本書以人工智能為主要研究對象，較全面地介紹人工智能的基本原理、常見算法和應用技術。全書分為9章，主要內容包括：緒論、知識圖譜與專家系統、智能搜索策略、機器學習、特征選擇與提取、人工神經網絡、深度學習、深度神經網絡在圖像處理中的應用、深度神經網絡在語音信號處理中的應用。本書深入淺出、層次分明、循環漸進地對人工智能基礎及應用進行系統的介紹，使讀者學習得更加清晰明了。本書配有PPT、微課視頻、習題及習題解答等資源，讀者可登錄華信教育資源網（www.hxedu.com.cn）免費下載。本書適合作為本科生教材，也可供研究生和科技人員參考。本書可以作為高等院校電子信息類、測控通信類、自動化類、計算機類等專業及相關專業相關課程的教材，還可以作為大學生課外電子制作、電子設計競賽和相關工程技術人員的實用參考書與培訓教材。
蘭朝鳳，女，哈爾濱理工大學測控技術與通信工程學院電子信息工程系主任，副教授，碩士生導師。研究方向為：人機語音交互技術、機器視覺、生物醫學信號處理與建模、噪聲控制技術、反潛作戰技術等。
第1章 緒論 2
1.1 人工智能概述 2
1.1.1 智能的定義 2
1.1.2 人工智能的定義 3
1.1.3 人工智能的起源、現狀及發展 3
1.2 人工智能研究的主要內容 7
1.2.1 模式識別 7
1.2.2 專家系統 7
1.2.3 知識庫系統 8
1.2.4 自然語言理解 8
1.2.5 自動定理證明 9
1.2.6 計算機視覺 9
1.2.7 自動程序設計 10
1.2.8 自然語言生成 10
1.2.9 機器人學 10
1.2.10 分布式人工智能 11
1.2.11 計算機博弈 11
1.2.12 智能控制 12
1.2.13 軟計算 12
1.2.14 智能規劃 12
1.3 人工智能的主要技術 13
1.3.1 邏輯推理與定理證明 13
1.3.2 自然語言處理 13
1.3.3 智能機器人 13
1.3.4 最優解算法 13
1.3.5 智能信息檢索技術 14
1.3.6 專家系統 14
1.3.7 智能控制技術 14
1.3.8 機器學習 15
1.3.9 生物特征識別 15
1.3.10 人工神經網絡 15
1.3.11 虛擬現實技術與增強現實技術 16
1.3.12 知識圖譜 16
1.3.13 數據挖掘與知識發現 16
1.3.14 人機交互技術 16
1.4 人工智能的應用領域 17
1.4.1 機器視覺 17
1.4.2 語音識別 19
1.4.3 智能機器人 20
1.5 人工智能的發展趨勢與應用前景 21
1.5.1 人工智能的發展趨勢 21
1.5.2 人工智能的應用前景 24
本章小結 26
習題 26
第2章 知識圖譜與專家系統 28
2.1 知識概述 28
2.1.1 知識 28
2.1.2 數據、信息、知識和智能 28
2.1.3 知識的特征 29
2.1.4 知識的分類 30
2.2 知識表示方法 30
2.2.1 邏輯表示法 30
2.2.2 產生式表示法 33
2.2.3 語義網絡表示法 38
2.2.4 框架表示法 43
2.3 知識獲取與管理 46
2.3.1 知識獲取的概述 46
2.3.2 知識獲取的任務 47
2.3.3 知識獲取的方式 48
2.3.4 知識管理 50
2.4 知識圖譜 52
2.4.1 知識圖譜的概述 52
2.4.2 知識圖譜的表示 53
2.4.3 知識圖譜的推理 53
2.4.4 知識圖譜的構建 54
2.4.5 知識圖譜的分類 55
2.4.6 知識圖譜的特點 56
2.5 專家系統 56
2.5.1 專家系統概述 56
2.5.2 專家系統的結構及構建步驟 57
2.5.3 專家系統的工作原理 59
2.5.4 專家系統的優點 60
2.6 知識圖譜與專家系統應用及案例 60
2.6.1 知識圖譜的應用及案例 60
2.6.2 專家系統的應用及案例 61
本章小結 66
習題 67
第3章 智能搜索策略 70
3.1 搜索概述 70
3.2 狀態空間搜索 71
3.2.1 狀態空間表示 71
3.2.2 啟發式信息與估價函數 74
3.2.3 A算法 75
3.2.4 A*算法 77
3.3 與或樹搜索 79
3.3.1 與或樹表示 79
3.3.2 解樹的代價 82
3.3.3 與或樹的有序搜索 83
3.4 博弈 86
3.4.1 博弈樹 86
3.4.2 極大極小過程 88
3.4.3 α-β過程 90
3.5 遺傳算法 93
3.5.1 基本過程 93
3.5.2 遺傳編碼 95
3.5.3 適應度函數 97
3.5.4 遺傳操作 99
3.6 智能搜索應用案例 108
本章小結 111
習題 111
第4章 機器學習 114
4.1 機器學習概述 114
4.1.1 什么是機器學習 114
4.1.2 機器學習的發展歷程 115
4.1.3 機器學習方法分類 116
4.2 k最近鄰域 117
4.3 決策樹 119
4.3.1 決策樹結構 120
4.3.2 構造決策樹 121
4.3.3 隨機森林 129
4.4 貝葉斯學習 130
4.4.1 貝葉斯法則 130
4.4.2 貝葉斯網絡 131
4.4.3 樸素貝葉斯方法 132
4.5 支持向量機 135
4.5.1 線性可分數據二元分類問題 135
4.5.2 線性不可分數據二元分類問題 140
4.5.3 非線性可分數據二元分類問題 142
4.6 聚類分析 144
4.6.1 聚類分析概述 144
4.6.2 k均值聚類 146
4.6.3 k中心點聚類 147
4.7 基于k均值聚類算法實現鳶尾花聚類 149
本章小結 151
習題 152
第5章 特征選擇與提取 155
5.1 特征選擇與提取概述 155
5.2 降維 155
5.3 特征提取 157
5.3.1 主成分分析 157
5.3.2 線性判別分析 162
5.4 特征選擇 164
5.4.1 過濾法 165
5.4.2 包裝法 167
5.4.3 嵌入法 167
5.5 特征選擇與提取應用及案例 168
本章小結 169
習題 170
第6章 人工神經網絡 172
6.1 產生和發展 172
6.1.1 人工神經元 172
6.1.2 感知機 175
6.2 BP神經網絡 179
6.2.1 BP神經網絡的基本概述 180
6.2.2 BP神經網絡的結構 180
6.2.3 BP神經網絡算法 181
6.2.4 BP多層前饋網絡的主要能力 183
本章小結 183
習題 184
第7章 深度學習 186
7.1 卷積神經網絡 186
7.1.1 CNN基本概述 186
7.1.2 CNN結構 186
7.2 深度學習的基本框架 191
7.2.1 概述 191
7.2.2 幾種深度學習框架 192
7.3 循環神經網絡 194
7.3.1 RNN概述 195
7.3.2 RNN的基本結構 195
7.4 長短時記憶網絡 201
7.4.1 LSTM網絡概述 201
7.4.2 LSTM網絡的基本結構 202
7.4.3 LSTM網絡的變體 204
7.5 生成對抗網絡 205
7.5.1 GAN概述 205
7.5.2 GAN網絡結構及訓練 207
7.5.3 GAN的變體 210
7.6 遷移學習 213
7.6.1 遷移學習的定義及研究目標 213
7.6.2 遷移學習中的基本概念 214
7.6.3 遷移學習的分類 215
7.6.4 遷移學習的應用領域 217
本章小結 219
習題 219
第8章 深度神經網絡在圖像處理中的應用 221
8.1 計算機視覺基礎 221
8.1.1 計算機視覺概述 221
8.1.2 圖像與圖像特征 224
8.1.3 卷積神經網絡與計算機視覺 228
8.2 基于YOLO的交通標志檢測與識別 231
8.2.1 交通標志識別 231
8.2.2 YOLO系列簡介 232
8.2.3 基于YOLOv5的交通標志檢測與識別 237
8.3 基于卷積神經網絡的車牌定位與識別 244
8.3.1 車牌特征 244
8.3.2 車牌定位與識別方案設計 245
8.3.3 基于YOLOv5和LPRNet的車牌定位與識別 259
本章小結 268
第9章 深度神經網絡在語音信號處理中的應用 270
9.1 語音信號的基礎知識 270
9.1.1 語言和語音 270
9.1.2 語音信號的產生機理 272
9.1.3 語音信號的感知 273
9.1.4 語音信號產生的模型 275
9.2 基本原理 276
9.2.1 語音識別的基本原理 276
9.2.2 語音增強的基本原理 277
9.2.3 語音分離的基本原理 280
9.3 語音增強技術及應用 282
9.4 語音識別的前沿問題及應用前景 285
本章小結 286
習題 286
附錄A Python 安裝及簡單函數的使用 288
A.1 Python 概述 288
A.1.1 Python 的基本概念 288
A.1.2 Python 的應用領域 288
A.1.3 Python 開發環境的安裝與配置 289
A.1.4 Python 編程規范 293
A.1.5 擴展庫安裝方法 295
A.1.6 標準庫與擴展庫中對象的導入與使用 296
A.2 內置對象、運算符、表達式 296
A.2.1 Python 中常用的內置對象 296
A.2.2 Python 運算符與表達式 300
新書資訊