng)造新的經(jīng)濟發(fā)展引擎，引發(fā)經(jīng)濟結(jié)構(gòu)重大變革，深刻改變?nèi)祟惿a(chǎn)生活方式，實現(xiàn)社會生產(chǎn)力的整體躍升。人工智能發(fā)展將從知識表達到大數(shù)據(jù)驅(qū)動知識學習，轉(zhuǎn)向數(shù)據(jù)驅(qū)動和知識指導相結(jié)合； 從數(shù)據(jù)分類處理邁向跨媒體認知、學習和推理； 從智能機器、人機協(xié)同融合到增強智能； 從個體智能到網(wǎng)絡(luò)群體智能； 從機器人走向引領(lǐng)社會和工業(yè)等領(lǐng)域的深度智能。信息感知利用傳感系統(tǒng)對被測對象變化進行測量，是信息處理的首要環(huán)節(jié)。信息感知測量系統(tǒng)具有感、知、聯(lián)一體化的功能，涉及數(shù)據(jù)采集、數(shù)據(jù)傳輸與信息處理，具有包括信息采集、過濾、壓縮、融合等環(huán)節(jié)。信息采集是獲取測量信息，提高信息的準確性；信息過濾是對采集到的信息進行有效特征提��；信息壓縮是實現(xiàn)冗余數(shù)據(jù)去除；信息融合是對多傳感器感知的信息進行融合處理、識別或判別。信息感知是人工智能與現(xiàn)實世界交互的基礎(chǔ)和關(guān)鍵，是人工智能服務(wù)于工業(yè)社會的重要橋梁。人工智能通過對感知的信號與信息進行識別、判斷、預(yù)測和決策，對不確定信息進行整理挖掘，實現(xiàn)高效的信息感知，讓物理系統(tǒng)更加智能。人工智能與信息感知作為高度關(guān)注的熱門領(lǐng)域，將兩者進行有機結(jié)合具有重要的理論與應(yīng)用價值。本書作者于2008年出版了《測試智能信息處理》（清華大學出版社）一書，在此基礎(chǔ)上根據(jù)當前國內(nèi)外人工智能與信息感知領(lǐng)域發(fā)展趨勢和研究成果進行了全面的拓展和修訂，增加了信息感知與數(shù)據(jù)融合、深度學習等人工智能與信息感知技術(shù)。本書以信息感知系統(tǒng)的感知、融合、人工智能處理為主線，介紹了人工智能與信息感知領(lǐng)域的前沿理論與方法。本書共分為10章。第1章是人工智能信息感知概述； 第2章是信息感知與數(shù)據(jù)融合； 第3章是神經(jīng)計算基礎(chǔ)； 第4章是神經(jīng)計算基本方法； 第5章是深度學習； 第6章是支持向量機； 第7章是模糊邏輯與模糊推理基本方法； 第8章是模糊計算實現(xiàn)； 第9章是遺傳算法； 第10章是粒群智能。本書基本框架如下頁圖所示。
戴鵬、張鵬博、畢道偉、劉佑達、戴逸翔、劉晏池、張蔚航、游偉等參與討論和部分內(nèi)容的撰寫及后期的文字錄入、校對、繪圖與實例驗證工作。本書還參考和引用了相關(guān)的論文和書籍等資料，在此一并對上述人員和文獻作者表示衷心的感謝。特別感謝我的妻子和女兒的鼓勵與支持，還要感謝我的父母和所有給予我支持和幫助的朋友，謹以此書獻給他們。最后還要特別感謝清華大學出版社的張秋玲老師、劉嘉一老師，在本書的編寫過程中他們給予了很多富有建設(shè)性的意見和建議。衷心感謝清華大學出版社的支持。本書的出版得到了國家搞技術(shù)研究發(fā)展計劃（863）、國家重點基礎(chǔ)研究發(fā)展計劃（973）、 十三五國家重點研發(fā)計劃等相關(guān)項目和國家自然科學基金項目（61272428、61472216）的支持，在此表示衷心感謝。《人工智能與信息感知》涉及多個新興交叉學科，新的理論、方法與應(yīng)用層出不窮，有待進一步深入研究和探索，書中一些內(nèi)容僅供讀者參考。由于水平有限，時間倉促，書中不妥之處在所難免，希望讀者朋友不吝賜教。
王雪2018年2月于清華園
第1章概述
1．1智能信息感知的產(chǎn)生及其發(fā)展
1．1．1智能感知系統(tǒng)的組成與特點
1．1．2智能計算的產(chǎn)生與發(fā)展
1．2人工智能信息感知技術(shù)關(guān)鍵
1．2．1神經(jīng)計算技術(shù)
1．2．2深度學習
1．2．3模糊計算技術(shù)
1．2．4進化計算技術(shù)
參考文獻
第2章信息感知與數(shù)據(jù)融合
2．1概述
2．2協(xié)作感知與數(shù)據(jù)融合
2．2．1網(wǎng)絡(luò)化智能協(xié)作感知
2．2．2多傳感器數(shù)據(jù)融合
2．3多傳感數(shù)據(jù)融合基本原理
2．3．1多傳感器數(shù)據(jù)融合目標
2．3．2多傳感器數(shù)據(jù)融合的層次與結(jié)構(gòu)
2．3．3數(shù)據(jù)融合中的檢測、分類與識別算法
2．3．4典型的數(shù)據(jù)融合方法
2．3．5多傳感器數(shù)據(jù)融合方法的特點
2．4自適應(yīng)動態(tài)數(shù)據(jù)融合方法
2．4．1測量模型與方法簡述
2．4．2測量數(shù)據(jù)范圍的推導
2．4．3最優(yōu)范圍的確定
參考文獻
第3章神經(jīng)計算基礎(chǔ)
3.1人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
3.1.1人工神經(jīng)網(wǎng)絡(luò)的提出
3.1.2人工神經(jīng)網(wǎng)絡(luò)的特點
3.1.3歷史回顧
3.1.4生物神經(jīng)網(wǎng)絡(luò)
3.1.5人工神經(jīng)元
3.1.6人工神經(jīng)網(wǎng)絡(luò)的拓撲特性
3.1.7存儲與映射
3.1.8人工神經(jīng)網(wǎng)絡(luò)的訓練
3.2感知器
3.2.1感知器與人工神經(jīng)網(wǎng)絡(luò)的早期發(fā)展
3.2.2感知器的學習算法
3.2.3線性不可分問題
參考文獻
第4章神經(jīng)計算基本方法
4.1BP網(wǎng)絡(luò)
4.1.1BP網(wǎng)絡(luò)簡介
4.1.2基本BP算法
4.1.3BP算法的實現(xiàn)
4.1.4BP算法的理論基礎(chǔ)
4.1.5幾個問題的討論
4.2徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)
4.2.1函數(shù)逼近與內(nèi)插
4.2.2正規(guī)化理論
4.2.3RBF網(wǎng)絡(luò)的學習
4.2.4RBF網(wǎng)絡(luò)的一些變形
4.3Hopfield反饋神經(jīng)網(wǎng)絡(luò)
4.3.1聯(lián)想存儲器
4.3.2反饋網(wǎng)絡(luò)
4.3.3用反饋網(wǎng)絡(luò)作聯(lián)想存儲器
4.3.4相關(guān)學習算法
4.3.5反饋網(wǎng)絡(luò)用于優(yōu)化計算
4.4隨機型神經(jīng)網(wǎng)絡(luò)
4.4.1模擬退火算法
4.4.2Boltzmann機
4.4.3Gaussian機
4.5自組織競爭網(wǎng)絡(luò)
4.5.1SOFM網(wǎng)絡(luò)結(jié)構(gòu)
4.5.2SOFM網(wǎng)絡(luò)的應(yīng)用
4.5.3ART神經(jīng)網(wǎng)絡(luò)
4.6神經(jīng)網(wǎng)絡(luò)計算的組織
4.6.1輸入層和輸出層設(shè)計
4.6.2網(wǎng)絡(luò)數(shù)據(jù)的準備
4.6.3網(wǎng)絡(luò)初始權(quán)值的選擇
4.6.4隱層數(shù)及隱層節(jié)點設(shè)計
4.6.5網(wǎng)絡(luò)的訓練、檢測及性能評價
參考文獻
第5章深度學習
5．1深度學習概述
5．1．1深度學習定義
5．1．2深度學習特點
5．1．3深度學習平臺
5．2自編碼器
5．2．1稀疏自編碼器
5．2．2多層自編碼器表示
5．2．3各類自編碼器介紹
5．3深度神經(jīng)網(wǎng)絡(luò)
5．3．1多層神經(jīng)網(wǎng)絡(luò)近似定理
5．3．2深度置信網(wǎng)絡(luò)
5．3．3深層玻爾茲曼機
5．3．4深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分析
5．4卷積神經(jīng)網(wǎng)絡(luò)
5．4．1卷積與池化
5．4．2卷積核
5．4．3卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
5．5遞歸神經(jīng)網(wǎng)絡(luò)
5．5．1展開計算圖
5．5．2回聲狀態(tài)網(wǎng)絡(luò)
5．5．3門控增強單元
5．5．4長短時記憶單元
5．6深度增強學習
5．6．1增強學習
5．6．2馬爾可夫決策
5．6．3決策迭代
5．6．4QLearning算法
5．6．5深度增強網(wǎng)絡(luò)
5．7深度學習應(yīng)用
5．7．1視覺感知
5．7．2語音識別
5．7．3自然語言處理
5．7．4生物信息處理
參考文獻
第6章支持向量機
6.1統(tǒng)計學習理論的基本內(nèi)容
6.1.1機器學習的基本問題
6.1.2學習機的復(fù)雜性與推廣能力
6.1.3統(tǒng)計學習的基本理論
6.2支持向量機
6.2.1最大間隔分類支持向量機
6.2.2軟間隔分類支持向量機
6.2.3基于核的支持向量機
6.3多分類支持向量機
6.3.1直接法
6.3.2分解法
6.4基于SVM的機械設(shè)備故障診斷
6.4.1實驗平臺及故障信號獲取
6.4.2基于小波包變換的故障特征提取
6.4.3基于多類分類SVM的故障診斷識別
參考文獻
第7章模糊邏輯與模糊推理基本方法
7.1模糊邏輯的歷史
7.2模糊集
7.3隸屬函數(shù)
7.3.1隸屬函數(shù)的幾種確定方法
7.3.2幾種常用的隸屬函數(shù)
7.3.3模糊邏輯工具箱內(nèi)置的隸屬函數(shù)
7.4模糊運算與模糊推理
7.4.1模糊運算
7.4.2模糊規(guī)則與模糊推理
7.4.3Mamdani型推理與Sugeno型推理
7.5模糊系統(tǒng)
7.5.1模糊系統(tǒng)的結(jié)構(gòu)
7.5.2模糊控制器的設(shè)計
7.5.3神經(jīng)模糊系統(tǒng)
7.5.4自適應(yīng)模糊模型
7.5.5自適應(yīng)模糊控制系統(tǒng)
第8章模糊計算實現(xiàn)
8.1模糊推理過程
8.1.1模糊推理過程的步驟
8.1.2自定義模糊推理
8.2模糊邏輯工具箱的圖形界面工具
8.2.1FIS編輯器
8.2.2隸屬函數(shù)編輯器
8.2.3模糊規(guī)則編輯器
8.2.4模糊規(guī)則觀察器
8.2.5輸出曲面觀察器
8.2.6自定義模糊推理系統(tǒng)
8.3模糊邏輯工具箱的命令行工作方式
8.3.1系統(tǒng)結(jié)構(gòu)函數(shù)
8.3.2系統(tǒng)顯示函數(shù)
8.3.3在命令行中建立系統(tǒng)
8.3.4FIS求解
8.3.5FIS結(jié)構(gòu)
8.4神經(jīng)模糊推理編輯器ANFIS
8.4.1神經(jīng)模糊推理
8.4.2ANFIS編輯器
8.4.3應(yīng)用ANFIS編輯器的步驟
參考文獻
第9章遺傳算法
9.1遺傳優(yōu)化算法基礎(chǔ)
9.1.1遺傳算法的產(chǎn)生與發(fā)展
9.1.2遺傳算法概要
9.1.3遺傳算法的應(yīng)用情況
9.1.4基本遺傳算法
9.1.5模式定理
9.1.6遺傳算法的改進
9.1.7遺傳算法與函數(shù)最優(yōu)化
9.1.8遺傳算法與系統(tǒng)辨識
9.1.9遺傳算法與神經(jīng)控制
9.2遺傳優(yōu)化算法的工程應(yīng)用
9.2.1遺傳算法在無約束優(yōu)化中的應(yīng)用
9.2.2遺傳算法在非線性規(guī)劃中的應(yīng)用
參考文獻
第10章粒群智能
10.1引言
10.1.1微粒群算法綜述
10.1.2微粒群算法的研究方向
10.2微粒群算法的基本原理
10.2.1引言
10.2.2基本微粒群算法
10.2.3基本微粒群算法的社會行為分析
10.2.4帶慣性權(quán)重的微粒群算法
10.3改進微粒群算法
10.3.1基本微粒群算法進化方程的改進
10.3.2收斂性改進
10.4微粒群算法的實驗設(shè)計與參數(shù)選擇
10.4.1設(shè)計微粒群算法的基本原則與步驟
10.4.2幾種典型的微粒群模型及參數(shù)選擇
10.5基于微粒群算法的人工神經(jīng)網(wǎng)絡(luò)優(yōu)化
10.5.1神經(jīng)網(wǎng)絡(luò)的微粒群算法優(yōu)化策略
10.5.2協(xié)同微粒群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)
10.6蟻群智能
10.6.1雙橋?qū)嶒炁c隨機模型
10.6.2人工螞蟻模型
10.6.3蟻群優(yōu)化元啟發(fā)式算法
參考文獻
書單推薦
