本文详细介绍西安电子科技大学焦李成教授等多位专家主编、编著的36本人工智能领域教材、专著和综述。
01.《简明人工智能》
作者:焦李成、刘若辰、慕彩红、刘芳
西安电子科技大学出版社 (2019)
本书可作为高等院校智能科学与技术、计算机科学、电子科学与技术、信息科学、控制科学与工程、模式识别与人工智能等专业的本科生及研究生的教材,同时可为相关领域的研究人员提供参考,也可为对计算智能和神经网络及其应用感兴趣的工程技术人员提供参考。
第1章 人工智能简史
第2章 知识表示
第3章 搜索策略
第4章 确定性推理
第5章 不确定推理与不确定智能
第6章 专家系统
第7章 人工神经网络
第8章 智能计算基础
第9章 机器学习基础
第10章 模式识别
第11章 混合智能系统
第12章 表示学习
第13章 深度神经网络模式识别
第14章 群体智能聚类
第15章 进化多目标与动态优化
当当自营:
京东自营:
02.《现代机器学习》
作者:焦李成、王佳宁、毛莎莎、李玲玲、陈璞花、古晶、刘芳
机器学习为信息类学科的重要分支。本书作为机器学习入门、进阶与本硕博一体式培养教材,系统论述了机器学习研究的基本内容、概念、算法、应用以及发展。本书共18章,分为机器学习基础、经典机器学习方法与现代机器学习方法三大部分。机器学习基础部分为第1、2章,内容为机器学习概述和数学基础知识;经典机器学习方法部分为第3~10章,内容分别为线性回归与分类模型、特征提取与选择、决策树与集成学习、支持向量机、贝叶斯决策理论、神经网络、聚类方法和半监督学习等;现代机器学习方法部分为第11~18章,内容涵盖了近年来新兴的与不断发展的前沿算法,如深度学习、深度强化学习、生成对抗网络、胶囊网络、图卷积神经网络、自监督学习、迁移学习以及自动机器学习等。
第1章 机器学习概述
第2章 数学基础知识
第3章 线性回归与分类模型
第4章 特征提取与选择
第5章 决策树与集成学习
第6章 支持向量机
第7章 贝叶斯决策理论
第8章 神经网络
第9章 聚类方法
第10章 半监督学习
第11章 深度学习
第12章 深度强化学习
第13章 生成对抗网络
图书链接:
当当自营:
京东自营:
03.《模式识别》
西安电子科技大学出版社 (2019)
本书结合传统模式识别与新发展,传统内容与学科前沿相互补充,总共分为经典模式识别、现代模式识别以及深度学习模式识别三个部分共十五章。第一部分包括七个章节,主要介绍了经典模式识别方法,第二部分共三章,主要介绍了现代模式识别方法。第三部分共五章节,主要介绍了深度学习模式识别。第一部分的前几章着重讨论监督学习即已知训练样本及其类别条件下分类器的设计方法;之后介绍无监督模式识别,以及讲解模式识别系统中特征提取和选择的准则和算法。第二部分介绍现代模式识别,其中包含支撑矢量机、组合分类器以及半监督学习。第三部分讨论了前沿模式识别,从深度神经网络出发到强化学习、宽度学习、图卷积网络等。在最后,以实例的形式给出了模式识别在各个领域中的应用,以加深读者对模式识别方法更直观的认识。
本书是西安电子科技大学人工智能学院模式识别研究中心多年来教学与研究经验的总结和凝练,可作为模式识别、计算机科学与工程、控制科学与工程、智能科学与技术等相关专业研究生或高年级本科生的参考用书,亦可供相关领域的研究人员参考。
目录:
第1章 模式识别概述
第2章 贝叶斯决策
第3章 线性和非线性判别分析
第4章 无监督模式识别
第5章 特征选择
第6章 特征提取
第7章 经典人工神经网络
第二部分 现代模式识别
第8章 支撑矢量机
第9章 组合分类器
第10章 半监督学习
第三部分 深度学习模式识别
第11章 深度神经网络
第12章 强化学习
第13章 宽度学习
第14章 图卷积神经网络
第15章 语音、文本、图像与视频模式识别
图书链接:
当当自营:http://product.dangdang.com/11234769123.html
京东自营:
04.《现代神经网络教程》
西安电子科技大学出版社 (2020)
神经网络在七十余年的发展历程中, 虽几经沉浮, 但仍已发展成为国际学术、产业及国家发展的焦点和热点,已成为未来创新社会发展的动力。本书从认知神经科学出发阐述了神经计算的范畴、历史与发展、基本原理等内容。全书共17章,分为两个部分: 第一部分(第1~10章)从神经网络计算的生物学基础出发,论述了前馈神经网络、反馈神经网络、竞争学习神经网络以及新兴的进化神经网络、正则神经网络、支撑矢量机网络、模糊神经网络、多尺度神经网络等模型与学习算法; 第二部分(第11~17章)论述了新近发展的深度网络模型与学习算法,包括自编码网络、卷积神经网络、生成式对抗网络、循环神经网络、图神经网络等及其在文本、图像模式识别、图像感知等领域的应用,其中在第16章的深度学习进阶中,论述了稀疏编码分类及应用、相关网络学习与训练的实例,以供有兴趣的读者进一步探索实践。
本书可作为高等院校计算机科学、电子科学与技术、信息科学、控制科学与工程、人工智能、大数据、图像感知等相关专业本科生或研究生的教材, 同时也可为相关领域的科研人员提供参考。
第1章 绪论
第2章 神经计算生物学基础
第3章 前馈神经网络模型
第4章 反馈神经网络模型
第5章 竞争学习神经网络
第6章 进化神经网络模型
第7章 正则神经网络
第8章 支撑矢量机网络
第9章 模糊神经网络
第10章 多尺度神经网络
第11章 自编码网络
第12章 卷积神经网络
第13章 生成式对抗网络
第14章 循环神经网络
第15章 深度强化学习
第16章 深度学习进阶
第17章 图神经网络
当当自营:
京东自营:https://item.jd.com/12967532.html
05.《量子计算智能》
西安电子科技大学出版社 (2019)
内容简介:
人工智能进入了一个快速发展的时期,未来人类社会将需要更强大的算力和更高效的计算方法,摩尔定律正在失效,但量子力学态叠加原理给予了我们关于未来计算的启示和希望,“世界经济和各个国家最终的命运可能取决于奇异的和违反直觉的量子理论的原则”(加来道雄《物理学的未来》),目前,量子计算和人工智能是最令学界和业界振奋的未来科技,它们的结合势必带来领域的重大进步,甚至是超越想象的社会革新。
本书在总结自然计算领域主要理论研究和实际应用成果的基础上,着重对近年来量子计算智能领域常见的理论及技术进行了较为全面的阐述和总结,并结合作者多年的研究成果,对相关理论及技术在应用领域的实践情况进行了展示和报告。全书从计算和优化两个方面展开,分为八大部分,主要内容包含如下方面:进化计算,群智能,量子进化计算,量子粒子群优化,基于量子智能优化的数据聚类和数据分类,网络学习算法和相关应用。
本书可为人工智能、计算机科学、信息科学、自动化技术等领域及其交叉领域中从事量子计算、进化算法、机器学习及相关应用研究的技术人员提供参考,也可作为相关专业研究生和高年级本科生教材,其中前四部分为基础理论适合本科生使用,后四部分为高阶算法适合研究生使用。
第2章 群体智能算法
第3章 量子进化计算
第4章 量子粒子群智能
第5章 基于量子智能优化的数据聚类
第6章 基于量子智能优化的数据分类
第7章 基于量子智能优化的网络学习
第8章 基于量子智能优化的应用
06.《人工智能导论》
当当自营:http://product.dangdang.com/29298966.html
京东自营:https://item.jd.com/12938181.html
07.《计算智能导论》
作者:尚荣华、焦李成、刘芳、张小华、李玲玲
西安电子科技大学出版社 (2019)
第1章 绪论
第2章 进化计算
第4章 人工神经网络
08.《人工智能实验简明教程》
作者:焦李成、孙其功、田小林、侯彪、李阳阳
清华大学出版社 (2020)
第1章 聊天机器人
第2章 老照片上色
第3章 图像修复
第4章 语义图生成风景图
第5章 文本转图像实验
第6章 2D实时多人姿态估计
第7章 图像分割
第8章 图像超分辨率
第9章 视频目标跟踪
第10章 人物年龄性别及情绪预测
第11章 人脸老化与退龄预测
第12章 目标检测
第13章 眼部图像语义分割
第14章 语音识别
第15章 AI对对联
第16章 手写体风格转化
第17章 图像风格化
第18章 三维人脸重建
09.《深度神经网络FPGA设计与实现》
作者:孙其功、邬刚、田小林、陈永、侯彪、杨淑媛
西安电子科技大学出版社 (2020)
本书从深度神经网络和AI芯片研究现状出发,系统地论述了目前深度学习主流开发平台和深度神经网络基于FPGA平台实现加速的开发原理和应用实例。本书主要包括5部分:第1~2章介绍了深度神经网络的发展,并总结了深度学习主流开发平台和AI芯片的研究现状;第3~6章在对深度神经网络基础层算子、FPGA进行了介绍后,总结了FPGA神经网络开发基础及RTL级开发;第7章分析了基于FPGA实现神经网络加速的实例;第8章介绍了基于OpenCL的FPGA神经网络计算加速开发;第9章分析了前沿神经网络压缩与加速技术。
第2章 深度学习开发平台
第3章 深度神经网络基础层算子介绍
第4章 FPGA基本介绍
第5章 FPGA神经网络开发基础
第6章 FPGA神经网络计算的RTL级开发
第7章 基于FPGA实现YOLOV2模型计算加速实例分析
第8章 基于OpenCL的FPGA神经网络计算加速开发
第9章 神经网络压缩与加速技术
当当自营:http://product.dangdang.com/29159617.html
京东自营:https://item.jd.com/13030834.html
10.《压缩感知理论的工程应用方法》
西安电子科技大学出版社 (2017)
第6章 基于压缩感知的计算成像
当当自营:http://product.dangdang.com/11193459711.html
京东自营:https://item.jd.com/12209653.html
11.《人脸图像合成与识别 》
高等教育出版社 (2022)
12.《数字信号处理》
高等教育出版社 (2014)
该书全面、系统地介绍了数字信号处理的基本理论、概念和方法。第0章为绪论,简要介绍了数字信号处理理论与应用的发展与现状;第1章为离散时间信号描述与分析,给出了离散时间信号的序列描述、时域分析以及傅里叶变换;第2章为模拟信号数字化,分析了采样和量化的理论和效应;第3章重点介绍了离散傅里叶变换及其性质,以及快速傅里叶变换的实现方法等;第4章介绍了线性时不变离散时间系统的定义、性质及求解方法等;第5章介绍有限冲激响应滤波器设计方法以及误差分析方法等;第6章主要介绍无限冲激响应滤波器设计方法及其误差分析方法;第7章介绍了数字信号处理的几个典型应用,通过应用加深对数字信号处理理论的理解。以上各部分内容中都提供了MATLAB代码,可供学生理论与实践相结合,深化理论学习成果。
绪论 数字信号处理理论与应用
第7章 数字信号处理的应用
当当自营:http://product.dangdang.com/23986352.html
01.《人工智能、类脑计算与图像解译前沿》
作者:焦李成、侯彪、唐旭、刘芳、杨淑媛、陈莉、马文萍等
西安电子科技大学出版社 (2020)
本书对人工智能、类脑计算与图像解译前沿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、进化多目标优化、核机器学习、流形学习与谱图学习、集成学习、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。本书着重对上述领域的国内外发展现状进行总结,阐述作者对相关领域未来发展的思考。
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。
第1章 遥感脑
第2章 复杂影像语义分析
第3章 压缩表示学习与深度推断
第4章 高分辨率遥感图像理解
第5章 基于图像学习表征和重排序的遥感影像内容检索
第6章 基于稀疏特征学习的图像分割与半监督分类
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
第8章 不精确标记数据的多示例目标特性学习
第9章 稀疏图在高光谱数据维数约减中的应用
第10章 高光谱遥感图像分类技术概述与发展
第11章 空谱稀疏结构学习下的高光谱数据降维与分类
第12章 多目标进化优化
第13章 高维多目标粒子群优化算法综述
第14章 进化多目标模糊聚类图像分割
第15章 协同进化计算与多智能体系统
第16章 量子计算智能前沿与进展
第17章 人工免疫系统
第18章 基于深度学习的个性化推荐系统研究综述
第19章 复杂网络链路预测算法及其应用研究
第20章 心理学与人工智能
第21章 多尺度几何逼近与分析
第22章 神经网络70年:从MP神经元到深度学习
第23章 稀疏认知学习、计算与识别
第24章 随机优化应用于大规模机器学习
第25章 深度神经网络并行化研究综述
第26章 智能机器人相关
当当自营:http://product.dangdang.com/28529150.html
京东自营:https://item.jd.com/12838820.html
02.《深度学习、优化与识别》
作者:焦李成、赵进、杨淑媛、刘芳
深度神经网络是近年来受到广泛关注的研究方向,它已成为人工智能2.0的主要组成部分。本书系统地论述了深度神经网络基本理论、算法及应用。全书共16章,分为两个部分;第一部分(第1章~10章)系统论述了理论及算法,包括深度前馈神经网络、深度卷积神经网络、深度堆栈神经网络、深度递归神经网络、深度生成网络、深度融合网络等;第二部分(第11~15章)论述了常用的深度学习平台,以及在高光谱图像、自然图像、SAR与极化SAR影像等领域的应用;第16章为总结与展望,给出了深度学习发展的历史图、前沿方向及进展。每章都附有相关阅读材料及仿真代码,以便有兴趣的读者进一步钻研探索。
第1章 深度学习基础
第2章 深度前馈神经网络
第3章 深度卷积神经网络
第4章 深度堆栈自编码网络
第5章 稀疏深度神经网络
第6章 深度融合网络
第7章 深度生成网络
第8章 深度复卷积神经网络与深度二值神经网络
第9章 深度循环和递归神经网络
第10章 深度强化学习
第11章 深度学习软件仿真平台及开发环境
第12章 基于深度神经网络的SAR/PolSAR影像地物分类
第13章 基于深度神经网络的SAR影像变化检测
第14章 基于深度神经网络的高光谱图像分类与压缩
第15章 基于深度神经网络的目标检测与识别
第16章 总结与展望
图书链接:
当当自营:
京东自营:https://item.jd.com/12088783.html
03.《Brain and Nature-Inspired Learning, Computation and Recognition》
清华大学出版社,Elsevier(2020)
Chapter 1: Introduction
Chapter 2: The models and structure of neural networks
Chapter 3: Theoretical basis of natural computation
Chapter 4: Theoretical basis of machine learning
Chapter 5: Theoretical basis of compressive sensing
Chapter 6: Multiobjective evolutionary algorithm(MOEA)-based sparse clustering
Chapter 7: MOEA-based community detection
Chapter 8: Evolutionary computation-based multiobjective capacitated arc routing optimizations
Chapter 9: Multiobjective optimization algorithm-based image segmentation
Chapter 10: Graph-regularized feature selection based on spectral learning and subspace learning
Chapter 11: Semisupervised learning based on nuclear norm regularization
Chapter 12: Fast clustering methods based on learning spectral embedding
Chapter 13: Fast clustering methods based on affinity propagation and density weighting
Chapter 14: SAR image processing based on similarity measures and discriminant feature learning
Chapter 15: Hyperspectral image processing based on sparse learning and sparse graph
Chapter 16: Nonconvex compressed sensing framework based on block strategy and overcomplete dictionary
Chapter 17: Sparse representation combined with fuzzy C-means (FCM) in compressed sensing
Chapter 18: Compressed sensing by collaborative reconstruction
Chapter 19: Hyperspectral image classification based on spectral information divergence and sparse representation
Chapter 20: Neural network-based synthetic aperture radar image processing
Chapter 21: Neural network-based polarimetric SAR image classification
Chapter 22: Deep neural network models for hyperspectral images
图书链接:
亚马逊自营:
https://www.amazon.com/Brain-Nature-Inspired-Learning-Computation-Recognition-ebook/dp/B0843PW3ML/ref=sr_1_1?crid=CJVBR9TKQZYE&keywords=Brain+and+Nature-Inspired+Learning%2C+Computation+and+Recognition&qid=1677289178&sprefix=brain+and+nature-inspired+learning%2C+computation+and+recognition%2Caps%2C878&sr=8-1
04.《稀疏学习、分类与识别》
科学出版社(2017)
本书对近年来稀疏学习、分类与识别领域常见的理论及技术进行了较为全面的阐述和总结,并结合作者多年的研究成果,对相关理论及技术在应用领域的实践情况进行了展示和报告。全书从稀疏学习、分类与识别三个方面展开介绍,主要内容包含如下几个方面:以学习数据的有效表示为主题,通过挖掘数据本身固有的结构,如几何结构、稀疏与低秩结构等信息来更有效地学习数据的表示;从经典的压缩感知理论框架出发,讨论压缩感知的基本理论、方法和应用的发展概况,并侧重介绍基于过完备字典的结构化压缩感知;上述方法在图像解译中的应用。
第1章 引言
第2章 机器学习理论基础
第3章 快速密度加权低秩近似谱聚类
第4章 双图正则非负矩阵分解
第5章 学习鲁棒低秩矩阵分解
第6章 学习谱表示应用于半监督聚类
第7章 应用低秩矩阵填充学习数据表示
第8章 结合约束与低秩核学习的半监督学习
第9章 基于子空间类标传播和正则判别分析的单标记图像人脸识别
第10章 基于双线性回归的单标记图像人脸识别
第11章 基于旋转扩展和稀疏表示的鲁棒遥感图像目标识别
第12章 压缩感知理论基础
第13章 基于分块策略和过完备字典的非凸压缩感知框架
第14章 基于协同优化的稀疏重构
当当自营:http://product.dangdang.com/25061936.html
京东自营:https://item.jd.com/12065079.html
05.《大数据智能挖掘与影像解译》
西安电子科技大学出版社 (2022)
内容简介:
本书在介绍数据挖掘基本概念、原理和算法的基础上,详细介绍了图像数据的表示、图像存储、图像分类和目标识别、异常检测、图像关联分析、多媒体数据混合挖掘等内容,展示了智能数据挖掘技术与影像解译信息的过程,并对数据挖掘在人工智能、图像处理、模式识别、数据库等领域的研究进行了详细的论述。全书共分8章,主要内容包括数据挖掘概述及分类、数据挖掘的理论 基础、关联规则挖掘、数据挖掘应用实例及可视化、数据挖掘中的图像表示与数据预处理、图像目标检测、图像分割、图像分类与识别。
本书可作为高等学校人工智能、计算机、信号与信息处理、应用数学等专业高年级本科生和研究生的教材,也可作为数据挖掘方面的研究人员的参考资料。
第1章 绪论
第2章 KDD的理论基础
第3章 关联规则挖掘
第4章 数据挖掘应用实例及可视化
第5章 数据挖掘中的图像表示与数据预处理
第6章 图像目标检测
第7章 图像分割第8章 图像分类与识别
当当链接:http://product.dangdang.com/29401099.html
京东链接:https://item.jd.com/13155421.html
06.《遥感影像深度学习智能解译与识别》
遥感影像深度学习智能解译与识别是近年来遥感领域的研究热点。本书分析了将人工智能深度学习技术引入遥感数据的解译与识别中,有效的提升了遥感数据的自动化处理和分析能力,并成功应用于包括图像分类、图像分割、目标检测、变化检测、超高分辨率重建等多个场景中,为该领域的深入研究提供借鉴。
本书为人工智能教育丛书,可为高等院校人工智能、计算机科学、电子科学与技术、信息科学、控制科学与工程等领域的研究人员提供参考,也可作为相关专业本科生及研究生的参考书。
第1章 基于DC-ResNet的SAR图像目标分类
第2章 脊波反卷积结构学习模型
第3章 基于改进帧差法与YOLO深度网络的遥感影像目标检测
第4章 基于多尺度跳跃型卷积网络的SAR图像变化检测
第5章 基于SPPNet的SAR图像变化检测
第6章 基于自步学习和对称卷积耦合同步的SAR图像变化检测
第7章 基于多层特征SENet的SAR图像目标分类方法
第8章 基于GAN网络的极化SAR影像分类
第9章 基于阶梯网络模型的极化SAR影像分类
第10章 基于Winshart深度堆栈网络的极化SAR影像分类
第11章 基于复数轮廓波卷积神经网络的极化SAR影像分类
第12章 基于加权卷积神经网络与主动学习的极化SAR影像分类
第13章 基于多尺度深度Directionlet网络的极化SAR图像分类
第14章 基于局部受限卷积神经网络的极化SAR影像变化检测
第15章 基于Looking-Around-and-Into网络的极化SAR影像变化检测
第16章 基于胶囊网络的高光谱影像分类
第17章 空谱解耦合双通道卷积神经网络的高光谱影像分类
第18章 基于快速区域卷积神经网络的遥感语义描述
第19章 基于局部响应卷积递归神经网络的遥感语义描述
第20章 语义空间和像素空间信息交互联合推理框架
当当自营:http://product.dangdang.com/28471697.html
京东自营:https://item.jd.com/12587583.html
07.《高分辨遥感影像学习与感知》
作者:焦李成、冯婕、刘芳、杨淑媛、张向荣
高分辨遥感影像学习与感知是近年来遥感应用领域的研究热点。本书分析了高分辨率遥感影像处理的特点和面临的挑战,总结和归纳了国内外已有的研究工作,结合近年来机器学习和人工智能领域中的热点方法,如稀疏表示、多核学习、模糊聚类、多目标优化等,着重从高空间分辨率SAR遥感影像相干斑抑制、SAR地物目标分类和高光谱分辨率遥感影像混合像元分解、维数约简、地物目标分类等方面进行研究,提供了新颖的解决思路和方法。
本书侧重于新算法的描述与实例的分析,反映近年来高分辨遥感影像学习与感知的发展概况,为该领域的深入研究提供借鉴。
第1章 绪论
第2章 基于统计的高分辨SAR遥感影像相干斑抑制
第3章 基于非局部信息和改进边缘保持的高分辨SAR遥感影像分类
第4章 基于层次语义和自适应隐模型的高分辨SAR遥感影像分类
第5章 融合多特征的人工免疫多目标SAR遥感影像分类
第6章 基于上下文分析和非均衡合并的高分辨SAR遥感影像分类
第7章 基于多元互信息测度和克隆选择优化的高光谱波段选择
第8章 基于波段协作性和近邻传播聚类的半监督高光谱波段选择
第9章 稀疏约束的广义双线性高光谱遥感影像解混
第10章 基于多核学习的不平衡高光谱遥感影像分类
第11章 基于均值漂移和组稀疏编码的高光谱遥感影像空谱域分类
第12章 基于多特征联合与稀疏表示学习的高光谱遥感影像分类
第13章 基于类级稀疏表示学习的高光谱影像空谱联合分类
08.《雷达图像解译技术》
作者:焦李成、侯彪、王爽、刘芳、杨淑媛、白静、钟桦
国防工业出版社 (2017)
本书针对高分辨力合成孔径雷达(Synthetic Aperture Radar,SAR)图像和极化SAR图像解译与目标识别的国际前沿及热点领域,系统地介绍高分辨力SAR和极化SAR的成像机理及其在SAR图像处理领域的应用。首先,介绍SAR图像解译与目标识别的基本原理、研究方法及其发展与应用,重点介绍高分辨力SAR图像相干斑抑制的方法和极化SAR噪声抑制技术;其次,介绍基于结合统计信息、区域信息和上下文信息的高分辨力SAR图像地物分割与分类以及基于极化散射特征、极化统计特征和极化图像特征的极化SAR图像分类;最后,讨论不同高分辨力SAR图像(舰船、飞机等)目标检测、识别及分类的方法。
本书可作为高校电子工程、信号与信息处理、应用数学等专业的高年级本科生或研究生教材,也可供从事雷达图像解译方面研究工作的科技工作者参考。
第1章 绪论
第2章 高分辨力SAR图相于斑抑制
第3章 极化SAR相斑噪声抑制
第4章 高分辨力SAR图像地物分割与分类
第5章 高分辨力极化SAR图像地物分类
第6章 高分辨力SAR图像目标检测
第7章 高分辨力SAR图像目标识别与分类
09.《智能SAR影像变化检测》
作者:焦李成、侯彪、尚荣华、杨淑媛、王爽、万红林、辛芳芳、刘赶超
科学出版社 (2017)
本书对近年来智能SAR影像变化检测领域常见的理论及技术进行了较为全面的阐述和总结,并结合作者多年的研究成果,对相关理论及技术在应用领域的实践情况进行了展示和报告。全书从智能计算的角度,对SAR影像变化检测提出了新颖的解决思路和方法。基于作者的工作,结合国内外的发展动态,集合了当前智能SAR影像变化检测的很多相关内容。
第1章 绪论
第2章 基于小波域隐马尔可夫树模型的遥感图像变化检测
第3章 基于局部均值动态Fisher分类器的遥感图像变化检测
第4章 基于非局部均值加权的动态模糊Fisher分类器的遥感图像变化检测
第5章 基于小波域Fisher分类器的SAR图像变化检测
第6章 基于神经网络和非局部均值加权的SAR图像变化检测
第7章 基于块相似性度量模型的SAR图像变化检测
第8章 基于双噪声相似性度量和极化机理的PolSAR变化检测
第9章 基于多层判别式Fisller自编码器的SAR图像变化检测
第10章 基于交互式分割技术和决策级融合的SAR图像变化检测
第11章 基于值域受限阈值和马尔可夫融合的SAR图像变化检测
第12章 在感兴趣的区域层面上进行的SAR图像变化检测
第13章 基于模糊贴近度和过渡区域提取的SAR图像变化检测
第14章 基于融合的混合型SAR图像变化检测
第15章 基于免疫克隆优化的小波域遥感图像变化检测
第16章 基于BBO优化的遥感图像变化检测
当当自营:http://product.dangdang.com/24528482.html
京东自营:https://item.jd.com/12168024.html
10.《认知计算与多目标优化》
科学出版社 (2017)
第1章 认知科学及其特点
第2章 多目标优化问题
第3章 基于等度规映射的ε支配机制用于求解多目标优化问题
第4章 基于在线非支配抗体的自适应多目标优化
第5章 基于自适应等级克隆和动态m近邻表的克隆选择多目标优化
第6章 基于角解优先的高维多目标非支配排序方法
第7章 双档案高维多目标进化算法
第8章 融合非局部均值去噪的高效免疫多目标SAR图像自动分割
第9章 基于自然计算优化的非凸重构方法
第10章 基于免疫克隆优化的认知无线网络频谱分配
第11章 基于混沌量子克隆的按需频谱分配算法
第12章 量子免疫克隆算法求解基于认知引擎的频谱决策问题
第13章 基于免疫优化的认知OFDM系统资源分配
当当自营:http://product.dangdang.com/24525872.html
京东自营:https://item.jd.com/12168022.html
11.《免疫优化计算、学习与识别》
科学出版社(2006)
本书是作者在人工免疫系统领域研究成果的系统总结。在全面总结外人工免疫系统发展现状的基础上,本书着重介绍作者在这一领域的研究成果,主要包括:免疫算法、免疫克隆选择算法、量子克隆计算、人工免疫网络等算法的构造及其在数据聚类、网络路由、通信多用户检测、计算机网络安全等领域中的相关应用。本书也探讨了人工免疫系统进一步研究的方向。
本书可以为计算机科学、信息科学、人工智能和自动化技术等领域从事人工免疫系统研究的相关专业技术人员提供参考,也可以作为相关专业研究生和高年级本科生教材。
第1章 进化论与计算智能
第2章 生物免疫系统
第3章 从生物免疫到人工免疫系统
第4章 免疫进化算法
第5章 免疫克隆选择计算
第6章 高级免疫克隆选择计算
第7章 量子进化计算与量子克隆选择算法
第8章 人工免疫网络
第9章 基于免疫进化计算的数据聚类
第10章 移动通信中的免疫自适用多用户检测
第11章 网络组播路由免疫优化
第12章 基于免疫机理的网络安全与入侵检测
第13章 人工免疫系统的研究前沿与展望
12.《Coevolutionary Computation and Multiagent Systems》
科学出版社,Witpress(2012)
The origins of evolutionary computation can be traced back to the late 1950's when it remained, almost unknown, to the broader scientific community until the late 1980's when it started to receive significant attention. This book presents the author's recent work in this field.
Chapter 1: Introduction
Chapter 2: An organizational coevolutionary algorithm for classification
Chapter 3: An organizational evolutionary algorithm for satisfiability
Chapter 4: An organizational evolutionary algorithm for numerical optimization
Chapter 5: Moving block sequence: a new VLSI floorplan representation
Chapter 6: An organizational evolutionary algorithm for general floorplanning based on moving block sequence
Chapter 7: A multiagent genetic algorithm for global numerical optimization
Chapter 8: A Macroagent evolutionary model for decomposable function optimization
Chapter 9: A multiagent evolutionary algorithm for combinatorial optimization problems
Chapter 10: A multiagent evolutionary algorithm for constraint satisfaction problems
当当自营:http://product.dangdang.com/11023359555.html
1、神经网络七十年:回顾与展望(计算机学报)
2、稀疏认知学习, 计算与识别的研究进展 (计算机学报)
内容简介: 稀疏认知学习、计算与识别是近年来受到国际学术界广泛关注的学术前沿领域,这一新的学习、计算与识别范式将对机器学习、模式识别、计算智能以及大数据等领域的研究产生变革性的影响。为能更好地把握其发展规律,本文以生物视觉稀疏认知机理的研究进展为依据,通过对生物视觉稀疏认知机理的学习及建模,详细地评述了稀疏编码模型、结构化稀疏模型和层次化稀疏模型的研究进展,并阐释这三种模型之间的区别与联系;以及概述稀疏认知计算模型目标识别应用的研究状况,并举例给出了稀疏认知计算模型的具体成果;最后总结了这一新范式存在的一些问题及可进一步研究的方向,以期引起更多的研究同行对这一具有交叉性和发展性方向的关注。
3、深度神经网络FPGA 设计进展、实现与展望 (计算机学报)
内容简介:FPGA 作为一种可编程逻辑器件,具有可编程、高性能、低能耗、高稳定、 可并行和安全性的特点。其与深度神经网络的结合成为推动人工智能产业应用的研究热点。本文首先简述了人工神经网络坎坷的七十年发展历程与目前主流的深度神经网络模型,并介绍了支持深度神经网络发展与应用的主流硬件;接下来,在介绍 FPGA 的发展历程、开发方式、开发流程及型号选取的基础上,从六个方向分析了 FPGA 与深度神经网络结合的产业应用研究热点。然后,基于 FPGA 的硬件结构与深度神经网络的模型特点,总结了基于 FPGA 的深度神经网络的设计思路、优化方向和学习策略;接下来,归纳了 FPGA 型号选择以及相关研究的评价指标与度量分析原则;最后,本文总结了影响 FPGA 应用于深度神经网络的五个主要因素并进行了概要分析。
4、New Generation Deep Learning for Video Object Detection: A Survey (IEEE Transactions on Neural Networks and Learning Systems)
内容简介:视频目标检测是计算机视觉领域的一项基本任务,其发展迅速且应用广泛。近年来,深度学习方法在视频物体检测领域迅速普及,与传统方法相比,取得了优异的效果。然而,视频数据中存在的重复信息和复杂时空信息给视频物体检测任务带来了严峻挑战。因此,近年来,许多学者对视频数据背景下的深度学习检测算法进行了深入研究,并取得了显著的成果。考虑到应用的广泛性,对视频物体检测的相关研究进行全面回顾既是必要的也是具有挑战性的。本文试图将视频物体检测的最新前沿研究联系起来,并使之系统化。主要目的是根据具体的代表模型对视频检测算法进行分类和分析。本文系统地展示了视频物体检测与类似任务之间的差异和联系,并介绍了近40个模型在两个数据集上的评价指标和视频检测性能。最后,论文讨论了视频物体检测所面临的各种应用和挑战。
5、 Deep learning in visual tracking: A review (IEEE Transactions on Neural Networks and Learning Systems)
内容简介:深度学习在许多计算机视觉任务以及视觉跟踪中都取得了突破性进展。从如何自动获取高级特征表示的研究开始到目前为止,深度学习已经被深入应用到了跟踪任务的方方面面,例如相似性度量、数据协同和目标包围盒估计等,经过社区的不断研究,纯基于深度学习的跟踪器已经获得了该任务中最先进的性能。因此,应该全面回顾深度学习研究在视觉跟踪任务中的发展。本文总结了深度学习给视觉跟踪领域带来的关键进展:深度特征表示、网络结构以及视觉跟踪的四个关键问题(时空信息融合、特定目标分类、目标信息更新和包围盒估计)。本文的基于深度学习的视觉跟踪方法的调查范围首次涵盖了该领域的两个主要子任务,即单目标跟踪和多目标跟踪。此外,本文还分析了基于深度学习的跟踪方法的性能,并给出了有意义的结论。最后,提出了视觉跟踪及相关领域的几个有前景的方向和任务。
图4 视觉跟踪任务与深度学习的关系、研究发展时间线
6、Multi-scale representation learning for image classification: A survey (IEEE Transactions on Artificial Intelligence)
内容简介:近年来,特征表征得到了广泛的应用和发展。多尺度特征在许多计算机视觉任务中的表征学习过程中取得了显著突破。本文旨在全面综述近年来多尺度表征学习在分类任务中的研究成果。多尺度表征学习方法可以分为两大类:多尺度几何表征和多尺度网络表征。本文介绍了11种多尺度几何工具和7种多尺度网络结构。文中还描述了这两大类对应的一些基本子问题,包括:表征过程中的一些概念、多尺度几何分析的具体表征方法和网络多尺度表征设计策略。接着,本文说明了这两大类之间的相关性,包括:各自表征过程的特点、两者的组合策略和最优表征所需要具备的条件。通过一些数据集和评估结果,本文验证了多尺度表征学习的有效性。最后,本文给出了多尺度表征相关结论和未来的四个主要研究方向:选择与融合、自适应调节、结构设计和归纳和证明。
7、The New Generation Brain-inspired Sparse Learning: A Comprehensive Survey (IEEE Transactions on Artificial Intelligence)
内容简介:近年来,海量数据和复杂网络模型产生的巨大计算资源需求已成为深度学习的局限之一。在海量样本和超高特征维度的大规模问题中,稀疏逐渐引起了学术界和工业界的关注。本文全面综述了新一代的脑启发的稀疏学习。首先,从视觉的生物学机制到自然图像的建模角度介绍了稀疏认知学习。其次,总结了稀疏表征算法以呈现稀疏学习的研究进展。然后,回顾了有关稀疏特征选择学习的相关研究。然后,总结了稀疏深度学习网络以及相关应用。最重要的是,本文讨论了稀疏学习的十个公开问题和挑战。在调研稀疏学习的发展过程中,本文总结了各算法的优势,缺点,局限性和未来的研究方向,可以帮助读者进行进一步的研究。
8、Graph representation learning meets computer vision: A survey (IEEE Transactions on Artificial Intelligence)
内容简介:以认知科学、脑科学和神经科学为基础,关系推理和结构化建模是人类认知不可或缺的一部分。对于高级智能感知和图像解译,图像内容的几何表示和关系建模是一项重要且具有挑战性的任务。图表征学习算法提供了解决此问题的基本方法。图结构是一种强大的数学抽象,它不仅可以表示关于个体的信息,还可以捕获个体之间的相互作用以进行推理。在本文中,系统地回顾了图表征学习及其在计算机视觉中的应用。首先,本文梳理了图上表征学习的演变,根据图节点的编码方式将它们分为非神经网络和神经网络方法。具体来说,本文介绍了图嵌入和概率图模型等非神经网络方法,同时,还介绍了图递归神经网络、图卷积网络和图神经网络的变体等神经网络方法。然后,本文整理了图表征算法在各种视觉任务(如图像分类、语义分割、目标检测和跟踪等)中的应用,以供细分领域的研究人员回顾和参考,并总结了计算机视觉中典型的图构建方法。最后,在生物学和大脑启发的背景下,本文讨论了图表征学习和计算机视觉的现有挑战和未来方向。
9、Deep Learning-Based Object Tracking in Satellite Videos: A comprehensive survey with a new dataset (IEEE Geoscience and Remote Sensing Magazine)
内容简介:作为卫星视频研究的一项基本任务,目标跟踪广泛用于交通评估、军事安全等方面。目前遥感领域的卫星技术使得以较高的帧率和图像分辨率跟踪运动目标成为可能。然而,这种特殊视角下的物体往往又小又模糊,很难有效地提取可分辨的视觉特征。因此,许多深度学习方法被提出用于卫星视频中的目标跟踪。此外,自然视频的评估标准并不完全适用于卫星视频。微小的物体在这类指标中总是获得低精度的评估结果。 在本文中,对卫星视频的研究做出了三项贡献。首先,提出了一个新的单目标跟踪(SOT)数据集,命名为SV248S。这个数据集包括248个具有高精度人工标注的序列,并设计了10种属性标签来完整展示跟踪过程中的困难。其次,本文提出了两种高精度评估方法,特别是针对小目标跟踪。最后,本文对从 2017 年到 2021 年涵盖流行框架的 28 种基于深度学习的最先进跟踪方法进行调研,并在SV248S数据集上进行了评估和比较。此外,根据综合实验结果,本文总结了一些有效采用深度学习方法的指南。
10、Brain-inspired Remote Sensing Interpretation: A Comprehensive Survey (IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing)
内容简介:脑启发算法已经成为下一代人工智能的新趋势。通过对脑科学的研究,可以有效提高智能遥感算法。本文对脑认知学习的特性和遥感解译的最新进展进行了总结和分析。首先本综述介绍了大脑的结构组成和特性; 然后,研究了5种代表性的类脑算法,包括多尺度几何分析、压缩感知、注意力机制、强化学习和迁移学习; 其次,对遥感数据类型、典型遥感解译应用发展和遥感算法实现,包括数据集、软件和硬件进行了介绍; 最后,本综述讨论了脑启发遥感解译的十大开放问题和未来发展方向。本文旨在全面综述脑机制和遥感研究进展,并为脑启发遥感解译的未来研究提供参考。
11、Quantum optimization and quantum learning: A survey (IEEE Access)
内容简介:受到广泛关注的量子机制正处于不断的快速发展之中。量子机制强大的计算能力和高度的并行能力使量子领域具备了广阔的应用前景和全新的生命力。受自然界的启发,智能算法一直是研究热点之一。它是生物学、数学和其他学科完美结合的前沿交叉学科。自然而然,将量子机制与智能算法相结合的理念将为人工智能系统注入新的活力。本文首先列举了量子领域发展的重大突破,然后从量子优化和量子学习两个方面总结了现有的量子算法。之后,分别介绍了量子优化和量子学习的相关概念、主要内容和研究进展。最后,通过模拟量子计算进行实验,证明量子智能算法与传统智能算法相比具有很强的竞争力和巨大的潜力。
12、A Survey of Deep Learning-Based Object Detection (IEEE Access)
内容简介:物体检测是非常重要且具有挑战性的计算机视觉方向之一,已经被广泛应用于人们的工作和生活中,比如遥感影像、监控安防、自动驾驶、机器人视觉等。其目的在于定位物体并正确识别其类别。首先,本文简述了物体检测的诸多研究分支、大型公开基准数据集以及物体检测器的分类。之后详述了物体检测器的多种骨架网络和12种典型的基线网络结构以及当时最新的3种网络架构。在第四章介绍了5个大型公开基准数据集及其评价标准。本文着力于分析基于深度学习的物体检测方法,详细描述了11种主流物体检测领域的研究热点问题及其解决方法。接下来,本文列举了5个应用领域下的18个物体检测应用下的经典方法并详述了10个物体检测研究分支的求解方法。至此,本文参考了317篇经典文献。最后,本文总结了物体检测在深度学习时代的研究方案并给出15个物体检测的未来研究方向。
联系客服