新書推薦：
《
考古学理论手册
》
售價：HK$
262.9
《
全球书籍史
》
售價：HK$
130.9
《
如此中国：时间线上的艺术与文明
》
售價：HK$
250.8
《
胡斯战争（卷一）：愚人之塔（《猎魔人》作者波兰历史奇幻巨著）
》
售價：HK$
142.8
《
大清为何轰然倒塌：一本让读者又爽又气、又哭又笑的历史书
》
售價：HK$
74.8
《
真实与真理之间——早期基督教史学探析
》
售價：HK$
107.8
《
中国古代等级制度
》
售價：HK$
173.8
《
中国轮船航运业的兴起（樊百川著作集）
》
售價：HK$
184.8
|
| 編輯推薦： |
专家推荐
在万物互联的智能化时代，深度学习与物联网的融合正重塑技术生态。本书以独特的双螺旋视角，系统地阐释了传感器数据处理与神经网络架构的协同创新。书中包含智慧城市、工业监测等前沿场景解析，通过“理论推演-代码实现-行业应用”的三段式教学，为读者构建了完整的知识图谱。本书既可作为高校智能科学与技术、物联网工程等相关专业的教材，也能为物联网开发者提供算法落地的关键指引。
——北京大学 张大庆教授
当深度学习遇见物理世界感知网络，一场静默的技术革命已然开启。本书突破了传统学科的界限，创造性地提出了AIoT技术框架，通过听觉智能感知、视觉智能感知和无源智能感知等鲜活案例，生动地展现了神经网络与物联网硬件的深度融合。作者巧妙地运用“问题驱动式”的写作手法，从噪声数据的特征提取困境，推导出深度残差收缩网络的设计原理，使复杂理论回归工程实践的本质。
——新加坡南洋理工大学 熊杰教授
智能物联网正在重塑人与物理世界的交互方式，本书以深度学习为核心脉络，架起了一座贯通数字智能与物理世界的桥梁。从基础理论到实战应用，作者巧妙地串联起数据感知、智能计算与智能物联网三大维度，通过智慧能源
|
| 內容簡介： |
|
本书以跨界融合的视角构建了智能物联网与深度学习的知识体系，设计了“技术架构-算法演进-产业赋能”三维框架，以智能物联网为经，深度学习为纬，系统梳理了从传感器数据采集到云端智能决策的全链路技术栈，贯通了从基础理论到产业应用的全链路认知。通过“理论推演 虚实实验 场景迁移”的螺旋式教学设计，将抽象算法具象化为可操作的行业解决方案，配备多层级实验体系与行业案例库，实现了学术前沿性与工程实用性的有机平衡。内容既涵盖联邦学习、数字孪生等尖端领域，又深度聚焦AIoT安全、多模态感知等现实挑战。独创弹性学习路径设计，通过知识矩阵动态适配不同基础的学习者，形成从学术研究到产业落地的能力培养闭环。全书以“问题链”叙事重构技术演进逻辑，在智能硬件与数字思维的碰撞中，为读者打造兼具系统性和前瞻性的认知引擎，赋能跨域创新的思维跃迁。
|
| 關於作者： |
林 驰
大连理工大学副教授、博士生导师，泛在网络与智能感知研究所副所长。2021年～2024年连续四年入选斯坦福大学“全球前2%顶尖科学家”榜单，累计主持科研项目20余项，包括国家自然科学基金4项（重大项目子课题1项、面上2项、青年1项）、CCF-联想蓝海基金、CCF-腾讯犀牛鸟基金，入围辽宁省“兴辽英才”青年拔尖人才、大连理工大学星海学者（优青层次）、大连市青年科技之星等人才类项目。以第一作者 /通讯作者身份在 MobiCom、INFOCOM、UbiComp、IEEE/ACM TON、IEEE TMC等CCF-A类期刊上发表论文近40篇，ESI高引论文2篇。研究成果获得76位院士与ACM/IEEE会士等知名专家的肯定及正面引用。授权专利10余项（2项国际专利），实现百万级成果落地转化并已量产，相关技术通过科学技术成果鉴定，达到国际先进水平。担任 IEEE TMC、JCSS、ACM TOSN等国际顶级期刊编委/客座主编，以各类主席身份组织HHME 2025、WASA 2022-2023、ICPADS 2022、CWSN 2023等国际会议。
|
| 目錄：
|
目 录
前言
第一篇 绪 论
第1章 认识智能物联网2
1.1 智能物联网的基本概念与体系结构2
1.1.1 什么是物联网2
1.1.2 智能物联网的基本概念5
1.1.3 智能物联网的体系结构6
1.2 智能物联网的起源与国内外发展现状7
1.2.1 智能物联网的起源7
1.2.2 国内外发展现状9
1.3 智能物联网的应用前景及发展趋势12
1.3.1 智能物联网的应用前景12
1.3.2 智能物联网的发展趋势14
本章习题16
参考文献16
第2章 认识深度学习17
2.1 机器学习的基本概念17
2.2 机器学习任务20
2.3 深入研究深度学习21
2.4 人工神经网络23
2.4.1 人工神经网络的历史23
2.4.2 脉冲神经网络24
2.4.3 操作模式24
2.4.4 学习规则24
2.5 神经网络架构25
2.5.1 单层前馈网络25
2.5.2 多层前馈网络25
2.5.3 循环网络26
2.5.4 网状网络27
2.5.5 训练过程和学习特性27
本章习题29
参考文献29
第二篇 智能感知
第3章 视觉智能感知32
3.1 机器视觉的基本概念和特性32
3.1.1 机器视觉的基本概念32
3.1.2 机器视觉的特性33
3.2 机器视觉感知技术35
3.2.1 机器视觉系统中的图像传感35
3.2.2 用于移动机器人的仿生
实时被动视觉36
3.2.3 用于机器视觉中的颜色
和深度传感器技术37
3.3 视觉智能感知应用38
本章习题41
参考文献41
第4章 听觉智能感知42
4.1 机器听觉的基本概念和特性42
4.1.1 听觉生理学43
4.1.2 听觉中的关键问题44
4.1.3 机器听觉45
4.2 机器听觉感知技术46
4.2.1 机器听觉感知体系结构46
4.2.2 语音识别技术47
4.3 听觉智能感知应用51
本章习题52
参考文献53
第5章 智能无源感知54
5.1 智能无源感知的基本概念和特性54
5.1.1 无源传输网络55
5.1.2 电子传感器架构56
5.1.3 智能无源传感器56
5.1.4 典型应用57
5.2 无源感知信号分类58
5.2.1 RFID58
5.2.2 Wi-Fi64
5.2.3 LoRa70
5.2.4 Radar与LTE73
5.2.5 毫米波和太赫兹79
5.3 智能无源感知应用86
5.3.1 基于RFID的无源物联网87
5.3.2 基于蓝牙的无源物联网88
5.3.3 基于Wi-Fi的无源物联网88
5.3.4 基于LoRa的无源物联网88
5.3.5 基于5G的无源物联网88
本章习题89
参考文献89
第6章 多传感器数据融合91
6.1 数据融合的基本概念91
6.1.1 多传感器数据融合的概念91
6.1.2 多传感器数据融合的分类94
6.1.3 多传感器数据融合的应用95
6.2 数据融合的目标、原理及层次97
6.2.1 数据融合的目标97
6.2.2 数据融合的原理98
6.2.3 数据融合的层次100
6.3 多传感器数据融合的方法101
6.3.1 随机类方法101
6.3.2 人工智能类方法102
本章习题103
参考文献103
第7章 网络化智能协作感知106
7.1 传感器网络与无线传感器网络106
7.1.1 传感器网络106
7.1.2 无线传感器网络107
7.2 协作感知111
7.2.1 单空间协作感知111
7.2.2 从单一空间到跨空间协作感知113
本章习题115
参考文献116
第三篇 智能计算
第8章 深度学习计算120
8.1 深度学习计算概述120
8.1.1 人工智能简史120
8.1.2 基于规则的系统121
8.1.3 基于知识的系统121
8.1.4 机器学习122
8.1.5 机器学习的概念122
8.1.6 泛化124
8.1.7 感知器129
8.1.8 多层神经网络130
8.2 模型构造与模型参数初始化和共享132
8.2.1 提前停止132
8.2.2 以广度换深度133
8.2.3 集成方法133
8.2.4 参数共享134
8.3 数据读取和存储135
8.4 GPU计算135
本章习题140
参考文献140
第9章 卷积神经网络141
9.1 卷积神经网络简介141
9.2 二维卷积层144
9.3 图像物体边缘检测149
9.3.1 边缘检测的步骤150
9.3.2 边缘检测器151
9.4 互相关运算和卷积运算154
9.4.1 互相关运算154
9.4.2 卷积运算156
9.4.3 互相关与卷积的区别160
9.5 填充和步幅160
9.5.1 填充160
9.5.2 步幅161
本章习题161
参考文献162
第10章 群智能算法之粒子群算法163
10.1 基本粒子群算法163
10.2 粒子群优化算法的基本框架166
10.3 粒子群算法分类168
10.3.1 PSO算法168
10.3.2 两种基本的进化模型169
10.3.3 改进的PSO算法169
10.4 实例分析170
本章习题172
参考文献172
第11章 优化算法173
11.1 优化与深度学习173
11.1.1 优化目标174
11.1.2 优化过程175
11.1.3 深度学习中的优化挑战176
11.2 梯度下降和随机梯度下降176
11.2.1 梯度下降的实现和基本分析177
11.2.2 随机梯度下降179
11.3 动量法180
11.4 自适应学习率算法182
11.4.1 AdaGrad算法182
11.4.2 RMSProp算法182
11.4.3 Adam算法183
11.4.4 选择正确的优化算法183
本章习题183
参考文献184
第12章 多目标优化算法185
12.1 多目标优化算法简介185
12.1.1 多目标优化算法定义185
12.1.2 与单目标优化的区别187
12.1.3 多目标优化的两种方法187
12.1.4 非占优解与帕累托最优解189
12.2 三代多目标优化算法191
12.3 高维多目标优化算法193
12.4 多目标优化算法应用实例194
12.4.1 航天器轨迹设计194
12.4.2 悬臂板设计194
本章习题196
参考文献197
第四篇 应用及展望
第13章 智能物联网与深度学习应用200
13.1 深度学习在社交媒体分析中的应用200
13.1.1 用户行为分析201
13.1.2 业务分析204
13.2 医疗认知系统与健康大数据应用206
13.3 认知车联网与5G认知系统应用209
13.3.1 认知车联网209
13.3.2 5G认知系统应用212
13.4 生成对抗网络在深度学习中的应用214
13.4.1 GAN在自然语言处理中的应用214
13.4.2 GAN在计算机视觉中的应用215
13.4.3 GAN的安全应用216
13.5 大数据技术在城市治理与智慧城市中的应用217
13.6 无人机应用219
13.7 安全与隐私保障应用222
13.7.1 物联网安全224
13.7.2 物联网中的隐私225
13.7.3 物联网安全和用户隐私面临的挑战226
13.8 生理和心理状态监测应用227
本章习题230
参考文献230
第14章 智能物联网与深度学习的未来展望234
14.1 智能物联网与深度学习的发展前景234
14.2 智能物联网与深度学习面临的挑战237
本章小结240
|
| 內容試閱：
|
前 言
智能物联网与深度学习正以惊人的速度改变着人们的生活和工作方式。从传感器到设备，再到云计算和人工智能技术的结合，智能物联网提供了一个无限可能的连接世界。与此同时，深度学习作为人工智能的重要分支，通过模拟人脑神经网络的工作方式，在各个领域都取得了突破性的进展。
本书旨在全面介绍智能物联网与深度学习的基础知识、技术原理和应用场景，帮助读者理解和掌握智能物联网与深度学习的核心概念和方法。首先，从概念层面入手，介绍智能物联网的基本概念与体系结构，并探讨其在国内外的发展现状和应用前景。
接下来，深入研究深度学习的基础知识。从机器学习的基本概念开始，介绍机器学习任务和深度学习，重点介绍人工神经网络和神经网络架构的相关知识，为读者建立关于深度学习的基础理论框架。
在介绍了智能物联网和深度学习的基础知识后，进一步探讨智能感知和智能计算的核心内容。智能感知部分介绍了视觉、听觉和无源感知等技术，并探讨如何利用多传感器数据融合和网络化智能协作感知提升智能感知能力。
智能计算部分介绍了深度学习计算的基础知识和算法，并重点关注卷积神经网络和群智能算法等相关内容。此外，还讨论了优化算法和多目标优化算法在深度学习中的应用。
最后，本书的应用及展望部分介绍了智能物联网与深度学习在社交媒体分析、健康医疗、交通、安全与隐私保障、智慧城市等领域的具体应用，并展望了智能物联网与深度学习未来的发展前景和面临的挑战。
希望本书能够成为读者了解智能物联网与深度学习的入门参考书。无论是学生、科研人员，还是从事相关工作的专业人士，本书都能够为你提供宝贵的知识和实践经验，帮助你在智能物联网与深度学习领域取得更好的成果。
最后，感谢所有支持和帮助我完成这本书的家人、朋友和同事。希望我的努力能够为读者带来价值，也期待读者在阅读本书的过程中不断探索、学习并应用所学知识，为推动智能物联网与深度学习的发展做出贡献。
|
|
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
