科學計算可視化（ScientificVisualization，SciVis）是計算機圖形學的一個重要研究方向，是圖形科學的新領域。隨著計算能力的不斷增強，科學數(shù)據中使用的物理模型以及模擬空間的大小都在不斷提高。本書嘗試性地將機器學習理論應用于科學計算可視化中，大大提高了數(shù)據中特征識別的魯棒性和準確率，同時結合流場數(shù)據

本書內容包括：一類四次指數(shù)多項式的零點分布；無自反饋的具時滯的四維神經網絡模型的Hopf分支；無自反饋的具時滯的四維神經網絡模型的Pitchfork分支等。

本書基于多重共現(xiàn)的知識發(fā)現(xiàn)方法的研究致力于將三個或三個以上特征項共現(xiàn)的現(xiàn)象作為研究主體，在總結現(xiàn)有的共現(xiàn)研究方法、數(shù)據挖掘技術、可視化技術、知識發(fā)現(xiàn)方法的基礎上，拓展共現(xiàn)現(xiàn)象的研究范圍。本書界定了多重共現(xiàn)的概念，構建了一套多重共現(xiàn)的基礎理論體系，研究了可用于多重共現(xiàn)的可視化方式，設計并開發(fā)了三重共現(xiàn)的可視化分析工具，并

在大數(shù)據背景下，傳統(tǒng)的決策管理正在從以管理流程為主逐漸向以數(shù)據為中心的范式轉變，決策管理中各參與方提供的相關信息流向更趨于多元和交互，開源數(shù)據庫SciDB開發(fā)商Paradigm4進行的一項針對111名北美數(shù)據科學家的調查顯示，71%的數(shù)據科學家認為數(shù)據的多樣性構成的挑戰(zhàn)，遠大于數(shù)據總量構成的威脅和挑戰(zhàn)。多種粒度、多種數(shù)

本書針對大數(shù)據呈現(xiàn)的體量巨大、多源異構、動態(tài)性和不確定性等特點，以粒計算理論為基礎，以優(yōu)勢關系粗糙集模型為研究對象，以增量學習技術為方法，以并行計算框架為支撐，構建大數(shù)據分析與挖掘的原理和方法及其算法，并融入了相關領域學者在動態(tài)知識發(fā)現(xiàn)、數(shù)據融合、大數(shù)據并行處理等成果，反映了基于粒計算和粗糙集視角處理大數(shù)據的最新進展。

本書借鑒認知科學的理論研究成果，對本體學習過程中的認知狀態(tài)及其變化進行深入研究，提出本體學習的認知模型，給出該模型的形式化表示及實現(xiàn)方法。此外，本書還對本體學習研究的發(fā)展方向進行展望。

本書主要內容是研究非線性隨機時滯神經網絡系統(tǒng)的穩(wěn)定與脈沖鎮(zhèn)定。這些系統(tǒng)包括脈沖隨機泛函系統(tǒng)、隨機遞歸時滯神經網絡、具不定脈沖參數(shù)的雙向神經網絡、Cohen-Grossberg型神經網絡及其隨機脈沖情況、一維整數(shù)格時滯細胞神經網絡和分流抑制細胞神經網絡。

本書介紹了商空間理論、三支決策理論和粗糙集理論等粒計算研究的概述和最新進展。全書共16章，主要由主要由三部分組成，具體包括問題求解商空間理論形成始末、商空間理論及應用綜述、多粒度上空間分類搜索與結構分析、基于力度空間的最優(yōu)聚類模型及應用等。

無人駕駛是人工智能發(fā)展到2017年的綜合能力展現(xiàn)，是一個復雜的系統(tǒng)，涉及的技術點種類多且跨度大，核心技術是通過大數(shù)據與深度學習快速運算，實現(xiàn)安全駕駛，在未來減輕人類工作量。本書首先宏觀地呈現(xiàn)了無人駕駛的整體技術架構，在讀者對無人駕駛技術有了宏觀認識后，本書深入淺出地講解了無人駕駛定位導航、基于計算機視覺的無人駕駛感知系

《深度學習原理與TensorFlow實踐》主要介紹了深度學習的基礎原理和TensorFlow系統(tǒng)基本使用方法。TensorFlow是目前機器學習、深度學習領域最優(yōu)秀的計算系統(tǒng)之一，《深度學習原理與TensorFlow實踐》結合實例介紹了使用TensorFlow開發(fā)機器學習應用的詳細方法和步驟。同時，《深度學習原理與Te

本書系統(tǒng)介紹了視覺SLAM(同時定位與地圖構建)所需的基本知識與核心算法，既包括數(shù)學理論基礎，如三維空間的剛體運動、非線性優(yōu)化，又包括計算機視覺的算法實現(xiàn)，例如多視圖幾何、回環(huán)檢測等。此外，我們還提供了大量的實例代碼供讀者學習研究，更深入地掌握這些內容。

本書對近年來稀疏學習、分類與識別領域常見的理論及技術進行了較為全面的闡述和總結，并結合作者多年的研究成果，對相關理論及技術在應用領域的實踐情況進行了展示和報告。

本書對近年來認知計算和多目標優(yōu)化領域常見的理論及技術進行了較為全面的闡述和總結，并結合作者多年的研究成果，對相關理論及技術在應用領域的實踐情況進行了展示和報告。

本書從自組織、耗散結構、混沌研究、自創(chuàng)生理論、進化理論的方向對生命與生態(tài)環(huán)境的歷史、前景與對策進行深入的探討，介紹了從機械世界觀到整體生態(tài)世界觀的重要飛躍。

本書以多智能體系統(tǒng)協(xié)同群集運動控制為主線，首先介紹圖論和控制器設計所用到的基礎理論知識；其次，分別從拓撲結構的邊保持和代數(shù)連通度兩個角度介紹了連通性保持條件下的協(xié)同群集運動控制協(xié)議設計方法。進而，從個體動態(tài)模型和拓撲結構模型兩方面繼續(xù)深入，針對典型的輪式移動機器人非完整約束模型介紹了連通性保持條件下的協(xié)同控制策略，為簡

本書內容分三部分：證據推理方法；置信規(guī)劃庫建模方法；證據推理與置信規(guī)則庫的應用。

本書前兩章介紹了TensorFlow的基礎知識和概念；第3章和第4章介紹了簡單的示例及全連接神經網絡；第5章和第6章介紹了基礎的卷積神經網絡，以及目前比較經典的AlexNet、VGGNet、InceptionNet和ResNet；第7章介紹了Word2Vec、RNN和LSTM；第8章介紹了強化學習，以及基于深度學習的策

知識遷移的目標是使機器具有和人一樣的“舉一反三”的能力，通過已掌握的知識來完成新的任務。知識遷移是機器突破程式化約束，具有自主學習能力的關鍵因素，近年來已成為人工智能的研究熱點之一。從“如何遷移”“遷移什么”與“何時遷移”等角度入手，系統(tǒng)闡述了關聯(lián)知識的表達形式、遷移的方式與手段以及實現(xiàn)遷移的時機等問題。然而知識遷移方

《神經網絡導論》共5章，第1章主要介紹神經網絡、微分系統(tǒng)穩(wěn)定性理論和泛函分析的基本理論和概念；第2章介紹神經網絡的基本模型及算法；第3章介紹后期比較熱門的三種神經網絡，即Hopfield神經網絡、細胞神經網絡與雙向聯(lián)想（BAM）神經網絡的模型及動力學問題；第4章介紹復雜神經網絡模型及動力學問題；第5章介紹神經網絡的應用

本書用豐富的圖示和實驗，將物體的自動理解技術和機器學習的理論相結合，以實現(xiàn)物體的自動理解技術為主線，以機器學習的理論作為主要方法，結合實例逐步深入地介紹了機器學習相關理論。主要內容包括特征提取、三維網格分割、三維場景重建、三維模型功能性分析等，涵蓋了目前常用的主流的各種學習方法。本書結構緊湊，內容逐步深入，同時包含大量