|
关于我们
 书单推荐 新书推荐 |
人工智能、类脑计算与图像解译前沿 
定 价：268 元
9 7 6 8 5 7 4 5 9 6 9 0 7 
本书立足于西安电子科技大学人工智能学科优势，对人工智能、类脑计算与图像解译三个前沿领域进行了详细的论述，主要内容包括进化计算、人工免疫系统、量子计算智能、多智能体系统、多目标进化优化、
非线性逼近理论、多尺度几何分析、多尺度变换域图像感知与识别、图像的高维奇异性检测、图像去噪的阈值方法、SAR图像理解与解译。该书在对上述领域的国内外发展现状进行系统总结的同时，还重点阐述了作者对相关领域未来发展的研究心得和成果。希望本书能为推进我国人工智能学术研究和实际应用起到一定的促进作用，为相关领域人才培养提供有效的学习内容。
本书可以为计算机科学、信息科学、人工智能自动化技术等领域从事自然计算、机器学习、图像处理研究的相关专业的技术人员提供参考。
人工智能（Artificial Intelligence）简称AI，此概念由麦肯锡等人在1956年的达特茅斯会议上首次提出。近十多年来，随着人机交互的优化、大数据的支持、模式识别技术的提升，人工智能的发展一日千里，小到我们手机里的计算器、Siri语音助手、人脸识别，大到无人驾驶汽车、航空卫星数据智能解译，都依赖于人工智能技术。人工智能已经深入我们的生活。人们总希望使计算机或者机器能够像人一样合理地思考、合理地行动，并帮助人们解决现实中实际的问题，而要达到以上的功能，则需要计算机（机器人或者机器）具有知识表示、自动推理、计算机视觉、机器学习等能力。虽然人工智能正在各行各业中给人们带来惊喜，但其距离人类的智慧水平还有相当的距离。
类脑智能是以神经科学和人类认知行为机理为理论基础，以计算模型为引擎，结合软硬件加速共同形成的机器智能。类脑智能具有信息处理机制类脑、认知行为类人的特点，其最终目标是使机器通过模仿人脑的思维模式获得各种人类认知和相互协同的能力，甚至超越人类的智能水平。类脑智能的研究范围包括神经科学、类脑模型训练及处理算法和类脑硬件三个方面，它充分体现了脑科学、计算机科学、信息科学和人工智能等多学科的高度融合，其发展将会促进人工智能从专用型向通用型转变，并向超越人类智能的方向逐步逼近。脑神经科学被视为科学界“皇冠上的明珠”，近20年来成为发展最快的学科之一。一些传统人工智能研究者目前已经意识到借鉴脑信息处理的机制可能带来的好处，而脑与神经科学的进展也为人工智能借鉴脑信息处理机制提供了必要的基础。脑与神经科学的研究者们正在力图将对脑信息处理的认识应用于更广泛的科学领域。该学科的发展得益于信息技术与智能技术的发展，而反过来脑与神经科学也将启发下一代信息技术的变革。
从1990 年开始，在国家973计划项目(2013CB329402，2006CB705707)，国家863计划(863306ZT061、8633170399、2002AA135080、2006AA01Z107、2008AA01Z125和2009AA12Z210)，国家自然科学基金创新研究群体科学基金(61621005)，国家自然科学基金重点项目 (60133010、60703107、60703108、60872548和60803098) 及面上项目 (61272279、61473215、61371201、61373111、61303032、61271301、 61203303、 61522311、61573267、 61473215、61571342、 61572383 、61501353、 61502369、 61271302、61272282、61202176、61573267、61473215、61573015、60073053、60372045和60575037)，国家部委科技项目资助项目(XADZ2008159和51307040103)， 高等学校学科创新引智计划(111计划)(B07048)，重大研究计划(91438201和91438103)， 教育部“长江学者和创新团队发展计划” (IRT_15R53和IRT0645)，陕西省自然科学基金 (2007F32和2009JQ8015)， 国家教育部博士点基金(20070701022和200807010003)， 中国博士后科学基金特别资助项目(200801426)，中国博士后科学基金资助项目(20080431228和20090451369 )及教育部重点科研项目(02073)的资助下，我们对人工智能、类脑智能理论、 算法及其在复杂影像解译中的应用进行了较为系统的研究，尤其对神经网络优化、学习及其在复杂影像内容理解中的应用等进行了较为深入的探讨。
本书内容分为复杂影像内容解译、高光谱数据解译、计算智能与多目标优化、稀疏认知与神经网络四篇，共包含26章。第一篇包含6章，首先在“遥感脑”一章中详细介绍遥感领域的类脑计算，之后各章分别介绍若干复杂影像内容解译的相关工作，例如“复杂影像语义分析”“高分辨率遥感图像理解”等；第二篇针对高光谱数据的解译工作，用5章介绍了混合像元分解、多示例目标特性学习以及维数约减等方法；第三篇共包括9章，分别从多目标进化优化、协同进化计算与多智能体系统、量子计算智能前沿与进展、人工免疫系统等方面阐述了计算智能与多目标优化的理论方法以及发展前沿；第四篇以“多尺度几何逼近与分析”开篇，之后从神经网络、稀疏认知、智能机器人等方面分别介绍了类脑智能的相关工作，共包含6章。希望本书能为读者呈现出人工智能、类脑计算与图像解译较为全面的脉络、趋势和图景。
本书是西安电子科技大学智能感知与图像理解教育部重点实验室、 智能感知与计算国际联合实验室、国家“111计划”创新引智基地、国家2011信息感知协同创新中心、 大数据智能感知与计算协同创新中心、智能信息处理研究所等集体智慧的结晶。感谢集体中每一位同仁的奉献。特别感谢保铮院士多年来的悉心培养和指导，感谢中国科学技术大学陈国良院士的指导和帮助，感谢国家自然科学基金委员会信息科学部的大力支持，感谢陈莉教授、韩军伟教授、张智军教授、李军教授、程塨研究员的帮助，感谢焦李成、唐旭、王丹等智能感知与图像理解教育部重点实验室成员所付出的辛勤劳动，感谢西安电子科技大学对本书的主持，感谢人工智能学院全体老师对本书的付出，感谢西安电子科技大学出版社胡方明社长、阔永红总编、毛红兵副总编、高维岳社长助理、马乐惠编辑的辛苦付出。
由于作者水平有限，书中不妥之处在所难免，恳请读者批评指正。
第一篇 复杂影像内容解译
第1章 遥感脑 3
1.1 遥感数据的特点 3
1.2 遥感影像解译存在的问题 5
1.3 海量遥感数据在轨处理 9
1.4 类脑计算理论 10
1.5 遥感脑 14
本章参考文献 16
第2章 复杂影像语义分析 22
2.1 引言 22
2.2 研究现状和研究动机 22
2.3 高分辨SAR图像的素描图 24
2.3.1 Marr的视觉计算理论 24
2.3.2 光学图像的初始素描模型 25
2.3.3 初始素描图的提取方法 26
2.3.4 高分辨SAR图像的素描模型 29
2.3.5 高分辨SAR图像素描图的提取方法 29
2.4 结构区域图及其在SAR图像相干斑抑制中的应用 39
2.4.1 高分辨SAR图像的初级视觉语义层 39
2.4.2 抑制相干斑任务驱动的结构区域图的产生 40
2.4.3 基于几何核函数测度和匀质区域搜索的SAR图像相干斑抑制 41
2.5 语义素描图及其在SAR图像相干斑抑制中的应用 48
2.5.1 研究动机 48
2.5.2 语义素描图中方向信息的传递 49
2.5.3 基于几何结构块相似性测度的非局部均值滤波方法 50
2.5.4 基于像素分类和自适应邻域搜索的SAR图像相干斑抑制 51
本章参考文献 63
第3章 压缩表示学习与深度推断 67
3.1 压缩的采样与感知理论基础 68
3.1.1 压缩采样算子 71
3.1.2 稀疏化信号表示模型 74
3.1.3 信号感知算法 83
3.2 表示学习与深度认知推断 89
3.2.1 统计机器学习中的压缩采样 94
3.2.2 统计机器学习中的参数化模型 95
3.2.3 判别式模型学习与深度认知推理 102
3.2.4 生成式模型学习与深度认知推理 104
3.2.5 分析与讨论 108
本章参考文献 111
第4章 高分辨率遥感图像理解 126
4.1 背景介绍 126
4.2 高分辨率遥感图像目标检测 126
4.2.1 引言 126
4.2.2 目标检测方法综述 126
4.2.3 目标检测数据库综述 132
4.2.4 评价指标 134
4.2.5 方法对比 135
4.3 高分辨率遥感图像场景分类 136
4.3.1 引言 136
4.3.2 遥感图像场景分类方法综述 137
4.3.3 场景分类数据库综述 143
4.3.4 评价指标 146
4.3.5 方法对比 146
本章参考文献 148
第5章 基于图像学习表征和重排序的遥感影像内容检索 157
5.1 基于内容的遥感图像检索 157
5.2 基于内容的遥感图像检索方法简介 158
5.2.1 综合完备的RSIR系统 158
5.2.2 解决CBIR领域相关技术难题的RSIR方法 160
5.2.3 RSIR技术的多方面应用 161
5.3 图像重排序 162
5.4 图像重排序方法介绍 163
5.4.1 相关反馈 164
5.4.2 不依赖样本的重排序 164
5.5 基于内容的遥感图像检索、重排序问题的评价方式 165
5.6 基于内容的遥感图像检索、重排序问题的研究难点 166
本章参考文献 167
第6章 基于稀疏特征学习的图像分割与半监督分类 178
6.1 稀疏表示的基础理论 178
6.2 几种新的稀疏表示模型 178
6.2.1 多核联合稀疏图 179
6.2.2 基于随机子空间的集成稀疏表示 183
6.2.3 基于稀疏学习的模糊C均值聚类算法 185
6.2.4 基于稀疏自表示与模糊双C均值聚类算法 190
6.3 基于稀疏学习的图像分割 194
6.3.1 图像预处理 194
6.3.2 基于稀疏特征学习的图像分割算法 195
6.4 基于稀疏学习的图像半监督分类 195
6.4.1 基于人机交互的类标获取方法 196
6.4.2 基于稀疏特征学习的图像半监督分类方法 197
本章参考文献 198
第二篇 高光谱数据解译
第7章 空谱信息联合的高光谱遥感图像混合像元分解综述 209
7.1 引言 209
7.2 空谱信息联合的高光谱解混 210
7.2.1 空谱信息联合的端元识别方法 211
7.2.2 基于空间预处理的端元识别 213
7.2.3 基于超像素的端元识别 214
7.3 空谱信息联合的高光谱稀疏解混 217
7.3.1 稀疏解混模型 218
7.3.2 空谱信息联合的稀疏解混模型 220
7.4 实验结果与分析 223
7.4.1 模拟数据实验 223
7.4.2 真实数据实验 225
7.5 总结与展望 229
本章参考文献 229
第8章 不精确标记数据的多示例目标特性学习 234
8.1 背景介绍 234
8.1.1 高光谱图像分析 235
8.1.2 高光谱图像数据 235
8.1.3 高光谱解混 236
8.1.4 高光谱目标检测 236
8.1.5 心冲击图信号分析 237
8.1.6 液压传感器床垫系统 238
8.1.7 心冲击图中的多示例学习问题 239
8.1.8 基于特征签名的检测器 239
8.1.9 频谱匹配滤波器 240
8.1.10 自适应一致/余弦估计器 240
8.1.11 混合检测器 241
8.2 文献综述 242
8.2.1 多示例概念学习 242
8.2.2 多示例分类器学习 246
本章参考文献 250
第9章 稀疏图在高光谱数据维数约减中的应用 258
9.1 引言 258
9.2 常见的高光谱数据维数约减方法 260
9.2.1 基于谱带选择的维数约减方法介绍 261
9.2.2 基于特征提取的维数约减方法介绍 263
9.2.3 基于稀疏图学习的高光谱维数约减方法 265
9.2.4 基于双稀疏图的高光谱半监督维数约减方法 270
9.2.5 基于多图集成的高光谱维数约减方法 275
9.2.6 基于空谱正则稀疏图的高光谱谱带选择方法 278
9.3 本章小结 282
本章参考文献 282
第10章 高光谱遥感图像分类技术概述与发展 288
10.1 高光谱遥感技术基础 288
10.1.1 高光谱遥感技术 288
10.1.2 成像光谱仪发展现状 289
10.1.3 高光谱遥感图像的数据特点 292
10.2 高光谱图像分类及分类评价指标 294
10.2.1 高光谱遥感图像数据 294
10.2.2 高光谱图像分类评价指标 297
10.3 高光谱遥感图像分类技术基础 299
10.3.1 高光谱图像分类中的特征提取 299
10.3.2 表示分类算法 302
10.3.3 核变换及其属性 304
10.4 高光谱遥感图像分类研究现状 306
10.4.1 高光谱遥感分类技术的现状与挑战 306
10.4.2 高光谱遥感空谱分类方法的研究现状 309
10.4.3 深度学习方法在高光谱图像分类中的研究现状 310
本章参考文献 314
第11章 空谱稀疏结构学习下的高光谱数据降维与分类 325
11.1 高光谱遥感信息处理前沿与挑战 325
11.2 高光谱降维 328
11.3 高光谱分类 332
11.4 稀疏结构学习 335
11.5 高光谱解译研究难点及未来研究方向 337
本章参考文献 338
第三篇 计算智能与多目标优化
第12章 多目标进化优化 349
12.1 多目标优化问题 349
12.2 多目标进化算法简介 349
12.2.1 基于Pareto的多目标进化算法 350
12.2.2 基于指标的多目标进化算法 351
12.2.3 基于分解的多目标进化算法 351
12.3 多目标进化算法的评价测度 352
12.3.1 收敛性 352
12.3.2 多样性 353
12.3.3 均匀性 353
12.3.4 混合型 354
12.4 研究难点及现状 354
12.4.1 决策空间复杂的多目标优化问题 354
12.4.2 目标空间复杂的多目标优化问题 355
12.4.3 运算代价昂贵的多目标优化问题 357
本章参考文献 357
第13章 高维多目标粒子群优化算法综述 368
13.1 引言 368
13.2 高维多目标粒子群优化算法进展 370
13.2.1 基于支配关系的高维多目标粒子群优化算法 371
13.2.2 基于分解方法的高维多目标粒子群优化算法 374
13.2.3 基于性能指标的高维多目标粒子群优化算法 377
13.2.4 基于参考点引导的高维多目标粒子群优化算法 378
13.2.5 基于偏好的高维多目标粒子群优化算法 380
13.2.6 基于维数约减的高维多目标粒子群优化算法 382
13.3 总结与展望 383
本章参考文献 385
第14章 进化多目标模糊聚类图像分割 394
14.1 图像分割 394
14.1.1 研究背景及意义 394
14.1.2 传统图像分割方法 394
14.2 基于模糊C均值聚类的图像分割 397
14.3 多目标进化算法 401
14.3.1 进化计算简述 401
14.3.2 多目标优化问题 402
14.3.3 多目标进化算法简介 403
14.4 基于多目标进化算法与模糊聚类的图像分割 404
14.5 总结与展望 408
本章参考文献 408
第15章 协同进化计算与多智能体系统 413
15.1 从进化论到进化计算 413
15.1.1 现代进化论 413
15.1.2 生物进化与优化 415
15.2 进化计算 417
15.2.1 进化计算的主要分支 418
15.2.2 进化计算的数学基础 420
15.2.3 进化算法的收敛理论 422
15.2.4 进化计算的应用 427
15.3 协同进化计算 428
15.3.1 协同进化的生物学基础 428
15.3.2 协同进化的动力学描述 432
15.3.3 协同进化算法的发展现状 434
15.4 复杂适应系统 437
15.4.1 复杂适应系统 437
15.4.2 复杂适应系统的适应性与生物进化过程 439
15.4.3 生物进化过程的数学模型 441
15.5 多智能体系统 444
15.5.1 智能体的基本概念 444
15.5.2 智能体形式化描述 447
15.5.3 多智能体系统的主要研究内容 451
15.5.4 面向问题解决的多智能体系统研究现状 453
15.5.5 多智能体系统与分布式人工智能 455
15.5.6 多智能体系统与人工生命 457
15.5.7 多智能体系统与进化计算 459
本章参考文献 461
第16章 量子计算智能前沿与进展 471
16.1 量子计算 471
16.1.1 量子算法 471
16.1.2 量子系统中的叠加、相干与坍缩 472
16.1.3 量子态的干涉 473
16.1.4 量子态的纠缠 474
16.1.5 量子计算的并行性 475
16.2 量子搜索与优化 476
16.2.1 Grover搜索算法 476
16.2.2 量子遗传算法 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 量子免疫克隆多目标优化算法 485
16.3 量子学习 486
16.3.1 量子聚类 486
16.3.2 量子神经网络 487
16.3.3 量子贝叶斯网络 488
16.3.4 量子小波变换 490
16.3.5 基于量子智能优化的数据聚类 491
16.3.6 基于量子智能优化的数据分类 494
16.3.7 基于量子智能优化的网络学习 496
16.4 基于量子智能优化的应用 500
16.4.1 量子进化聚类图像分割 500
16.4.2 量子免疫克隆聚类SAR图像分割与变化检测 502
16.4.3 量子粒子群医学图像分割 505
16.4.4 量子聚类社区检测 508
16.4.5 基于CMOQPSO的环境/经济调度优化 509
本章参考文献 511
第17章 人工免疫系统 516
17.1 从免疫系统到人工免疫系统 516
17.2 人工免疫系统的研究领域 518
17.2.1 人工免疫系统模型的研究 518
17.2.2 人工免疫系统算法的研究 520
17.2.3 人工免疫系统方法的应用研究 525
17.3 人工免疫系统与其他方法的比较 528
17.3.1 人工免疫系统与进化计算 528
17.3.2 人工免疫系统与人工神经网络 528
17.3.3 人工免疫系统与一般的确定性优化算法 530
17.4 免疫优化计算研究的新进展 531
17.4.1 免疫优化算法研究的主要进展 531
17.4.2 免疫优化计算理论分析的主要进展 536
17.5 问题与挑战 539
本章参考文献 539
第18章 基于深度学习的个性化推荐系统研究综述 547
18.1 引言 547
18.2 传统的个性化推荐系统概述 547
18.2.1 基于内容的推荐 548
18.2.2 协同过滤推荐 549
18.2.3 混合推荐 552
18.3 基于深度学习的个性化推荐 553
18.3.1 基于多层感知器的个性化推荐 554
18.3.2 基于自编码器的个性化推荐 557
18.3.3 基于卷积神经网络的个性化推荐 558
18.3.4 基于循环神经网络的个性化推荐 560
18.3.5 混合推荐 562
18.4 基于深度学习的个性化推荐系统研究与展望 563
18.4.1 深度学习与传统推荐方法相结合的个性化推荐 564
18.4.2 基于深度学习的跨领域信息融合的推荐 564
18.4.3 基于深度学习的个性化推荐的新架构 564
18.4.4 基于深度学习的推荐系统的可解释性 565
本章参考文献 565
第19章 复杂网络的链路预测算法及其应用研究 569
19.1 概述 569
19.2 问题描述 570
19.2.1 链路预测问题描述 570
19.2.2 社团划分问题描述 571
19.3 发展现状 572
19.3.1 链路预测发展现状 572
19.3.2 社团划分发展现状 577
19.4 展望未来 581
本章参考文献 582
第20章 心理学与人工智能 587
20.1 概述 587
20.1.1 心理学对人工智能的影响 588
20.1.2 人工智能对心理学发展的影响 588
20.2 心理学简介 588
20.2.1 心理学的基本内容 589
20.2.2 心理活动的产生 590
20.2.3 认知心理学 590
20.3 人工智能对心理学的影响和应用 591
20.3.1 人工智能和认知心理学 591
20.3.2 人工智能在心理测量方面的应用 594
20.3.3 人工智能对心理实验范式的影响 595
20.3.4 研究前沿 597
20.4 总结 599
本章参考文献 599
第四篇 稀疏认知与神经网络
第21章 多尺度几何逼近与分析 603
21.1 概念的产生 603
21.2 从傅里叶分析到小波分析 604
21.3 小波图像逼近 606
21.4 人类视觉模型 609
21.5 图像的多尺度几何分析 609
21.5.1 自适应几何逼近 610
21.5.2 Bandelet变换 611
21.5.3 脊波及单尺度脊波变换 614
21.5.4 Curvelet变换 616
21.5.5 Contourlet变换 618
21.6 问题与展望 621
本章参考文献 624
第22章 神经网络70年：从MP神经元到深度学习 628
22.1 引言 628
22.2 神经网络发展回顾 630
22.3 深度学习研究进展 640
22.4 总结和展望 646
本章参考文献 648
第23章 稀疏认知学习、计算与识别 660
23.1 引言 660
23.2 生物视觉稀疏认知机理的研究进展 661
23.2.1 生物视觉稀疏认知机理的生理实验依据 661
23.2.2 生物视觉稀疏认知机理的研究目的 663
23.2.3 生物视觉稀疏认知机理的研究进展 663
23.3 基于生物视觉稀疏认知机理的学习与建模 664
23.3.1 V1区简单细胞的稀疏性学习与建模 664
23.3.2 V1区复杂细胞的稀疏性学习与建模 665
23.3.3 腹侧视觉通路的稀疏性学习与建模 666
23.4 稀疏认知计算模型的研究进展 668
23.4.1 稀疏编码模型 668
23.4.2 结构化稀疏模型 670
23.4.3 层次化稀疏模型 671
23.4.4 三种模型之间的区别与联系 675
23.5 基于稀疏认知计算模型的目标识别 676
23.5.1 稀疏认知学习、计算与识别范式的脉络结构 676
23.5.2 稀疏认知计算模型的应用概述 677
23.5.3 稀疏认知计算模型的目标识别示例 678
23.6 存在的问题及进一步研究的方向 680
23.6.1 存在的问题 680
23.6.2 进一步研究的方向 682
本章参考文献 683
第24章 随机优化应用于大规模机器学习 689
24.1 基本定义 690
24.2 应用于传统机器学习问题的随机优化 691
24.2.1 随机梯度下降法(SGD) 692
24.2.2 随机方差减少法 693
24.2.3 加速的随机方差减少法 698
24.2.4 并行/分布式随机优化 704
24.3 应用于深度学习问题的随机优化 706
24.3.1 随机梯度下降法 706
24.3.2 符号随机优化算法 709
24.3.3 自适应学习率的随机方法 711
24.3.4 优化下降方向的随机方法 714
24.3.5 并行和分布式的优化算法 717
24.3.6 优化SGD的技巧 725
本章参考文献 727
第25章 深度神经网络并行化研究综述 733
25.1 引言 733
25.2 神经网络发展概况 734
25.3 软硬件发展概况 739
25.3.1 硬件架构 739
25.3.2 并行编程框架 741
25.4 深度神经网络的模型并行和数据并行 743
25.5 深度神经网络开源软件系统并行化方法 748
25.6 深度神经网络并行化研究现状 750
25.7 实验测试 754
25.8 深度神经网络并行化的挑战和展望 758
25.9 总结 759
本章参考文献 760
第26章 智能机器人 768
26.1 智能机器人 768
26.1.1 智能机器人的发展历程与现状 768
26.1.2 智能机器人的形式与类别 769
26.1.3 智能机器人的系统组成框架 771
26.1.4 智能机器人的关键技术 772
26.2 应用于智能机器人中的前馈神经网络算法 777
26.2.1 基于反向传播的前馈神经网络 778
26.2.2 基于径向基函数的前馈神经网络 778
26.3 应用于智能机器人中的递归神经网络算法 779
26.3.1 零化递归神经网络 783
26.3.2 对偶递归神经网络 786
26.3.3 变参收敛递归神经网络 788
26.4 应用于智能机器人中的学习算法 790
26.4.1 深度学习 791
26.4.2 强化学习 795
26.5 智能机器人领域未来发展方向以及前沿技术 798
26.5.1 脑机接口技术 798
26.5.2 类脑型机器人控制与决策 800
26.5.3 迁移学习等高效智能学习算法 801
26.5.4 软体仿生结构智能机器人 801
26.5.5 分布式人工智能以及群体机器人智能控制 802
26.5.6 基于云计算和大数据的智能机器人 803
本章参考文献 804
你还可能感兴趣
我要评论
|
