智能无线机器人：人工智能算法与应用

定　价：¥99.00

作　者：	（美）陈光祯（Kwang-Cheng Chen）
出版社：	机械工业出版社
丛编项：
标　签：	暂缺

购买这本书可以去

ISBN：	9787111707882	出版时间：	2022-07-01	包装：
开本：	16开	页数：	271	字数：

内容简介

　　机器人、无人驾驶汽车、无人机和智慧工厂将显著改变数字社会中人类的生活方式。无线机器人中的人工智能介绍了无线通信和网络技术如何促进机器人中的人工智能，它在机器人中的人工智能、无线通信、计算和控制之间架起了基础的多学科知识的桥梁。本书的一个独特性是提出应用通信和信号处理技术来增强机器人和多智能体系统中的传统人工智能。 \n本书的技术内容包括机器人基础知识、信息物理系统、人工智能，统计决策和马尔可夫决策过程，强化学习，状态估计，定位，计算机视觉和多模态数据融合，机器人规划，多智能体系统，网络化多智能体系统，网络化机器人的安全性和鲁棒性，以及超可靠和低延迟的机器对机器的网络。提供的例题和练习有助于简单和有效的理解本书的内容。 \n希望拓展在机器人、人工智能和无线通信等方面的知识的工程师将从这本书中受益。同时，本书也适用于电气工程、计算机工程、计算机科学和一般工程专业的高年级本科生或一年级研究生的教材。读者需要具备本科概率论和线性代数的基础知识，以及基本的编程能力，来享受深入阅读的乐趣。 \n

作者简介

　　陈光祯博士自2016年至今一直担任南佛罗里达大学电气工程系教授。陈博士之前曾任职于美国通信卫星公司、IBM沃森研究中心、台湾清华大学、惠普实验室、台湾大学移动通信与网络研究所。他曾在麻省理工学院等多所大学做过访问学者。他一直积极组织、参与各种IEEE会议并担任IEEE期刊的编辑（*近担任《IEEE通信杂志》“通信中的数据科学和AI”专题编辑）；为IEEE协会，尤其是通信、车辆技术和信号处理分会提供志愿服务，并发起成立社交网络技术委员会。陈博士还为各种国际通信标准贡献了多个关键技术。他撰写或合作撰写了超过300篇IEEE论文，出版了4本书，并拥有24项美国专利。他是IEEE会士，获得了多个IEEE奖项。陈博士目前的研究兴趣包括无线网络、人工智能和机器学习、物联网、信息物理系统、社交网络和数据分析，以及网络安全。

图书目录

译者序 \n
前言 \n
作译者简介 \n
第1章　人工智能和机器人概述1 \n
1.1　人工智能、控制论和机器人学的基础知识1 \n
1.2　智能体4 \n
1.2.1　合理性的概念5 \n
1.2.2　系统动力学6 \n
1.2.3　任务环境8 \n
1.2.4　机器人和多智能体系统9 \n
1.3　推理11 \n
1.3.1　约束满足问题13 \n
1.3.2　通过搜索来求解CSP15 \n
参考文献20 \n
第2章　基本搜索算法21 \n
2.1　问题求解智能体21 \n
2.2　搜索求解24 \n
2.3　统一搜索28 \n
2.3.1　广度优先搜索28 \n
2.3.2　动态规划30 \n
2.3.3　深度优先搜索35 \n
2.4　有信息搜索37 \n
2.5　优化41 \n
2.5.1　线性规划41 \n
2.5.2　非线性规划42 \n
2.5.3　凸优化42 \n
参考文献44 \n
第3章　机器学习基础45 \n
3.1　监督学习46 \n
3.1.1　回归46 \n
3.1.2　贝叶斯分类53 \n
3.1.3　KNN54 \n
3.1.4　支持向量机55 \n
3.2　无监督学习57 \n
3.2.1　K均值聚类57 \n
3.2.2　EM算法58 \n
3.2.3　主成分分析58 \n
3.3　深度神经网络61 \n
3.4　数据预处理64 \n
参考文献68 \n
第4章　马尔可夫决策过程69 \n
4.1　统计决策69 \n
4.1.1　数学基础72 \n
4.1.2　贝叶斯决策73 \n
4.1.3　雷达信号探测78 \n
4.1.4　贝叶斯序贯决策80 \n
4.2　马尔可夫决策过程81 \n
4.2.1　马尔可夫决策过程的数学基础82 \n
4.2.2　最优策略84 \n
4.2.3　开发贝尔曼方程的解85 \n
4.3　决策及规划：动态规划87 \n
4.4　MDP的应用：搜索移动目标92 \n
4.5　多臂赌博机问题95 \n
4.5.1　ε-贪婪算法97 \n
4.5.2　上置信界98 \n
4.5.3　汤普森采样99 \n
参考文献106 \n
第5章　强化学习107 \n
5.1　强化学习基础107 \n
5.1.1　重访多臂赌博机问题108 \n
5.1.2　强化学习基础111 \n
5.1.3　基于马尔可夫过程的强化学习112 \n
5.1.4　贝尔曼最优性原理115 \n
5.2　Q学习116 \n
5.2.1　部分可观测状态116 \n
5.2.2　Q学习算法117 \n
5.2.3　Q学习示例119 \n
5.3　无模型的学习125 \n
5.3.1　蒙特卡罗方法126 \n
5.3.2　时序差分学习129 \n
5.3.3　SARSA132 \n
5.3.4　Q学习与TD学习的关系133 \n
参考文献135 \n
第6章状态估计136 \n
6.1　估计基础136 \n
6.1.1　基于观测的线性估计量137 \n
6.1.2　线性预测139 \n
6.1.3　贝叶斯估计140 \n
6.1.4　极大似然估计142 \n
6.2　递归状态估计144 \n
6.3　贝叶斯滤波146 \n
6.4　高斯滤波149 \n
6.4.1　卡尔曼滤波149 \n
6.4.2　标量卡尔曼滤波150 \n
6.4.3　扩展卡尔曼滤波154 \n
参考文献156 \n
第7章　定位157 \n
7.1　传感器网络定位158 \n
7.1.1　到达时间技术158 \n
7.1.2　到达角技术160 \n
7.1.3　到达时间差技术162 \n
7.2　移动机器人定位164 \n
7.3　同时定位与建图165 \n
7.3.1　概率SLAM166 \n
7.3.2　扩展卡尔曼滤波SLAM168 \n
7.3.3　立体摄像机辅助的SLAM169 \n
7.4　网络定位和导航172 \n
参考文献175 \n
第8章　机器人规划176 \n
8.1　知识表示和分类逻辑176 \n
8.1.1　贝叶斯网络178 \n
8.1.2　语义表示184 \n
8.2　离散规划184 \n
8.3　自主移动机器人的规划和导航187 \n
8.3.1　规划和导航示例188 \n
8.3.2　强化学习的系统阐述189 \n
8.3.3　定长规划191 \n
8.3.4　条件穷举规划191 \n
参考文献196 \n
第9章多模态数据融合197 \n
9.1　计算机视觉197 \n
9.1.1　计算机视觉基础198 \n
9.1.2　边缘检测199 \n
9.1.3　图像特征和目标识别201 \n
9.2　基于视觉功能的多模态信息融合203 \n
9.3　决策树206 \n
9.3.1　决策示例207 \n
9.3.2　正式处理209 \n
9.3.3　分类树210 \n
9.3.4　回归树211 \n
9.3.5　规则和树212 \n
9.3.6　定位机器人213 \n
9.3.7　带决策树的强化学习214 \n
9.4　联邦学习219 \n
9.4.1　联邦学习基础220 \n
9.4.2　通过无线通信进行联邦学习221 \n
9.4.3　无线网络上的联邦学习222 \n
9.4.4　多接入通信上的联邦学习224 \n
参考文献225 \n
第10章多机器人系统227 \n
10.1　多机器人任务分配227 \n
10.1.1　最优分配228 \n
10.1.2　多旅行商问题230 \n
10.1.3　工厂自动化231 \n
10.2　无线通信和网络236 \n
10.2.1　数字通信系统236 \n
10.2.2　计算机网络239 \n
10.2.3　多址通信241 \n
10.3　网络多机器人系统243 \n
10.3.1　曼哈顿街道上的联网自动驾驶汽车243 \n
10.3.2　网络协同多机器人系统251 \n
参考文献257 \n
技术缩略语258 \n
索引263