正版2024新书 人工智能原理与警务应用 叶建森 高冠东 沈伯玮 苏令德 吴昊 法律出版社9787519791209

基本信息

书名：人工智能原理与警务应用

ISBN书号：9787519791209

定价/元：78

作者/编者：叶建森.高冠东.沈伯玮.苏令德.吴昊

出版社：法律出版社

出版时间：2024-5

开本/尺寸：16

装帧：平装

页码/页：315

字数/千：335

重量/克：494

内容简介

本书探讨了人工智能技术在警务工作中的应用，并对相关的智能技术原理和应用实例进行详细分析。本书共分为十章，涵盖了警务智能概述、警务知识表示、警务确定性推理方法、警务搜索求解策略、警务不确定性推理方法、智能计算及其应用、数据挖掘与机器学习、深度学习、人工智能在监狱中的应用、人工智能未来发展和趋势。本书的编排方式采用了概念讲解、代码示例和示例练习相结合的模式。通过这种方式，读者可以深入理解人工智能及数据挖掘的基础概念，并掌握相关知识和技能。

目录

第1章警务智能概述

1.1智能的基本概念

1.1.1智能的定义

1.1.2智能的分类

1.1.3人工智能

1.2人工智能发展简史

1.2.1孕育阶段

1.2.2形成阶段

1.2.3发展阶段

1.3人工智能的主要研究领域

1.3.1多学科交叉研究

1.3.2智能应用和智能产业

1.4警务智能技术

1.4.1警务智能的特征

1.4.2警务智能应用

1.5人工智能的发展趋势

1.6本章小结

习题

第2章警务知识表示

2.1知识和知识表示

2.1.1知识的概念

2.1.2知识的特性

2.1.3知识的表示

2.2谓词逻辑表示法

2.2.1命题

2.2.2谓词

2.2.3谓词公式

2.2.4谓词公式的性质

2.2.5一阶谓词逻辑知识表示方法

2.2.6一阶谓词逻辑表示法的特点

2.3产生式表示法

2.3.1产生式

2.3.2产生式系统

2.3.3产生式系统实例

2.3.4产生式表示法的特点

2.4框架表示法

2.4.1框架的一般结构

2.4.2用框架表示知识的例子

2.4.3框架表示法的特点

2.4.4框架系统的问题求解过程

2.5警务知识表示模型分析

2.6本章小结

习题

第3章警务确定性推理方法

3.1推理的基本概念

3.1.1推理的定义

3.1.2推理方式及其分类

3.1.3推理的方向

3.1.4冲突消解策略

3.2自然演绎推理

3.3谓词公式化为子句集的方法

3.4鲁宾逊归结原理

3.4.1命题逻辑中的归结原理

3.4.2谓词逻辑中的归结原理

3.5归结反演

3.6应用归结原理求解问题

3.7警务确定性推理应用分析

3.8本章小结

习题

第4章警务搜索求解策略

4.1搜索的概念

4.1.1搜索的基本问题与主要过程

4.1.2搜索策略

4.2状态空间的知识表示

4.2.1状态空间表示法

4.2.2状态空间的图描述

4.3盲目的图搜索策略

4.3.1回溯策略

4.3.2宽度优先搜索策略

4.3.3深度优先搜索策略

4.4启发式图搜索策略

4.4.1启发式策略

4.4.2启发信息和估价函数

4.4.3　A搜索算法

4.4.4　A*搜索算法及其特性分析

4.5本章小结

习题

第5章警务不确定性推理方法

5.1不确定性推理的概念

5.1.1不确定性的表示和度量

5.1.2不确定性匹配算法和阈值

5.1.3组合证据不确定性的算法

5.1.4不确定性的传递算法

5.1.5结论不确定性的合成

5.1.6不确定性推理方法

5.2可信度方法

5.2.1可信度的定义

5.2.2知识不确定性的表示

5.2.3证据不确定性的表示

5.2.4组合证据不确定性的算法

5.2.5结论不确定性的表示

5.2.6结论不确定性的合成算法

5.3证据理论

5.3.1概率分配函数

5.3.2信任函数

5.3.3似然函数

5.3.4概率分配函数的正交和

5.3.5基于证据理论的不确定性推理

5.4模糊推理方法

5.4.1模糊逻辑的提出与发展

5.4.2模糊集合

5.4.3模糊集合的运算

5.4.4模糊关系与模糊关系的合成

5.4.5模糊推理

5.4.6模糊决策

5.4.7模糊推理的应用

5.5不确定性推理在警务应用中的案例

5.6本章小结

习题

第6章智能计算及其应用

6.1进化算法的产生与发展

6.1.1进化算法的概念

6.1.2进化算法的生物学背景

6.1.3进化算法的设计原则

6.2基本遗传算法

6.2.1遗传算法的发展历史

6.2.2遗传算法的基本思想

6.2.3编码

6.2.4群体设定

6.2.5适应度函数

6.2.6选择

6.2.7交叉操作

6.2.8变异

6.3遗传算法的改进算法

6.3.1双倍体遗传算法

6.3.2双种群遗传算法

6.3.3自适应遗传算法

6.4遗传算法的应用

6.5群智能算法

6.6粒子群优化算法及其应用

6.6.1粒子群优化算法的基本原理

6.6.2粒子群优化算法的参数分析

6.6.3粒子群优化算法的应用领域

6.6.4粒子群优化算法在车辆路径问题中的应用

6.7蚁群算法及其应用

6.7.1基本蚁群算法模型

6.7.2蚁群算法的参数选择

6.7.3蚁群算法的应用

6.8本章小结

习题

第7章数据挖掘与机器学习

7.1数据挖掘概述

7.1.1数据挖掘的概念与发展

7.1.2数据挖掘的任务

7.1.3数据挖掘的应用

7.1.4数据挖掘的过程与方法

7.2数据挖掘分类

7.2.1决策树分类法

7.2.2基于规则的分类器

7.2.3朴素贝叶斯分类器

7.2.4基于距离的分类算法

7.3机器学习概述

7.4机器学习分类

7.4.1根据学习能力分类

7.4.2根据学习方法分类

7.5数据关联规则

7.5.1基本概念

7.5.2关联规则挖掘算法

7.5.3关联规则生成

7.6数据挖掘与机器学习的应用

7.6.1数据挖掘与机器学习在军工领域中的应用

7.6.2数据挖掘与机器学习在警务领域中的应用

7.7本章小结

习题

第8章深度学习

8.1线性神经网络

8.1.1线性模型

8.1.2损失函数

8.1.3模型训练

8.1.4基础优化算法

8.1.5线性模型的实现

8.2多层感知机

8.2.1感知机模型

8.2.2多层感知机模型

8.2.3反向传播算法

8.2.4多层感知机的实现

8.3卷积神经网络

8.3.1从全连接层到卷积

8.3.2图像卷积

8.3.3多输入、多输出通道

8.3.4池化层

8.3.5卷积神经网络的实现

8.3.6经典卷积神经网络的实现

8.4循环神经网络

8.4.1序列模型

8.4.2文本预处理

8.4.3循环神经网络原理

8.4.4循环神经网络的实现

8.5本章小结

习题

第9章人工智能在监狱中的应用

9.1目标检测

9.1.1数据集

9.1.2目标检测网络模型

9.2罪犯风险评估

9.2.1构建数据集

9.2.2代码实现

9.3罪犯人脸识别

9.3.1人脸识别技术原理

9.3.2代码实现

9.4罪犯情感识别

9.4.1表情识别技术原理

9.4.2　VGG网络模型代码

9.4.3多模态情感识别

9.5监狱巡检机器人

9.5.1巡检机器人系统架构

9.5.2巡检机器人功能模块

9.6本章小结

习题

第10章人工智能未来发展和趋势

10.1类脑计算

10.1.1类脑计算的定义

10.1.2发展历程

10.1.3类脑计算的应用

10.2非冯·诺依曼结构

10.2.1三种非冯·诺依曼结构

10.2.2非冯·诺依曼结构的应用

10.2.3非冯·诺依曼结构的发展趋势

10.3人工智能芯片与机器学习系统

10.3.1人工智能芯片概述

10.3.2人工智能芯片的关键技术

10.3.3人工智能芯片的应用

10.3.4人工智能芯片具有的优势

10.3.5人工智能芯片在机器学习系统中的研究发展趋势

10.4量子机器学习

10.4.1量子机器学习的基本原理

10.4.2量子机器学习的应用

10.4.3量子机器学习的发展趋势与挑战

10.5深度学习编程框架

10.5.1深度学习编程框架的常见功能

10.5.2常见的深度学习编程框架

10.5.3深度学习编程框架的未来发展趋势

10.6人工智能生态

10.6.1硬件平台

10.6.2数据集和数据处理

10.6.3算法和模型

10.6.4开发框架和工具

10.6.5应用场景和商业化

10.7人工智能伦理与治理

10.7.1隐私和数据保护

10.7.2公平和歧视

10.7.3透明度和解释性

10.7.4责任和法律问题

10.7.5社会影响和失业

10.7.6安全和军事应用

10.8本章小结

习题

参考文献