掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
智能計算 版權信息
- ISBN：9787030730176
- 條形碼：9787030730176 ; 978-7-03-073017-6
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
智能計算 內容簡介
本書主要介紹了智能計算技術相關的理論方法與關鍵技術，并對典型的應用領域與平臺也進行了相關介紹和討論。全書共10章，簡要介紹智能的起源、智能與計算等研究背景及意義，詳細介紹了機器學習、深度學習等模型與算法及其應用，著重介紹了圖神經網絡模型、網學習模型、神經網絡架構搜索和大數據資源服務等技術，并面向智能交通和網絡交易支付等領域和場景詳細介紹了智能技術相關的應用。
智能計算 目錄
目錄
作者簡介
前言
第1章 智能源于人、拓于工 1
1.1 引言 1
1.2 智能的定義與歷史演進 1
1.2.1 智能的定義 1
1.2.2 智能的歷史演進 2
1.3 智能的驅動與發展關系 6
1.4 人工智能的現狀與趨勢 9
1.4.1 人工智能的現狀 9
1.4.2 人工智能發展趨勢 10
1.5 小結 11
參考文獻 12
第2章 智能與計算 15
2.1 引言 15
2.2 計算理論基礎 15
2.3 計算裝置的結構 16
2.4 計算機系統與技術 18
2.4.1 大數據 18
2.4.2 物聯網 21
2.4.3 云計算 22
2.4.4 實時并發 23
2.4.5 應變適配 24
2.5 計算機軟件算法和應用場景 25
2.6 智能發展的思考 26
2.7 小結 27
參考文獻 27
第3章 機器學習 31
3.1 引言 31
3.2 機器學習的發展 32
3.3 機器學習的模型 33
3.4 概率模型與推薦算法的組合研究 39
3.4.1 主要思想 39
3.4.2 系統模型 40
3.4.3 實驗與分析 42
3.5 基于圖排序算法的自動文摘方法研究 43
3.5.1 雙層相關性度量模型 44
3.5.2 基于圖模型的自動文摘 47
3.5.3 實驗與分析 50
3.6 基于數據權重調整的欺詐辨識方法研究 51
3.6.1 分布距離計算 52
3.6.2 ITrAdaboost主要思想 56
3.6.3 基于ITrAdaboost的交易欺詐辨識 59
3.6.4 實驗與分析 60
3.7 小結 65
參考文獻 65
第4章 深度學習 69
4.1 引言 69
4.2 深度學習的表示能力 69
4.3 深度學習模型 70
4.3.1 卷積神經網絡 70
4.3.2 循環神經網絡 73
4.3.3 生成對抗網絡 74
4.3.4 注意力機制 75
4.4 基于全中心損失函數的交易數據去噪方法 79
4.4.1 重疊去噪方法框架結構 79
4.4.2 全中心損失函數 82
4.4.3 實驗與分析 86
4.5 基于高斯函數的對比損失研究 93
4.5.1 Softmax損失函數的缺陷 94
4.5.2 基于高斯函數的對比損失算法 97
4.5.3 損失函數可導性分析 99
4.6 真值引導下的自注意力SeqGAN模型 101
4.6.1 基于真值引導的生成器 101
4.6.2 基于自注意力的判別器 105
4.6.3 實驗與分析 106
4.7 小結 108
參考文獻 109
第5章 圖神經網絡模型 112
5.1 引言 112
5.2 圖的相關定義 113
5.3 圖卷積神經網絡 114
5.4 鄰域擴張動態圖神經網絡 115
5.4.1 動態圖 115
5.4.2 鄰域擴張動態圖神經網絡 117
5.4.3 實驗與分析 122
5.5 基于異質圖神經網絡的文摘方法 126
5.5.1 自動文本摘要 126
5.5.2 文本圖定義 127
5.5.3 MHGS模型 127
5.5.4 實驗與分析 131
5.6 小結 134
參考文獻 135
第6章 網學習模型 139
6.1 引言 139
6.2 Petri網 140
6.3 網學習模型 143
6.3.1 網學習框架 143
6.3.2 隨機Petri網的網學習算法 145
6.4 隨機Petri網數據集 148
6.4.1 隨機Petri網數據集生成 148
6.4.2 數據的組織方式 154
6.5 實驗與分析 157
6.5.1 隨機Petri網數據集實驗分析 158
6.5.2 網學習算法實驗分析 160
6.6 小結 163
參考文獻 164
第7章 神經網絡架構搜索 167
7.1 引言 167
7.2 神經進化與進化計算 168
7.3 基于神經進化的深度學習模型 170
7.3.1 卷積神經網絡 170
7.3.2 生成式對抗網絡 174
7.4 進化式生成對抗網絡 177
7.4.1 進化算子設計 178
7.4.2 EG-GAN模型 180
7.4.3 EG-GAN的可視化分析 184
7.4.4 圖像修復應用 187
7.5 小結 194
參考文獻 195
第8章 大數據資源服務技術 199
8.1 引言 199
8.2 大型數據資源服務架構 200
8.3 數據資源識別和獲取 202
8.3.1 爬蟲限制和引導協議 203
8.3.2 分布式爬蟲任務調度策略 206
8.4 網絡大數據索引網絡體系 214
8.4.1 資源索引網絡模型 214
8.4.2 索引網絡代數 221
8.5 小結 223
參考文獻 224
第9章 智能交通 227
9.1 引言 227
9.2 智能交通系統 227
9.3 多源交通數據集成與融合 229
9.3.1 多源交通數據的獲取與預處理 229
9.3.2 分布式異構數據融合 230
9.4 動態路況建模與預測 231
9.4.1 基于主曲線方法的路況建模 233
9.4.2 基于非線性時間序列路況預測 235
9.5 動態網絡*優出行 241
9.5.1 動態*短路算法 243
9.5.2 動態*短路的啟發式算法 244
9.6 小結 247
參考文獻 247
第10章 智能交易 251
10.1 引言 251
10.2 智能網絡交易風險與應對措施 252
10.2.1 網絡交易風險 252
10.2.2 風險應對措施 255
10.3 用戶行為的風險防控 257
10.3.1 基于行為的身份認證技術 258
10.3.2 用戶行為證書方法 265
10.4 交易系統的在線監控 269
10.4.1 監控系統的組成架構 269
10.4.2 系統優化管理 270
10.4.3 系統在線監控 270
10.5 小結 277
參考文獻 277
彩圖
作者簡介
前言
第1章 智能源于人、拓于工 1
1.1 引言 1
1.2 智能的定義與歷史演進 1
1.2.1 智能的定義 1
1.2.2 智能的歷史演進 2
1.3 智能的驅動與發展關系 6
1.4 人工智能的現狀與趨勢 9
1.4.1 人工智能的現狀 9
1.4.2 人工智能發展趨勢 10
1.5 小結 11
參考文獻 12
第2章 智能與計算 15
2.1 引言 15
2.2 計算理論基礎 15
2.3 計算裝置的結構 16
2.4 計算機系統與技術 18
2.4.1 大數據 18
2.4.2 物聯網 21
2.4.3 云計算 22
2.4.4 實時并發 23
2.4.5 應變適配 24
2.5 計算機軟件算法和應用場景 25
2.6 智能發展的思考 26
2.7 小結 27
參考文獻 27
第3章 機器學習 31
3.1 引言 31
3.2 機器學習的發展 32
3.3 機器學習的模型 33
3.4 概率模型與推薦算法的組合研究 39
3.4.1 主要思想 39
3.4.2 系統模型 40
3.4.3 實驗與分析 42
3.5 基于圖排序算法的自動文摘方法研究 43
3.5.1 雙層相關性度量模型 44
3.5.2 基于圖模型的自動文摘 47
3.5.3 實驗與分析 50
3.6 基于數據權重調整的欺詐辨識方法研究 51
3.6.1 分布距離計算 52
3.6.2 ITrAdaboost主要思想 56
3.6.3 基于ITrAdaboost的交易欺詐辨識 59
3.6.4 實驗與分析 60
3.7 小結 65
參考文獻 65
第4章 深度學習 69
4.1 引言 69
4.2 深度學習的表示能力 69
4.3 深度學習模型 70
4.3.1 卷積神經網絡 70
4.3.2 循環神經網絡 73
4.3.3 生成對抗網絡 74
4.3.4 注意力機制 75
4.4 基于全中心損失函數的交易數據去噪方法 79
4.4.1 重疊去噪方法框架結構 79
4.4.2 全中心損失函數 82
4.4.3 實驗與分析 86
4.5 基于高斯函數的對比損失研究 93
4.5.1 Softmax損失函數的缺陷 94
4.5.2 基于高斯函數的對比損失算法 97
4.5.3 損失函數可導性分析 99
4.6 真值引導下的自注意力SeqGAN模型 101
4.6.1 基于真值引導的生成器 101
4.6.2 基于自注意力的判別器 105
4.6.3 實驗與分析 106
4.7 小結 108
參考文獻 109
第5章 圖神經網絡模型 112
5.1 引言 112
5.2 圖的相關定義 113
5.3 圖卷積神經網絡 114
5.4 鄰域擴張動態圖神經網絡 115
5.4.1 動態圖 115
5.4.2 鄰域擴張動態圖神經網絡 117
5.4.3 實驗與分析 122
5.5 基于異質圖神經網絡的文摘方法 126
5.5.1 自動文本摘要 126
5.5.2 文本圖定義 127
5.5.3 MHGS模型 127
5.5.4 實驗與分析 131
5.6 小結 134
參考文獻 135
第6章 網學習模型 139
6.1 引言 139
6.2 Petri網 140
6.3 網學習模型 143
6.3.1 網學習框架 143
6.3.2 隨機Petri網的網學習算法 145
6.4 隨機Petri網數據集 148
6.4.1 隨機Petri網數據集生成 148
6.4.2 數據的組織方式 154
6.5 實驗與分析 157
6.5.1 隨機Petri網數據集實驗分析 158
6.5.2 網學習算法實驗分析 160
6.6 小結 163
參考文獻 164
第7章 神經網絡架構搜索 167
7.1 引言 167
7.2 神經進化與進化計算 168
7.3 基于神經進化的深度學習模型 170
7.3.1 卷積神經網絡 170
7.3.2 生成式對抗網絡 174
7.4 進化式生成對抗網絡 177
7.4.1 進化算子設計 178
7.4.2 EG-GAN模型 180
7.4.3 EG-GAN的可視化分析 184
7.4.4 圖像修復應用 187
7.5 小結 194
參考文獻 195
第8章 大數據資源服務技術 199
8.1 引言 199
8.2 大型數據資源服務架構 200
8.3 數據資源識別和獲取 202
8.3.1 爬蟲限制和引導協議 203
8.3.2 分布式爬蟲任務調度策略 206
8.4 網絡大數據索引網絡體系 214
8.4.1 資源索引網絡模型 214
8.4.2 索引網絡代數 221
8.5 小結 223
參考文獻 224
第9章 智能交通 227
9.1 引言 227
9.2 智能交通系統 227
9.3 多源交通數據集成與融合 229
9.3.1 多源交通數據的獲取與預處理 229
9.3.2 分布式異構數據融合 230
9.4 動態路況建模與預測 231
9.4.1 基于主曲線方法的路況建模 233
9.4.2 基于非線性時間序列路況預測 235
9.5 動態網絡*優出行 241
9.5.1 動態*短路算法 243
9.5.2 動態*短路的啟發式算法 244
9.6 小結 247
參考文獻 247
第10章 智能交易 251
10.1 引言 251
10.2 智能網絡交易風險與應對措施 252
10.2.1 網絡交易風險 252
10.2.2 風險應對措施 255
10.3 用戶行為的風險防控 257
10.3.1 基于行為的身份認證技術 258
10.3.2 用戶行為證書方法 265
10.4 交易系統的在線監控 269
10.4.1 監控系統的組成架構 269
10.4.2 系統優化管理 270
10.4.3 系統在線監控 270
10.5 小結 277
參考文獻 277
彩圖
展開全部
智能計算 節選
第1章 智能源于人、拓于工 1.1 引言 隨著互聯網、大數據、云計算和深度學習等新一代信息技術的飛速發展，目前，人工智能(Artificial Intelligence，AI)領域的研究和應用已經取得重要的進展。 AI是與計算機和控制學科密切相關的一個研究領域，20世紀70年代以來被稱為世界三大尖端技術之一(空間技術、能源技術、人工智能)，也被認為是21世紀三大尖端技術(基因工程、納米科學、人工智能)之一。 AI旨在模擬人腦中信息存儲和處理機制等智能行為，使機器具有一定程度上的智能水平。由于擅長發現高維數據中的復雜結構，深度學習正被應用于科學、商業和政府等領域，對信息科學領域的發展起到了很重要的推動作用。 本章將從兩個維度深入剖析和解讀 AI發展過程，**個維度是橫向視角，從來自于神經科學、人腦智能等智能啟發的源頭追溯，探討了 AI各個分支重要的發展歷程，綜合分析 AI的發展和演進過程；第二個維度是縱向視角，從與 AI密切相關的幾個學科，包括計算機科學、控制科學、人腦智能、類腦智能等，通過它們在不同歷史時期與 AI之間的相互作用，分析這些學科或領域之間的交融與歷史演進，更清晰地對 AI的本質進行認知。 本章的組織結構如下：1.2節深入分析與 AI密切相關的計算機科學、控制科學、類腦智能、人腦智能等學科或領域之間的交融與歷史演進；1.3節指出神經科學、腦科學與認知科學的有關腦的結構與功能機制的研究成果，為構建智能計算模型提供了重要的啟發，并從邏輯模型及系統、神經元及網絡模型、視覺神經分層機制等方面，分別闡述智能的驅動與發展；1.4節對 AI的發展趨勢進行展望，1.5節是本章小結。 1.2 智能的定義與歷史演進 1.2.1 智能的定義 在心理學領域，將智能定義為智力和能力的總稱。其中，“智”指進行認識活動的某些心理特點，“能”則指進行實際活動的某些心理特點[1]。下面將從與智能密切相關的人腦智能、人工智能、類腦智能三個方面探討智能的定義。 人腦是由一千多億個高度互聯的神經元組成的復雜生物網絡，是人類分析、聯想、記憶和邏輯推理等能力的來源。人腦智能正是反映人類大腦具有的感知世界、理解世界和管理世界的智慧和能力，其研究主要圍繞人類智能活動的規律，揭示大腦信息表征、轉換機理和學習規則，以期建立大腦信息處理過程的智能計算模型。隨著神經解剖學的發展，人腦信息處理的奧秘也正在被逐步揭示。在此基礎上，人工智能是模擬人類大腦信息處理、記憶、邏輯推理等智能行為的基本理論、方法和技術，通過應用計算機的軟硬件技術，構造具有一定智能的人工系統，讓計算機去完成以往需要人的智力才能勝任的工作。而類腦計算則渴求通過模仿人類神經系統的工作原理，開發出快速、可靠、低耗的運算技術。如何借助神經科學、腦科學與認知科學的研究成果，建立智能計算模型，使機器掌握人類的認知規律，是“類腦智能”的研究目標[2，3]。 1.2.2 智能的歷史演進 1950年，AI之父英國人圖靈(Turing)的一篇里程碑式論文《計算機器與智能》為人類帶來了一個新學科—人工智能[4]。1956年夏季的“達特茅斯會議”中，以麥卡錫(McCarthy)、明斯基(Minsky)、羅切斯特(Rochester)和香農(Shannon)等為首的一批有遠見卓識的年輕科學家，共同研究和探討用機器模擬智能的一系列問題，首次提出了“人工智能”這一術語，標志著“人工智能”正式誕生。 AI作為一門新興的科學技術，其發展演進過程與信息科學領域的演進過程密切相關，特別是計算機科學、控制科學這兩大學科。在 AI的發展中，不同學科背景的學者對 AI做出了各自的理解，提出了不同的觀點。為此，將首先綜合分析計算機科學、控制科學、人工智能的歷史時期的主要演變環節和相互作用，如圖1.1所示。 首先在計算機科學發展過程中，從基礎理論來說，形成了一套堅實的計算機科學理論。20世紀30年代，可計算理論取得突破性進展，當時提出四個重要的計算模型：λ演算、圖靈機、哥德爾遞歸函數、Post系統。在理論意義上，這些模型之間在能力上是等價的，其中以圖靈機更接近常人計算，成為計算機的計算理論基礎。在此基礎上，20世紀50年代喬姆斯基(Chomsky)建立了形式語言的理論體系[5]，從語言、文法到機器模型，給出了計算機科學的能級空間的層次劃分，對計算機科學有著深刻的影響，特別是對程序設計語言和編譯方法等有重要的作用。同時，60年代的計算復雜性和70年代的程序驗證理論都為整個計算機科學的發展奠定了堅實的理論基礎。另一方面是計算機技術的發展。50年代馮 諾依曼提出計算機體系結構，以程序存儲為基礎，程序指令和數據共用一個存儲空間。1945年，**代計算機 ENIAC誕生。1964年，IBM(International Business Machines Corporation)宣布推出的一款計算機系統 IBM360，在業界引起了轟動。后來到80年代的 PC機，IBM一直保持領先優勢。當時討論的是單個電腦的計算組成、原理和相應的機器，即單機系統。在這個范疇內，無論是理論還是技術都比較完備。后來，隨著時間的推進，90年代出現的互聯網，不同于單機系統的確定和完備，是一個非確定、開放共享、動態的系統。近些年，出現了物聯網、云計算、大數據等新一代信息技術，到現在的云平臺。可以看出，計算機系統經歷了從單機時代進化到能夠整合共享資源的專用局域網系統，然后發展到資源可整合、共享的互聯網時代，逐步演進到目前資源動態分配、服務高度發達共享的網絡信息服務時代。 圖1.1 計算機科學、控制科學、人工智能的演進過程 基于這樣的計算機科學理論與系統的發展， AI發展昀早可以追溯到50年代以符號主義為代表的邏輯推理和定理證明研究。之后，60年代模擬人類專家的行為，概括成經驗性的規則形成規則系統，推演應用領域知識的生成。專家系統在醫療診斷、化學邏輯關系推演等發揮很好的作用。但因為人工制定的規則一旦抽取出來就是固定的，不便于系統的成長和拓展，而且規則是確定的，專家系統難以處理一些新的問題。隨著該過程的發展，后來出現了數據庫和知識庫，建立知識單元支持規則的推演；語義網絡，將概念與概念間的關系組織起來形成網絡；結合大數據又出現了知識圖譜。可以看出，這一層面是模擬和學習人的邏輯思維推演過程，這也正是受到底層計算機科學理論和系統結構的影響而發展起來的。 AI的另外一條主線是以連接主義為代表，模擬發生在人類神經系統中的認知過程。50年代提出的感知機是昀早的模擬神經元細胞和突觸機制的計算模型。之后模擬人的神經系統，建立了多層感知機等人工神經網絡，一直到現在的深度學習都是沿著這一主線發展起來的。 與此同時，在 AI發展過程中另外一個重要學派行為主義認為智能是系統與環境的交互行為。因此，形成了強化學習、進化計算等智能方法，可以看成控制學科對 AI的啟發。控制科學的發展經歷了三個重要時期：1940年代～1950年代：經典控制理論(PID(Proportional Integral Derivative)控制、反饋控制)，這一時期是單變量專一事務的控制，而且是試錯性的。1960年代～1970年代：現代控制理論(昀優控制、模糊控制、自適應控制)，在線性系統的狀態空間表示基礎上，建立狀態方程，卡爾曼濾波昀具代表性。1980年代至今：先進控制理論(魯棒控制、智能控制、集成控制)，具有代表性的有離散事件動態系統、混雜系統。此外，20世紀50年代開始的機器人也比較有代表性，后來出現了服務機器人，特別是昀近的自主智能系統，如無人機、無人車等。 以上從三條主線縱觀了智能的情況和背景，下面換個角度，從計算機科學和類腦智能的發展角度來看人工智能，如圖1.2所示。 AI從20世紀50年代開始經歷了三次浪潮。**次浪潮是1956年開始，核心是符號主義用機器證明的辦法去證明和推理一些知識，建立了邏輯定理證明、專家系統、知識庫等。但專家的經驗規則是有限的、確定的，難以進行知識的更新。所以在這個階段，人們原來期望借助 AI可以解決很多問題，實際上沒有得到解決， AI走向低潮。第二次浪潮是20世紀80年代，受到算法復雜性理論、硬件支撐系統、數據庫管理系統等方面的推動，以神經網絡為代表的連接主義再次受到學者們的廣泛關注，提出了多層感知機、 BP(Back Propagation)網絡等，成功解決了復雜的非線性分類和回歸問題，再次引起了 AI的熱潮。但當時機器的計算能力還很有限，缺乏強力計算設備，同時缺少類似于人類社會這樣開放式的學習環境，無法提供神經網絡訓練所需的大量數據樣本，導致90年代神經網絡再次走向低潮， AI研究者將目光轉向統計學習。90年代互聯網興起，互聯網是一個不確定的、不斷成長的系統，包括云計算和大數據的出現，提供了一套更加有效地對數據獲取、處理的機制和平臺。這樣一來，再次刺激了神經網絡的復蘇，出現了以深度學習為代表的第三次浪潮。2006年，辛頓(Hinton)提出神經網絡深度學習算法，使得至少具有7層的神經網絡的訓練成為可能[6]，由于能夠比較好地模擬人腦神經元多層深度傳遞的過程，在解決一些復雜問題時有著突破性的表現。與此同時，類腦智能研究也逐步引起學術界和工業界的關注，其核心是受腦啟發構建神經擬態架構和處理器，包括 IBM TrueNorth等硬件方面模擬人的神經元芯片和深度學習芯片，如 Google TPU、中科院的寒武紀系列等。 圖1.2 計算機科學、人工智能、類腦計算的演進過程 1.3 智能的驅動與發展關系 神經科學、腦科學與認知科學所揭示的有關腦結構與功能機制為構建智能計算模型提供了重要的啟發。本節將在上述發展脈絡分析的基礎上，從智能的起源開始追溯，分別從智能驅動的專題版塊進行闡述，包括邏輯模型及系統、神經元及網絡模型、視覺神經分層機制、脈沖神經網絡模型、學習與記憶機制、語言模型、進化與強化，綜合分析 AI的發展和演進過程，設計了智能版塊“五線譜”，其中五條線分別為五個不同的領域，七種不同顏色分別表示七個智能專題，如圖1.3所示。 1．邏輯模型及系統 人類神經系統具有邏輯思維的潛力，可以通過后天的學習和訓練，逐漸形成具體的邏輯思考能力。以人的邏輯思維和推演過程為智能驅動，經歷了20世紀50年代～70年代初的邏輯推理與定理證明，之后發展到20世紀80年代出現大量的專家庫和知識庫，到1998年出現語義網、2012年谷歌提出知識圖譜等。可以看出，在這一層面 AI領域通過模擬和學習人類的邏輯推理能力，經歷了邏輯推理與定理證明、專家庫、知識庫、語義網、知識圖譜等一些重要的歷程。
書友推薦
- >
山海經
- >
唐代進士錄
- >
自卑與超越
- >
巴金－再思錄
- >
我與地壇
- >
羅曼·羅蘭讀書隨筆-精裝
- >
伯納黛特,你要去哪(2021新版)
- >
月亮虎
本類暢銷
