- 編號：97231
- 書名：人工智能原理與警務應用
- 作者：葉建森
- 出版社：法律
- 出版時間：2024年5月
- 入庫時間：2024-10-2
- 定價：78
圖書內容簡介
本書探討了人工智能技術在警務工作中的應用，并對相關的智能技術原理和應用實例進行詳細分析。本書共分為十章，涵蓋了警務智能概述、警務知識表示、警務確定性推理方法、警務搜索求解策略、警務不確定性推理方法、智能計算及其應用、數據挖掘與機器學習、深度學習、人工智能在監獄中的應用、人工智能未來發展和趨勢。本書的編排方式采用了概念講解、代碼示例和示例練習相結合的模式。通過這種方式，讀者可以深入理解人工智能及數據挖掘的基礎概念，并掌握相關知識和技能。
圖書目錄
"目 錄
第1章 警務智能概述
1.1 智能的基本概念
1.1.1 智能的定義
1.1.2 智能的分類
1.1.3 人工智能
1.2 人工智能發展簡史
1.2.1 孕育階段
1.2.2 形成階段
1.2.3 發展階段
1.3 人工智能的主要研究領域
1.3.1 多學科交叉研究
1.3.2 智能應用和智能產業
1.4 警務智能技術
1.4.1 警務智能的特征
1.4.2 警務智能應用
1.5 人工智能的發展趨勢
1.6 本章小結
習題
第2章 警務知識表示
2.1 知識和知識表示
2.1.1 知識的概念
2.1.2 知識的特性
2.1.3 知識的表示
2.2 謂詞邏輯表示法
2.2.1 命題
2.2.2 謂詞
2.2.3 謂詞公式
2.2.4 謂詞公式的性質
2.2.5 一階謂詞邏輯知識表示方法
2.2.6 一階謂詞邏輯表示法的特點
2.3 產生式表示法
2.3.1 產生式
2.3.2 產生式系統
2.3.3 產生式系統實例
2.3.4 產生式表示法的特點
2.4 框架表示法
2.4.1 框架的一般結構
2.4.2 用框架表示知識的例子
2.4.3 框架表示法的特點
2.4.4 框架系統的問題求解過程
2.5 警務知識表示模型分析
2.6 本章小結
習題
第3章 警務確定性推理方法
3.1 推理的基本概念
3.1.1 推理的定義
3.1.2 推理方式及其分類
3.1.3 推理的方向
3.1.4 沖突消解策略
3.2 自然演繹推理
3.3 謂詞公式化為子句集的方法
3.4 魯賓遜歸結原理
3.4.1 命題邏輯中的歸結原理
3.4.2 謂詞邏輯中的歸結原理
3.5 歸結反演
3.6 應用歸結原理求解問題
3.7 警務確定性推理應用分析
3.8 本章小結
習題
第4章 警務搜索求解策略
4.1 搜索的概念
4.1.1 搜索的基本問題與主要過程
4.1.2 搜索策略
4.2 狀態空間的知識表示
4.2.1 狀態空間表示法
4.2.2 狀態空間的圖描述
4.3 盲目的圖搜索策略
4.3.1 回溯策略
4.3.2 寬度優先搜索策略
4.3.3 深度優先搜索策略
4.4 啟發式圖搜索策略
4.4.1 啟發式策略
4.4.2 啟發信息和估價函數
4.4.3 A搜索算法
4.4.4 A*搜索算法及其特性分析
4.5 本章小結
習題
第5章 警務不確定性推理方法
5.1 不確定性推理的概念
5.1.1 不確定性的表示和度量
5.1.2 不確定性匹配算法和閾值
5.1.3 組合證據不確定性的算法
5.1.4 不確定性的傳遞算法
5.1.5 結論不確定性的合成
5.1.6 不確定性推理方法
5.2 可信度方法
5.2.1 可信度的定義
5.2.2 知識不確定性的表示
5.2.3 證據不確定性的表示
5.2.4 組合證據不確定性的算法
5.2.5 結論不確定性的表示
5.2.6 結論不確定性的合成算法
5.3 證據理論
5.3.1 概率分配函數
5.3.2 信任函數
5.3.3 似然函數
5.3.4 概率分配函數的正交和
5.3.5 基于證據理論的不確定性推理
5.4 模糊推理方法
5.4.1 模糊邏輯的提出與發展
5.4.2 模糊集合
5.4.3 模糊集合的運算
5.4.4 模糊關系與模糊關系的合成
5.4.5 模糊推理
5.4.6 模糊決策
5.4.7 模糊推理的應用
5.5 不確定性推理在警務應用中的案例
5.6 本章小結
習題
第6章 智能計算及其應用
6.1 進化算法的產生與發展
6.1.1 進化算法的概念
6.1.2 進化算法的生物學背景
6.1.3 進化算法的設計原則
6.2 基本遺傳算法
6.2.1 遺傳算法的發展歷史
6.2.2 遺傳算法的基本思想
6.2.3 編碼
6.2.4 群體設定
6.2.5 適應度函數
6.2.6 選擇
6.2.7 交叉操作
6.2.8 變異
6.3 遺傳算法的改進算法
6.3.1 雙倍體遺傳算法
6.3.2 雙種群遺傳算法
6.3.3 自適應遺傳算法
6.4 遺傳算法的應用
6.5 群智能算法
6.6 粒子群優化算法及其應用
6.6.1 粒子群優化算法的基本原理
6.6.2 粒子群優化算法的參數分析
6.6.3 粒子群優化算法的應用領域
6.6.4 粒子群優化算法在車輛路徑問題中的應用
6.7 蟻群算法及其應用
6.7.1 基本蟻群算法模型
6.7.2 蟻群算法的參數選擇
6.7.3 蟻群算法的應用
6.8 本章小結
習題
第7章 數據挖掘與機器學習
7.1 數據挖掘概述
7.1.1 數據挖掘的概念與發展
7.1.2 數據挖掘的任務
7.1.3 數據挖掘的應用
7.1.4 數據挖掘的過程與方法
7.2 數據挖掘分類
7.2.1 決策樹分類法
7.2.2 基于規則的分類器
7.2.3 樸素貝葉斯分類器
7.2.4 基于距離的分類算法
7.3 機器學習概述
7.4 機器學習分類
7.4.1 根據學習能力分類
7.4.2 根據學習方法分類
7.5 數據關聯規則
7.5.1 基本概念
7.5.2 關聯規則挖掘算法
7.5.3 關聯規則生成
7.6 數據挖掘與機器學習的應用
7.6.1 數據挖掘與機器學習在軍工領域中的應用
7.6.2 數據挖掘與機器學習在警務領域中的應用
7.7 本章小結
習題
第8章 深度學習
8.1 線性神經網絡
8.1.1 線性模型
8.1.2 損失函數
8.1.3 模型訓練
8.1.4 基礎優化算法
8.1.5 線性模型的實現
8.2 多層感知機
8.2.1 感知機模型
8.2.2 多層感知機模型
8.2.3 反向傳播算法
8.2.4 多層感知機的實現
8.3 卷積神經網絡
8.3.1 從全連接層到卷積
8.3.2 圖像卷積
8.3.3 多輸入、多輸出通道
8.3.4 池化層
8.3.5 卷積神經網絡的實現
8.3.6 經典卷積神經網絡的實現
8.4 循環神經網絡
8.4.1 序列模型
8.4.2 文本預處理
8.4.3 循環神經網絡原理
8.4.4 循環神經網絡的實現
8.5 本章小結
習題
第9章 人工智能在監獄中的應用
9.1 目標檢測
9.1.1 數據集
9.1.2 目標檢測網絡模型
9.2 罪犯風險評估
9.2.1 構建數據集
9.2.2 代碼實現
9.3 罪犯人臉識別
9.3.1 人臉識別技術原理
9.3.2 代碼實現
9.4 罪犯情感識別
9.4.1 表情識別技術原理
9.4.2 VGG網絡模型代碼
9.4.3 多模態情感識別
9.5 監獄巡檢機器人
9.5.1 巡檢機器人系統架構
9.5.2 巡檢機器人功能模塊
9.6 本章小結
習題
第10章 人工智能未來發展和趨勢
10.1 類腦計算
10.1.1 類腦計算的定義
10.1.2 發展歷程
10.1.3 類腦計算的應用
10.2 非馮·諾依曼結構
10.2.1 三種非馮·諾依曼結構
10.2.2 非馮·諾依曼結構的應用
10.2.3 非馮·諾依曼結構的發展趨勢
10.3 人工智能芯片與機器學習系統
10.3.1 人工智能芯片概述
10.3.2 人工智能芯片的關鍵技術
10.3.3 人工智能芯片的應用
10.3.4 人工智能芯片具有的優勢
10.3.5 人工智能芯片在機器學習系統中的研究發展趨勢
10.4 量子機器學習
10.4.1 量子機器學習的基本原理
10.4.2 量子機器學習的應用
10.4.3 量子機器學習的發展趨勢與挑戰
10.5 深度學習編程框架
10.5.1 深度學習編程框架的常見功能
10.5.2 常見的深度學習編程框架
10.5.3 深度學習編程框架的未來發展趨勢
10.6 人工智能生態
10.6.1 硬件平臺
10.6.2 數據集和數據處理
10.6.3 算法和模型
10.6.4 開發框架和工具
10.6.5 應用場景和商業化
10.7 人工智能倫理與治理
10.7.1 隱私和數據保護
10.7.2 公平和歧視
10.7.3 透明度和解釋性
10.7.4 責任和法律問題
10.7.5 社會影響和失業
10.7.6 安全和軍事應用
10.8 本章小結
習題
參考文獻
"
