定 價(jià):59 元
叢書名:普通高等教育智慧海洋技術(shù)系列教材
- 作者:王卓,秦洪德
- 出版時(shí)間:2024/12/1
- ISBN:9787030810670
- 出 版 社:科學(xué)出版社
- 中圖法分類:TP18,TP242.3
- 頁碼:170
- 紙張:
- 版次:1
- 開本:16
本書是一本融合人工智能及其在海洋機(jī)器人中應(yīng)用的綜合性教材,旨在為學(xué)生、研究人員和工程師提供全面的理論基礎(chǔ)和實(shí)際應(yīng)用技能。本書內(nèi)容涵蓋了人工智能的基礎(chǔ)理論、人工神經(jīng)網(wǎng)絡(luò)在海洋機(jī)器人控制中的應(yīng)用、強(qiáng)化學(xué)習(xí)方法在海洋機(jī)器人決策上的應(yīng)用、基于深度學(xué)習(xí)的水下目標(biāo)探測(cè),以及人工智 能在海洋機(jī)器人中的具體應(yīng)用實(shí)例。
更多科學(xué)出版社服務(wù),請(qǐng)掃碼獲取。
研究生授課課程:
1潛器系統(tǒng)建模與仿真 碩士研究生
2計(jì)算機(jī)人工智能技術(shù)博士研究生人工智能和系統(tǒng)仿真2007年至今負(fù)責(zé)完成水下機(jī)器人和水面無人艇所有項(xiàng)目的計(jì)算機(jī)仿真實(shí)驗(yàn)驗(yàn)證,建立了水下機(jī)器人重點(diǎn)實(shí)驗(yàn)室的包括軟硬件在內(nèi)的仿真系統(tǒng)。2010年開始進(jìn)行人工智能理論方法在水下機(jī)器人領(lǐng)域應(yīng)用的研究,致力于研究水下機(jī)器人領(lǐng)域?qū)θ斯ぶ悄芴岢龅男乱、新問題。2014年至今組織團(tuán)隊(duì)成功申報(bào)了多項(xiàng)人工智能和水下機(jī)器人軟件領(lǐng)域的科研項(xiàng)目。中國仿真學(xué)會(huì)機(jī)器人系統(tǒng)仿真專委會(huì)委員、中國造船工程學(xué)會(huì)女科學(xué)家工作委員會(huì)委員
目錄
第一章 緒論 1
1.1 人工雛概述 1
1.2 人工智能的起源和發(fā)展史 1
1.3 圖靈測(cè)試 3
1.4 弱人工智能與強(qiáng)人工智能 4
1.4.1 弱人工智能 4
1.4.2 強(qiáng)人工智能 4
1.4.3 弱人工智能與強(qiáng)人工智能的對(duì)比 5
1.5 人工智能的各個(gè)學(xué)派 6
1.5.1 符號(hào)主義 6
1.5.2 聯(lián)結(jié)主義 6
1.5.3 為主義 7
1.6 海洋機(jī)器人概述 7
1.6.1 水面無人艇 8
1.6.2 水下機(jī)器人 12
1.6.3 海洋機(jī)器人的應(yīng)用與挑戰(zhàn) 15
第2章 知識(shí)表示 16
2.1 知識(shí)與知識(shí)表示的概念 16
2.1.1 知識(shí)的概念 16
2.1.2 知識(shí)的特性 17
2.1.3 知識(shí)的表示 18
2.2 狀態(tài)空間法 18
2.2.1 問題狀態(tài)描述 18
2.2.2 狀態(tài)圖示法 20
2.3 問題歸約法 22
2.3.1 問題歸約描述 22
2.3.2 與或酬述 24
2.4 P 生式表示法 27
2.4.1 P生式概述 27
2.4.2 f生式纖 29
2.4.3 產(chǎn)生式表示法的特點(diǎn) 30
2.5 面向?qū)ο蟮闹R(shí)表示 31
2.5.1 關(guān)于對(duì)象的定義 31
2.5.2 消息、接口和方法 32
2.5.3 類 33
2.5.4 封裝與繼承 33
2.6 海洋機(jī)器人路徑規(guī)劃的知識(shí)表示 34
第3章 搜索策略 36
3.1 搜索概述 36
3.1.1 搜索的基本問題與主要過程 36
3.1.2 搜索策略分類 36
3.2 盲目搜索 37
3.2.1 寬度優(yōu)先搜索 37
3.2.2 深度優(yōu)先搜索 39
3.2.3 有界深度優(yōu)先搜索 41
3.2.4 迭代廳搜索 42
3.3 啟發(fā)式圖搜索策略 42
3.3.1 啟發(fā)式策略 43
3.3.2 啟發(fā)信息和估價(jià)函數(shù) 45
3.3.3 A搜索算法 46
3.3.4 A*搜索算法及其特性分析 49
3.4 回溯策略 51
3.5 博弈搜索 53
3.5.1 極大極小過程 55
3.5.2 *過程 57
3.6 海洋機(jī)器人路徑規(guī)劃的啟發(fā)式搜索 59
第4章 人工神經(jīng)網(wǎng)絡(luò) 61
4.1 神經(jīng)信息處理基本原理 61
4.1.1 生物神經(jīng)元結(jié)構(gòu) 61
4.1.2 神經(jīng)元數(shù)學(xué)模型 62
4.1.3 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與工作方式 63
4.1.4 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí) 63
4.2 感知器 64
4.2.1 人工神經(jīng)元的基本構(gòu)成 64
4.2.2 感知器的組成 65
4.3 BP神經(jīng)網(wǎng)絡(luò) 68
4.3.1 網(wǎng)絡(luò)的構(gòu)成 68
4.3.2 訓(xùn)練過程 69
4.3.3 誤差傳播分析 70
4.3.4 實(shí)例 72
4.4 RBF神經(jīng)網(wǎng)絡(luò) 74
4.4.1 徑向基函數(shù) 74
4.4.2 徑向基網(wǎng)絡(luò) 75
4.4.3 RBF神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)和求解 76
4.4.4 實(shí)例 77
4.5 Hopfield神經(jīng)網(wǎng)絡(luò) 79
4.5.1 Hopfield神經(jīng)網(wǎng)絡(luò)的組織 79
4.5.2 穩(wěn)定性分析 82
4.5.3 實(shí)例 85
4.6 自組織映射神經(jīng)網(wǎng)絡(luò) 86
4.6.1 典型結(jié)構(gòu) 86
4.6.2 自組織學(xué)習(xí)過程 87
4.6.3 設(shè)計(jì)細(xì) 1? 88
4.6.4 實(shí)例 89
4.7 海洋機(jī)器人控制中的人工神經(jīng)網(wǎng)絡(luò) 90
4.7.1 基于RBF神經(jīng)網(wǎng)絡(luò)的監(jiān)督控制 90
4.7.2 基于RBF神經(jīng)網(wǎng)絡(luò)的模型參考自適應(yīng)控制 91
第5章 強(qiáng)化學(xué)習(xí) 93
5.1 強(qiáng)化學(xué)習(xí)概述 93
5.1.1 強(qiáng)化學(xué)習(xí)要素 93
5.1.2 強(qiáng)化學(xué)習(xí)過程 93
5.1.3 強(qiáng)化學(xué)習(xí)的分類 94
5.1.4 強(qiáng)化學(xué)習(xí)的局限與適用范圍 94
5.2 馬爾可夫決策 94
5.2.1 馬爾可夫過程 95
5.2.2 馬爾可夫獎(jiǎng)勵(lì)過程 96
5.2.3 馬爾可夫決策過程 98
5.3 動(dòng)態(tài)細(xì)勝 101
5.3.1 策略評(píng)估 102
5.3.2 策略改進(jìn) 106
5.3.3 策略迭代與價(jià)值迭代 107
5.3.4 異步動(dòng)態(tài)規(guī)劃 108
5.4 蒙特卡羅法 109
5.4.1 蒙特卡羅概率統(tǒng)計(jì) 109
5.4.2 “經(jīng)驗(yàn)”與“平均” 111
5.4.3 蒙特卡羅控制 112
5.4.4 非探索性初始化假設(shè)的蒙特卡羅控制 113
5.5 時(shí)間差分法 116
5.5.1 時(shí)間差分法的值函數(shù) 117
5.5.2 時(shí)間差分法的優(yōu)點(diǎn) 117
5.5.3 時(shí)間差分控制 118
5.6 策略梯度 124
5.7 海洋機(jī)器人中的強(qiáng)化學(xué)習(xí) 126
第6章 深度學(xué)習(xí) 131
6.1 深度前饋網(wǎng)絡(luò) 131
6.2 基于梯度的學(xué)習(xí) 132
6.2.1 代價(jià)函數(shù) 132
6.2.2 使用最大似然學(xué)習(xí)條件分布 133
6.2.3 輸出單元 133
6.3 正則化 137
6.3.1 參數(shù)范數(shù)懲罰 137
6.3.2 L2參數(shù)正則化 138
6.3.3 L1參數(shù)正則化 140
6.3.4 作為約束的范數(shù)懲罰 141
6.3.5 正則化和欠約束問題 143
6.3.6 數(shù)據(jù)集增強(qiáng) 143
6.3.7 噪聲魯棒性 144
6.3.8 半監(jiān)督學(xué)習(xí) 145
6.3.9 提前終止 145
6.3.10 Bagging方法 147
6.3.11 Dropout方法 148
6.4 卷積網(wǎng)絡(luò) 154
6.4.1 卷積運(yùn)算的定義 155
6.4.2 卷積神經(jīng)網(wǎng)絡(luò)中的卷積運(yùn)算 155
6.4.3 卷積神經(jīng)網(wǎng)絡(luò)的特點(diǎn) 156
6.4.4 卷積神經(jīng)網(wǎng)絡(luò)層 157
6.4.5 多層卷積 161
6.4.6 AlexNet(實(shí)例) 162
6.5 基于深度學(xué)習(xí)的目標(biāo)探測(cè)框架 166
6.5.1 YOLO框架 166
6.5.2 Transformer框架 167
6.5.3 R-CNN算法 168
參考文獻(xiàn) 169