人工智能原理与警务应用

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