新書推薦：
《
自由与平等是否兼容？（思库文丛·汉译精品）
》
售價：HK$
68.2
《
消融时代：冰川、气候与人类危机（译见丛书）冰川消融前人类还有多少时间 美国笔会科普文学奖决选作品 纽约时报书单盛赞的警世之书
》
售價：HK$
63.8
《
欧美经济群雄逐鹿300年
》
售價：HK$
74.8
《
应期而生 利奥梅拉梅德与现代金融的诞生
》
售價：HK$
86.9
《
女性私密健康全书
》
售價：HK$
74.8
《
白轮船 典藏版
》
售價：HK$
49.5
《
非洲：考古学的视角（国际知名人类学家、非洲研究专家高畅教授作品。）
》
售價：HK$
96.8
《
日本姓名的历史学
》
售價：HK$
55.0
|
| 內容簡介： |
|
《人工智能与海洋机器人》是一本融合人工智能及其在海洋机器人中应用的综合性教材，旨在为学生、研究人员和工程师提供全面的理论基础和实际应用技能。《人工智能与海洋机器人》内容涵盖了人工智能的基础理论、人工神经网络在海洋机器人控制中的应用、强化学习方法在海洋机器人决策上的应用、基于深度学习的水下目标探测，以及人工智 能在海洋机器人中的具体应用实例。
|
| 目錄：
|
|
目录第一章 绪论 11.1 人工雛概述 11.2 人工智能的起源和发展史 11.3 图灵测试 31.4 弱人工智能与强人工智能 41.4.1 弱人工智能 41.4.2 强人工智能 41.4.3 弱人工智能与强人工智能的对比 51.5 人工智能的各个学派 61.5.1 符号主义 61.5.2 联结主义 61.5.3 为主义 71.6 海洋机器人概述 71.6.1 水面无人艇 81.6.2 水下机器人 121.6.3 海洋机器人的应用与挑战 15第2章 知识表示 162.1 知识与知识表示的概念 162.1.1 知识的概念 162.1.2 知识的特性 172.1.3 知识的表示 182.2 状态空间法 182.2.1 问题状态描述 182.2.2 状态图示法 202.3 问题归约法 222.3.1 问题归约描述 222.3.2 与或酬述 242.4 P 生式表示法 272.4.1 P生式概述 272.4.2 f生式纖 292.4.3 产生式表示法的特点 302.5 面向对象的知识表示 312.5.1 关于对象的定义 312.5.2 消息、接口和方法 322.5.3 类 332.5.4 封装与继承 332.6 海洋机器人路径规划的知识表示 34第3章 搜索策略 363.1 搜索概述 363.1.1 搜索的基本问题与主要过程 363.1.2 搜索策略分类 363.2 盲目搜索 373.2.1 宽度优先搜索 373.2.2 深度优先搜索 393.2.3 有界深度优先搜索 413.2.4 迭代廳搜索 423.3 启发式图搜索策略 423.3.1 启发式策略 433.3.2 启发信息和估价函数 453.3.3 A搜索算法 463.3.4 A*搜索算法及其特性分析 493.4 回溯策略 513.5 博弈搜索 533.5.1 极大极小过程 553.5.2 *过程 573.6 海洋机器人路径规划的启发式搜索 59第4章 人工神经网络 614.1 神经信息处理基本原理 614.1.1 生物神经元结构 614.1.2 神经元数学模型 624.1.3 神经网络的结构与工作方式 634.1.4 神经网络的学习 634.2 感知器 644.2.1 人工神经元的基本构成 644.2.2 感知器的组成 654.3 BP神经网络 684.3.1 网络的构成 684.3.2 训练过程 694.3.3 误差传播分析 704.3.4 实例 724.4 RBF神经网络 744.4.1 径向基函数 744.4.2 径向基网络 754.4.3 RBF神经网络的设计和求解 764.4.4 实例 774.5 Hopfield神经网络 794.5.1 Hopfield神经网络的组织 794.5.2 稳定性分析 824.5.3 实例 854.6 自组织映射神经网络 864.6.1 典型结构 864.6.2 自组织学习过程 874.6.3 设计细 1 884.6.4 实例 894.7 海洋机器人控制中的人工神经网络 904.7.1 基于RBF神经网络的监督控制 904.7.2 基于RBF神经网络的模型参考自适应控制 91第5章 强化学习 935.1 强化学习概述 935.1.1 强化学习要素 935.1.2 强化学习过程 935.1.3 强化学习的分类 945.1.4 强化学习的局限与适用范围 945.2 马尔可夫决策 945.2.1 马尔可夫过程 955.2.2 马尔可夫奖励过程 965.2.3 马尔可夫决策过程 985.3 动态細胜 1015.3.1 策略评估 1025.3.2 策略改进 1065.3.3 策略迭代与价值迭代 1075.3.4 异步动态规划 1085.4 蒙特卡罗法 1095.4.1 蒙特卡罗概率统计 1095.4.2 “经验”与“平均” 1115.4.3 蒙特卡罗控制 1125.4.4 非探索性初始化假设的蒙特卡罗控制 1135.5 时间差分法 1165.5.1 时间差分法的值函数 1175.5.2 时间差分法的优点 1175.5.3 时间差分控制 1185.6 策略梯度 1245.7 海洋机器人中的强化学习 126第6章 深度学习 1316.1 深度前馈网络 1316.2 基于梯度的学习 1326.2.1 代价函数 1326.2.2 使用最大似然学习条件分布 1336.2.3 输出单元 1336.3 正则化 1376.3.1 参数范数惩罚 1376.3.2 L2参数正则化 1386.3.3 L1参数正则化 1406.3.4 作为约束的范数惩罚 1416.3.5 正则化和欠约束问题 1436.3.6 数据集增强 1436.3.7 噪声鲁棒性 1446.3.8 半监督学习 1456.3.9 提前终止 1456.3.10 Bagging方法 1476.3.11 Dropout方法 1486.4 卷积网络 1546.4.1 卷积运算的定义 1556.4.2 卷积神经网络中的卷积运算 1556.4.3 卷积神经网络的特点 1566.4.4 卷积神经网络层 1576.4.5 多层卷积 1616.4.6 AlexNet(实例） 1626.5 基于深度学习的目标探测框架 1666.5.1 YOLO框架 1666.5.2 Transformer框架 1676.5.3 R-CNN算法 168参考文献 169
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
