人工智能研究

目錄
第1章緒論1
1.1 什麼是人工智能1
1.2 人工智能發展歷程2
1.3 人工智能的重要概念2
1.3.1 智能代理2
1.3.2 與外部環境特性相關的重要術語3
1.4 人工智能發展現狀4
1.4.1 應用領域5
1.4.2 應用層次7
1.4.3 發展趨勢8
1.5 人工智能相關技術8
第2章Python 16
2.1 Python概述16
2.1.1 發展歷史16
2.1.2 應用領域19
2.2 常用數據類型19
2.2.1 Number類型20
2.2.2 String類型21
2.2.3 Sequence類型簇21
2.2.4 Tuple類型22
2.2.5 List類型22
2.2.6 Set類型23
2.2.7 Dictionary類型23
2.2.8 其他類型25
2.2.9 數字類型轉換26
2.3 流程控制26
2.3.1 程序塊與作用域26
2.3.2 條件語句29
2.3.3 循環語句30
2.4 函數32
2.4.1 定義與調用32
2.4.2 變長參數36
2.4.3 匿名函數37
2.5 異常38
2.6 數據結構與算法43
2.6.1 常用的數據結構43
2.6.2 常用的算法46
第3章機器學習52
3.1 機器學習常用算法52
3.1.1 決策樹52
3.1.2 SVM 55
3.1.3 K近鄰56
3.1.4 K均值58
3.1.5 馬爾可夫鏈58
3.2 卷積神經網絡59
3.2.1 基本概念59
3.2.2 發展歷史59
3.2.3 基本原理60
3.3 循環神經網絡60
3.3.1 基本概念60
3.3.2 Hopfield神經網絡61
3.3.3 玻爾茲曼機62
3.3.4 受限玻爾茲曼機62
第4章人工智能背景下的融合時空信息和用戶信任度的推薦算法研究64
4.1 概述64
4.2 相關技術及理論67
4.2.1 推薦算法67
4.2.2 相似度計算70
4.2.3 推薦系統評測71
4.3 基於路網的Meeting模式發現算法72
4.3.1 引言72
4.3.2 軌跡預處理74
4.3.3 相似軌跡段查詢76
4.3.4 軌跡段劃分78
4.3.5 軌跡段距離計算78
4.3.6 時間過濾79
4.3.7 Meeting模式發現算法80
4.3.8 實驗與分析81
4.4 時間約束的頻繁模式發現算法84
4.4.1 引言84
4.4.2 熱點區域發現85
4.4.3 頻繁模式發現87
4.4.4 頻繁模式發現算法89
4.4.5 實驗與分析91
4.5 移動對象運動模式發現原型系統設計與實現94
4.5.1 系統結構設計94
4.5.2 系統實現95
4.6 總結96
第5章基於人工智能的疲勞駕駛自動檢測97
5.1 概述97
5.2 傳統疲勞駕駛檢測技術100
5.2.1 基於行車數據的檢測技術100
5.2.2 基於生理指標的檢測技術100
5.2.3 基於機器視覺的檢測技術101
5.3 基於MTCNN的疲勞駕駛自動檢測101
5.3.1 檢測原理101
5.3.2 檢測模型103
5.3.3 實驗106
5.4 總結107
第6章基於機器學習和輿情預測的新冠肺炎疫情分析108
6.1 概述108
6.2 傳播模式108
6.2.1 自然傳播階段108
6.2.2 干預後傳播階段109
6.3 加入輿情預測後的預測模型110
6.4 總結113
第7章基於人工智能的點頭和搖頭人臉表情研究115
7.1 概述115
7.2 相關技術和理論115
7.2.1 確定參考點115
7.2.2 點頭和搖頭的偵測算法116
7.3 實驗分析118
7.4 基於點頭和搖頭的表情研究119
7.5 總結120
第8章基於DNN的樹莓派人臉識別系統架構設計121
8.1 概述121
8.2 樹莓派系統配置123
8.2.1 硬件部分124
8.2.2 軟件部分124
8.3 非雲端架構設計125
8.4 雲端架構設計128
8.5 總結129
第9章基於人工智能的膳食分析及個性化推薦系統研究130
9.1 概述130
9.2 相關技術及理論133
9.2.1 粗糙集理論133
9.2.2 個性化推薦算法134
9.2.3 Android平台136
9.3 基於粗糙集理論的膳食分析及個性化推薦模型138
9.3.1 膳食本體138
9.3.2 用戶模型141
9.3.3 基於粗糙集理論的個性化推薦模型143
9.3.4 實例分析149
9.4 膳食分析及個性化推薦系統需求分析與總體設計151
9.4.1 需求分析151
9.4.2 可行性分析152
9.4.3 總體設計153
9.5 總結156
第10章基於深度學習的情緒感知研究158
10.1 概述158
10.2 相關技術及理論162
10.2.1 人臉識別流程162
10.2.2 技術原理162
10.3 表情識別的實現原理164
10.3.1 識別流程164
10.3.2 技術原理165
10.4 傳統的人臉與表情識別方法165
10.5 基於深度學習的人臉與表情識別方法166
10.5.1 使用深度卷積神經網絡模型166
10.5.2 使用DNN進行分類輸出168
10.5.3 使用樹莓派作為採集終端169
10.6 情緒感知原理169
10.7 前期準備170
10.7.1 平台的選擇170
10.7.2 環境的搭建172
10.7.3 TensorFlow和Keras的安裝173
10.7.4 OpenCV的安裝175
10.7.5 模型的訓練175
10.8 識別過程與結果177
10.8.1 人臉與表情識別過程177
10.8.2 人臉與表情識別結果179
10.8.3 情緒感知識別結果182
10.9 總結187
第11章基於人工智能的煙煤太赫茲光譜特性研究188
11.1 概述188
11.2 實驗189
11.2.1 實驗系統189
11.2.2 實驗樣本189
11.2.3 實驗方案與數據處理方法190
11.3 結果與討論191
11.3.1 煙煤的太赫茲時域/頻域光譜191
11.3.2 煙煤的太赫茲光譜吸收特性分析191
11.4 總結193