本书以人工智能为主要研究对象,较全面地介绍人工智能的基本原理、常见算法和应用技术。全书分为9章,主要内容包括:绪论、知识图谱与专家系统、智能搜索策略、机器学习、特征选择与提取、人工神经网络、深度学习、深度神经网络在图像处理中的应用、深度神经网络在语音信号处理中的应用。本书深入浅出、层次分明、循环渐进地对人工智能基础及应用进行系统的介绍,使读者学习得更加清晰明了。本书配有PPT、微课视频、习题及习题解答等资源,读者可登录华信教育资源网(www.hxedu.com.cn)免费下载。本书适合作为本科生教材,也可供研究生和科技人员参考。本书可以作为高等院校电子信息类、测控通信类、自动化类、计算机类等专业及相关专业相关课程的教材,还可以作为大学生课外电子制作、电子设计竞赛和相关工程技术人员的实用参考书与培训教材。
兰朝凤,女,哈尔滨理工大学测控技术与通信工程学院电子信息工程系主任,副教授,硕士生导师。研究方向为:人机语音交互技术、机器视觉、生物医学信号处理与建模、噪声控制技术、反潜作战技术等。
第1章 绪论 2
1.1 人工智能概述 2
1.1.1 智能的定义 2
1.1.2 人工智能的定义 3
1.1.3 人工智能的起源、现状及发展 3
1.2 人工智能研究的主要内容 7
1.2.1 模式识别 7
1.2.2 专家系统 7
1.2.3 知识库系统 8
1.2.4 自然语言理解 8
1.2.5 自动定理证明 9
1.2.6 计算机视觉 9
1.2.7 自动程序设计 10
1.2.8 自然语言生成 10
1.2.9 机器人学 10
1.2.10 分布式人工智能 11
1.2.11 计算机博弈 11
1.2.12 智能控制 12
1.2.13 软计算 12
1.2.14 智能规划 12
1.3 人工智能的主要技术 13
1.3.1 逻辑推理与定理证明 13
1.3.2 自然语言处理 13
1.3.3 智能机器人 13
1.3.4 最优解算法 13
1.3.5 智能信息检索技术 14
1.3.6 专家系统 14
1.3.7 智能控制技术 14
1.3.8 机器学习 15
1.3.9 生物特征识别 15
1.3.10 人工神经网络 15
1.3.11 虚拟现实技术与增强现实技术 16
1.3.12 知识图谱 16
1.3.13 数据挖掘与知识发现 16
1.3.14 人机交互技术 16
1.4 人工智能的应用领域 17
1.4.1 机器视觉 17
1.4.2 语音识别 19
1.4.3 智能机器人 20
1.5 人工智能的发展趋势与应用前景 21
1.5.1 人工智能的发展趋势 21
1.5.2 人工智能的应用前景 24
本章小结 26
习题 26
第2章 知识图谱与专家系统 28
2.1 知识概述 28
2.1.1 知识 28
2.1.2 数据、信息、知识和智能 28
2.1.3 知识的特征 29
2.1.4 知识的分类 30
2.2 知识表示方法 30
2.2.1 逻辑表示法 30
2.2.2 产生式表示法 33
2.2.3 语义网络表示法 38
2.2.4 框架表示法 43
2.3 知识获取与管理 46
2.3.1 知识获取的概述 46
2.3.2 知识获取的任务 47
2.3.3 知识获取的方式 48
2.3.4 知识管理 50
2.4 知识图谱 52
2.4.1 知识图谱的概述 52
2.4.2 知识图谱的表示 53
2.4.3 知识图谱的推理 53
2.4.4 知识图谱的构建 54
2.4.5 知识图谱的分类 55
2.4.6 知识图谱的特点 56
2.5 专家系统 56
2.5.1 专家系统概述 56
2.5.2 专家系统的结构及构建步骤 57
2.5.3 专家系统的工作原理 59
2.5.4 专家系统的优点 60
2.6 知识图谱与专家系统应用及案例 60
2.6.1 知识图谱的应用及案例 60
2.6.2 专家系统的应用及案例 61
本章小结 66
习题 67
第3章 智能搜索策略 70
3.1 搜索概述 70
3.2 状态空间搜索 71
3.2.1 状态空间表示 71
3.2.2 启发式信息与估价函数 74
3.2.3 A算法 75
3.2.4 A*算法 77
3.3 与或树搜索 79
3.3.1 与或树表示 79
3.3.2 解树的代价 82
3.3.3 与或树的有序搜索 83
3.4 博弈 86
3.4.1 博弈树 86
3.4.2 极大极小过程 88
3.4.3 α-β过程 90
3.5 遗传算法 93
3.5.1 基本过程 93
3.5.2 遗传编码 95
3.5.3 适应度函数 97
3.5.4 遗传操作 99
3.6 智能搜索应用案例 108
本章小结 111
习题 111
第4章 机器学习 114
4.1 机器学习概述 114
4.1.1 什么是机器学习 114
4.1.2 机器学习的发展历程 115
4.1.3 机器学习方法分类 116
4.2 k最近邻域 117
4.3 决策树 119
4.3.1 决策树结构 120
4.3.2 构造决策树 121
4.3.3 随机森林 129
4.4 贝叶斯学习 130
4.4.1 贝叶斯法则 130
4.4.2 贝叶斯网络 131
4.4.3 朴素贝叶斯方法 132
4.5 支持向量机 135
4.5.1 线性可分数据二元分类问题 135
4.5.2 线性不可分数据二元分类问题 140
4.5.3 非线性可分数据二元分类问题 142
4.6 聚类分析 144
4.6.1 聚类分析概述 144
4.6.2 k均值聚类 146
4.6.3 k中心点聚类 147
4.7 基于k均值聚类算法实现鸢尾花聚类 149
本章小结 151
习题 152
第5章 特征选择与提取 155
5.1 特征选择与提取概述 155
5.2 降维 155
5.3 特征提取 157
5.3.1 主成分分析 157
5.3.2 线性判别分析 162
5.4 特征选择 164
5.4.1 过滤法 165
5.4.2 包装法 167
5.4.3 嵌入法 167
5.5 特征选择与提取应用及案例 168
本章小结 169
习题 170
第6章 人工神经网络 172
6.1 产生和发展 172
6.1.1 人工神经元 172
6.1.2 感知机 175
6.2 BP神经网络 179
6.2.1 BP神经网络的基本概述 180
6.2.2 BP神经网络的结构 180
6.2.3 BP神经网络算法 181
6.2.4 BP多层前馈网络的主要能力 183
本章小结 183
习题 184
第7章 深度学习 186
7.1 卷积神经网络 186
7.1.1 CNN基本概述 186
7.1.2 CNN结构 186
7.2 深度学习的基本框架 191
7.2.1 概述 191
7.2.2 几种深度学习框架 192
7.3 循环神经网络 194
7.3.1 RNN概述 195
7.3.2 RNN的基本结构 195
7.4 长短时记忆网络 201
7.4.1 LSTM网络概述 201
7.4.2 LSTM网络的基本结构 202
7.4.3 LSTM网络的变体 204
7.5 生成对抗网络 205
7.5.1 GAN概述 205
7.5.2 GAN网络结构及训练 207
7.5.3 GAN的变体 210
7.6 迁移学习 213
7.6.1 迁移学习的定义及研究目标 213
7.6.2 迁移学习中的基本概念 214
7.6.3 迁移学习的分类 215
7.6.4 迁移学习的应用领域 217
本章小结 219
习题 219
第8章 深度神经网络在图像处理中的应用 221
8.1 计算机视觉基础 221
8.1.1 计算机视觉概述 221
8.1.2 图像与图像特征 224
8.1.3 卷积神经网络与计算机视觉 228
8.2 基于YOLO的交通标志检测与识别 231
8.2.1 交通标志识别 231
8.2.2 YOLO系列简介 232
8.2.3 基于YOLOv5的交通标志检测与识别 237
8.3 基于卷积神经网络的车牌定位与识别 244
8.3.1 车牌特征 244
8.3.2 车牌定位与识别方案设计 245
8.3.3 基于YOLOv5和LPRNet的车牌定位与识别 259
本章小结 268
第9章 深度神经网络在语音信号处理中的应用 270
9.1 语音信号的基础知识 270
9.1.1 语言和语音 270
9.1.2 语音信号的产生机理 272
9.1.3 语音信号的感知 273
9.1.4 语音信号产生的模型 275
9.2 基本原理 276
9.2.1 语音识别的基本原理 276
9.2.2 语音增强的基本原理 277
9.2.3 语音分离的基本原理 280
9.3 语音增强技术及应用 282
9.4 语音识别的前沿问题及应用前景 285
本章小结 286
习题 286
附录A Python 安装及简单函数的使用 288
A.1 Python 概述 288
A.1.1 Python 的基本概念 288
A.1.2 Python 的应用领域 288
A.1.3 Python 开发环境的安装与配置 289
A.1.4 Python 编程规范 293
A.1.5 扩展库安装方法 295
A.1.6 标准库与扩展库中对象的导入与使用 296
A.2 内置对象、运算符、表达式 296
A.2.1 Python 中常用的内置对象 296
A.2.2 Python 运算符与表达式 300