丛书序言<br/>序一<br/>序二<br/>前言<br/>章 绪论1<br/>1.1 背景与趋势1<br/>1.2 人机物融合群智计算概述3<br/>1.3 研究挑战与进展4<br/>1.3.1 人机物群智协同机理4<br/>1.3.2 自组织与自适应能力5<br/>1.3.3 群智能体分布式学习6<br/>1.4 典型应用6<br/>1.4.1 城市计算6<br/>1.4.2 智能制造7<br/>1.5 本书整体结构8<br/>习题11<br/>参考文献11<br/>第2章 迈向人机物融合群智计算时代14<br/>2.1 背景和趋势14<br/>2.1.1 智能物联14<br/>2.1.2 边缘智能16<br/>2.1.3 新一代人工智能17<br/>2.2 应用新业态18<br/>2.2.1 城市群智计算19<br/>2.2.2 群智智能制造20<br/>2.. 军事群体智能<br/>. 人机物融合群智计算内涵25<br/>..1 基本概念25<br/>..2 人机物融合智慧空间27<br/>2.4 人机物融合群智计算特质28<br/>2.5 研究脉络30<br/>习题32<br/>参考文献32<br/>第3章 人机物群智涌现机理35<br/>3.1 生物群智涌现机理36<br/>3.1.1 集体行进37<br/>3.1.2 群体聚集39<br/>3.1.3 群体避险40<br/>3.1.4 协作筑巢42<br/>3.1.5 分工捕食44<br/>3.1.6 社会组织45<br/>3.1.7 交互通信47<br/>3.1.8 形态发生49<br/>3.2 生物集群到人工集群映机理51<br/>3.2.1 群集动力学52<br/>3.2.2 启发式规则53<br/>3.. 自适应机制56<br/>3.2.4 群智优化算法58<br/>3.2.5 图结构映模型59<br/>3.2.6 演化博弈动力学61<br/>3.2.7 群智能体学习机制62<br/>3.2.8 群智涌现机理的典型应用64<br/>3.3 人机物融合群智涌现机理66<br/>3.3.1 群落生态学69<br/>3.3.2 异构群集动力学73<br/>3.3.3 人机物演化动力学75<br/>3.3.4 人机物共融智能79<br/>3.3.5 人机物不错物种集群83<br/>3.4 本章总结和展望86<br/>习题87<br/>参考文献87<br/>第4章 人机物群智涌现动力学模型100<br/>4.1 群集动力学模型101<br/>4.1.1 生物群集动力学建模102<br/>4.1.2 群集动力学系统建模109<br/>4.2 群智演化博弈动力学模型111<br/>4.2.1 生物集群演化博弈动力学模型111<br/>4.2.2 人工集群演化博弈动力学模型114<br/>4.3 人机物融合群智系统动力学建模117<br/>4.3.1 人机物融合群集动力学系统建模117<br/>4.3.2 人机物融合演化动力学建模1<br/>4.3.3 不错物种集群构建130<br/>习题136<br/>参考文献136<br/>第5章 人机物协作群智感知146<br/>5.1 群智感知新发展148<br/>5.1.1 人机物协作群智感知的基本概念148<br/>5.1.2 人机物协作群智感知的系统架构149<br/>5.2 人机物协作任务分配152<br/>5.2.1 人机物协作任务分配问题152<br/>5.2.2 人机物协作任务分配框架155<br/>5.. 人机物协作任务分配方法157<br/>5.2.4 研究趋势展望168<br/>5.3 感知数据的高效汇聚168<br/>5.3.1 终端感知数据质量评估169<br/>5.3.2 冗余数据优选171<br/>5.3.3 数据高效汇聚173<br/>5.4 人机物协作群智感知的应用175<br/>5.5 本章总结和展望177<br/>习题178<br/>参考文献179<br/>第6章 多源异构群智数据融合184<br/>6.1 跨模态群智数据关联185<br/>6.1.1 何为跨模态群智数据185<br/>6.1.2 跨模态群智数据表示188<br/>6.1.3 跨模态群智数据耦合关系学习191<br/>6.1.4 跨模态群智数据融合研究实践194<br/>6.2 群智知识集聚与发现196<br/>6.2.1 群智数据集聚198<br/>6.2.2 群智知识发现204<br/>6.3 群智融合时空预测208<br/>6.3.1 群智融合时空预测任务208<br/>6.3.2 群智融合时空预测研究实践211<br/>6.4 本章总结和展望216<br/>习题217<br/>参考文献218<br/>第7章 自学习与自适应演化224<br/>7.1 强化学习与自主决策226<br/>7.1.1 何为强化学习227<br/>7.1.2 深度网络229<br/>7.1.3 策略梯度1<br/>7.1.4 演员-评论家架构1<br/>7.1.5 分层强化学习2<br/>7.1.6 元强化学习<br/>7.2 深度计算方法的自适应演化5<br/>7.2.1 模型能指标量化5<br/>7.2.2 模型的自适应压缩<br/>7.. 模型运行时自适应244<br/>7.2.4 多平台自适应分割246<br/>7.2.5 自适应网络架构搜索250<br/>7.3 深度计算方法的自学习演化 254<br/>7.3.1 自学习演化254<br/>7.3.2 何为终身学习256<br/>7.3.3 灾难遗忘259<br/>7.3.4 终身学习研究262<br/>7.4 本章总结和展望277<br/>习题278<br/>参考文献279<br/>第8章 群智能体分布式学习方法287<br/>8.1 传统分布式机器学习288<br/>8.1.1 数据与模型划分289<br/>8.1.2 分布式通信策略293<br/>8.1.3 数据与模型聚合297<br/>8.1.4 主流分布式机器学台300<br/>8.1.5 人机物群智能体分布式学习新挑战300<br/>8.2 群智能体联邦学习301<br/>8.2.1 横向联邦学习303<br/>8.2.2 纵向联邦学习307<br/>8.. 个化联邦学习309<br/>8.3 群智能体深度强化学习313<br/>8.3.1 群智能体环境315<br/>8.3.2 群智能体协作316<br/>8.3.3 群智能体竞争319<br/>8.3.4 群智能体通信3<br/>8.4 群智能体协同计算326<br/>8.4.1 协同计算的基本方法327<br/>8.4.2 串行协同计算328<br/>8.4.3 并行协同计算331<br/>8.4.4 混合协同计算333<br/>8.5 本章总结和展望335<br/>习题336<br/>参考文献337<br/>第9章 人机混合学习方法343<br/>9.1 参与式样本标注345<br/>9.1.1 参与式样本标注的概念345<br/>9.1.2 参与式样本标注的框架与方法346<br/>9.1.3 参与式样本标注的成本控制350<br/>9.1.4 参与式样本标注的质量控制352<br/>9.2 示范模仿学习354<br/>9.2.1 何为模仿学习354<br/>9.2.2 行为克隆355<br/>9.. 交互式模仿学习356<br/>9.2.4 逆强化学习358<br/>9.2.5 生成对抗式模仿学习360<br/>9.2.6 单样本模仿学习362<br/>9.3 人类指导强化学习363<br/>9.3.1 基于人为评估反馈的指导364<br/>9.3.2 基于人类偏好的指导366<br/>9.3.3 基于人类注意力的指导367<br/>9.4 本章总结和展望370<br/>习题371<br/>参考文献371<br/>0章 群智能体知识迁移方法375<br/>10.1 基于知识蒸馏的群智知识迁移376<br/>10.1.1 教师-学生迁移模式376<br/>10.1.2 学生互学习迁移模式381<br/>10.2 基于域自适应的群智知识迁移383<br/>10.2.1 样本自适应知识迁移385<br/>10.2.2 特征自适应知识迁移387<br/>10.. 深度网络自适应知识迁移389<br/>10.2.4 对抗自适应知识迁移390<br/>10.3 基于多任务学习的群智知识共享397<br/>10.3.1 多任务联合学习398<br/>10.3.2 辅任务学习403<br/>10.4 基于元学习的群智知识迁移405<br/>10.4.1 何为元学习406<br/>10.4.2 基于优化的元学习知识迁移409<br/>10.4.3 基于模型的元学习知识迁移416<br/>10.4.4 基于度量的元学习知识迁移418<br/>10.5 基于联邦迁移学习的群智知识迁移422<br/>10.5.1 何为联邦迁移学习422<br/>10.5.2 联邦迁移系统框架4<br/>10.5.3 典型应用428<br/>10.6 基于分层学习的群智技能迁移431<br/>10.6.1 何为技能迁移432<br/>10.6.2 分层强化学习432<br/>10.6.3 模块化分层学习437<br/>10.7 多智能体强化学习中的群智知识迁移438<br/>10.7.1 多智能体经验迁移学习439<br/>10.7.2 多智能体交互迁移学习442<br/>10.8 本章总结和展望445<br/>习题446<br/>参考文献446<br/>1章 隐私、信任与社会因素455<br/>11.1 激励机制455<br/>11.1.1 移动群智感知中的激励机制456<br/>11.1.2 人机物融合群智计算中的激励机制457<br/>11.1.3 激励机制的典型案例460<br/>11.2 隐私保护462<br/>11.2.1 人机物融合的隐私问题463<br/>11.2.2 人机物融合的隐私解决方案467<br/>11.3 信任计算476<br/>11.3.1 人机物融合的多元信任计算477<br/>11.3.2 人机协同信任机制481<br/>11.3.3 人机物动态环境下的信任构建482<br/>11.4 基于区块链的人机物融合安全可信群智计算架构484<br/>11.4.1 区块链技术研究概述485<br/>11.4.2 典型案例与场景应用488<br/>11.4.3 人机物融合安全可信群智计算架构492<br/>11.5 本章总结和展望494<br/>习题495<br/>参考文献496<br/>2章 CrowdHMT开放平台506<br/>12.1 研究背景与需求507<br/>12.2 典型主流平台与开放资源分析509<br/>12.2.1 智能物联网平台509<br/>12.2.2 智慧城市平台511<br/>12.. 群智感知计算平台512<br/>12.2.4 开放共享资源513<br/>1. 人机物融合群智计算平台522<br/>1..1 通用系统架构5<br/>1..2 CrowdHMT自研平台524<br/>12.4 “太易”分布式人机物链中间件539<br/>12.5 应用领域与典型场景541<br/>12.5.1 智能制造541<br/>12.5.2 智慧旅游542<br/>12.5.3 智能家居544<br/>12.5.4 智慧城市546<br/>12.5.5 智慧交通550<br/>12.5.6 军事智能551<br/>习题552<br/>参考文献552
於志文，工学博士，西北工业大学教授，博士生导师，洪堡学者，杰出青年科学获得者，“万人计划”科技创新领军人才。现任西北工业大学计算机学院院长，智能感知与计算重点实验室主任，陕西省嵌入式系统技术重点实验室主任，重点研发专项项目首席科学家，陕西省重点科技创新团队带头人。近年来，在靠前很好学术期刊和会议发表150余篇。获得发明50多项。获得自然科学奖一等奖、陕西省科学技术奖一等奖、重量教学成果奖二等奖、中国计算机学会青年科学家奖等奖项。组织实施了多项重大科研项目，编制完成了多项标准。担任多个靠前期刊编委。
概述：随着物联网和人工智能技术的快展与加速融合，智能物联网（AI in IoT, AIoT）正成长为一个具有具有广泛发展前景的新兴前沿领域。物联网智能应用和服务已经逐步融入重大需求和民生的各个领域，如智慧城市、智能制造、驾驶、智慧农业、健卫、国防军事等。在智能物联网背景下，人（智能手机、可穿戴设备等）、机（云设备/边缘设备）、物（物联网终端）这三种基础要素正在走向协作和融合，迈向人机物融合群智计算时代。人机物融合群智计算（CrowdHMI）是指利用人/机/物感知能力的差异、计算资源的互补、节点间的交互，通过协同感知、分布式学习、群智知识迁移等来解决单独利用某种智能难以解决的复杂问题，进而构建具有自学习、自组织、自适应、可迁移能力的智慧空间。其潜在的研究挑战包括人机物群智融合机理，人机物协作群智感知，自学习与自适应演化（深度模型压缩、迁移学习、元学习、终身学习等），群体分布式学习模型（边缘智能、端边云协同计算、多智能体强化学习、联邦学习等）方面。本书将为大家介绍人机物融合群智计算的基础理论、概念模型、研究挑战与关键技术、典型应用，并对其未来发展方向进行展望。本书可以为物联网、人工智能、工业互联网、智慧城市、智能制造等领域的科研人员和IT从业者提供创新的发展视角及相关理论、方与技支撑，也可作为相关专业高年级生和课程教材。
非常抱歉，您前期未参加预订活动，
无法支付尾款哦！
