第 1 章 緒論
1.1 智能的基本概念
1.1.1 智能的概念
1.1.2 智能的特征
1.1.3 人工智能
1.2 智能科學的發(fā)展史
1.2.1 孕育
1.2.2 形成
1.2.3 發(fā)展
1.3 智能科學的現(xiàn)狀
1.3.1 從圖靈測試到 IBM 的沃森
1.3.2 谷歌的智能機器未來
1.3.3 百度大腦
1.3.4 微軟智能生態(tài)
1.3.5 臉書的深臉
1.3.6 三大突破讓人工智能近在眼前
1.4 智能科學的研究內容及學派
1.4.1 智能科學研究的主要內容
1.4.2 智能科學的主要學派
1.4.3 各學派的認知觀
1.5 空間信息處理中的智能技術
1.5.1 常見空間信息智能處理方法
1.5.2 空間智能技術研究現(xiàn)狀
1.6 小結
第 2 章 空間知識表示
2.1 知識與知識表示的概念
2.1.1 知識的概念
2.1.2 知識的特性
2.1.3 知識的表示
2.2 本體
2.2.1 本體的概念
2.2.2 本體的組成與分類
2.3 謂詞邏輯
2.4 產生式表示法
2.4.1 產生式
2.4.2 產生式系統(tǒng)
2.5 面向對象表示法
2.5.1 面向對象方法學的主要觀點
2.5.2 面向對象的基本概念
2.5.3 面向對象的知識表示
2.6 語義網(wǎng)絡
2.6.1 語義網(wǎng)絡的歷史
2.6.2 語義網(wǎng)絡的結構
2.6.3 語義網(wǎng)絡的實例
2.6.4 基本的語義關系
2.6.5 語義網(wǎng)絡的推理
2.7 知識圖譜
2.7.1 知識圖譜的研究背景
2.7.2 知識圖譜的發(fā)展
2.7.3 知識圖譜的定義
2.7.4 知識圖譜的架構
2.7.5 知識圖譜關鍵技術
2.7.6 知識圖譜的典型應用
2.8 空間數(shù)據(jù)的知識表示
2.8.1 空間數(shù)據(jù)的知識表示
2.8.2 空間知識的表示
2.9 空間知識表示實例
2.9.1 面向對象的空間知識表示
2.9.2 基于知識圖譜的地質災害自動問答系統(tǒng)
2.10 小結
第 3 章 空間知識推理
3.1 推理的基本概念
3.1.1 推理的定義
3.1.2 推理方式及其分類
3.1.3 推理的方向
3.1.4 沖突消解策略
3.2 自然演繹
3.3 魯賓遜歸結原理
3.3.1 基本概念
3.3.2 歸結原理
3.4 不確定性推理的基本概念
3.5 可信度方法
3.6 模糊理論
3.6.1 模糊邏輯的提出與發(fā)展
3.6.2 模糊集合
3.6.3 模糊集合的運算
3.7 粗糙集理論
3.7.1 粗糙集概述
3.7.2 粗糙集的基本理論
3.7.3 決策表的約簡
3.8 推理理論在空間信息處理中的應用
3.8.1 模糊特征和模糊分類
3.8.2 基于隸屬度函數(shù)的遙感圖像模糊分類
3.9 小結
第 4 章 智能優(yōu)化與空間信息處理
4.1 智能優(yōu)化搜索
4.1.1 優(yōu)化問題的分類
4.1.2 優(yōu)化算法分類
4.2 局部最優(yōu)搜索
4.2.1 梯度下降法
4.2.2 Powell 算法
4.3 模擬退火算法
4.3.1 物理退火過程
4.3.2 模擬退火算法的基本原理
4.3.3 退火方式
4.4 禁忌搜素算法
4.4.1 禁忌搜索算法的基本原理
4.4.2 禁忌搜索算法的優(yōu)缺點
4.5 智能優(yōu)化方法在空間信息領域中的應用
4.5.1 VFSA時空數(shù)據(jù)同化算法
4.5.2 時空數(shù)據(jù)同化實例
4.6 小結
第 5 章 進化計算與空間信息處理
5.1 計算智能概述
5.1.1 計算智能的概念
5.1.2 計算智能的研究發(fā)展過程
5.1.3 計算智能與人工智能的關系
5.2 進化計算
5.2.1 什么是進化計算
5.2.2 進化計算的基本框架與主要特點
5.2.3 進化計算的分類
5.2.4 進化計算的若干關鍵問題
5.3 遺傳算法
5.3.1 遺傳算法的生物學背景
5.3.2 遺傳算法的基本思想
5.3.3 遺傳算法的設計原則
5.3.4 遺傳算法的基本算法
5.4 免疫算法
5.4.1 自然免疫系統(tǒng)
5.4.2 免疫算法模型
5.5 人工生命
5.5.1 人工生命研究的起源和發(fā)展
5.5.2 人工生命的定義和研究意義
5.5.3 人工生命的研究內容和方法
5.5.4 人工生命實例
5.6 基于進化計算的空間信息處理實例
5.6.1 GA 點云配準方法
5.6.2 搜索空間
5.6.3 點云配準結果
5.7 小結
第 6 章 自然計算與空間信息處理
6.1 自然計算概述
6.1.1 概述
6.1.2 自然計算的類型
6.1.3 自然計算的發(fā)展趨勢
6.2 群智能算法
6.2.1 思想來源
6.2.2 群體智能的優(yōu)點及求解問題類型
6.3 蟻群算法
6.3.1 蟻群算法主要思想
6.3.2 蟻群算法的基本實現(xiàn)
6.4 粒群算法
6.4.1 粒群優(yōu)化概念
6.4.2 粒群優(yōu)化算法
6.4.3 粒群優(yōu)化與進化計算的比較
6.5 生物地理算法
6.5.1 生物地理算法的背景
6.5.2 生物地理算法的遷移模型
6.5.3 基本的 BBO 的遷移操作
6.5.4 變異操作
6.6 自然計算在空間信息處理中的應用
6.7 小結
第 7 章 機器學習與空間信息處理
7.1 機器學習概述
7.1.1 機器學習的概念
7.1.2 機器學習的策略
7.2 有監(jiān)督分類
7.2.1 感知機學習
7.2.2 貝葉斯學習
7.3 無監(jiān)督學習
7.3.1 異常檢測
7.3.2 數(shù)據(jù)降維
7.4 統(tǒng)計學習與支持向量機
7.4.1 小樣本統(tǒng)計學習理論
7.4.2 支持向量機
7.5 決策樹與隨機森林
7.5.1 決策樹的概念
7.5.2 ID3 算法
7.5.3 Bagging 集成學習
7.5.4 隨機森林
7.6 新興機器學習方法
7.6.1 流形學習
7.6.2 字典學習
7.6.3 集成學習
7.6.4 強化學習
7.6.5 主動學習
7.6.6 遷移學習
7.7 機器學習在空間信息處理中的應用
7.7.1 基于隨機森林的土地覆蓋遙感分類
7.7.2 基于流形學習的高光譜遙感圖像維數(shù)分析
7.7.3 基于強化學習的地理文本大數(shù)據(jù)實體關系抽取
7.8 小結
第 8 章 神經(jīng)網(wǎng)絡與空間信息處理
8.1 聯(lián)結學習概述
8.1.1 聯(lián)結學習的生理學基礎
8.1.2 聯(lián)結學習規(guī)則
8.2 神經(jīng)元與神經(jīng)網(wǎng)絡
8.2.1 生物神經(jīng)元結構
8.2.2 神經(jīng)元的數(shù)學模型
8.2.3 神經(jīng)網(wǎng)絡的結構與工作方式
8.2.4 神經(jīng)網(wǎng)絡的學習
8.3 經(jīng)典淺層神經(jīng)網(wǎng)絡
8.3.1 BP 神經(jīng)網(wǎng)絡的結構
8.3.2 BP 學習算法
8.3.3 BP 學習算法的實現(xiàn)
8.3.4 Hopfield 神經(jīng)網(wǎng)絡
8.4 深度神經(jīng)網(wǎng)絡
8.4.1 深度學習的基本思想
8.4.2 深度學習網(wǎng)絡的關鍵技術
8.4.3 深度神經(jīng)網(wǎng)絡的典型結構
8.5 深度學習的應用及發(fā)展前景
8.5.1 深度學習的應用領域
8.5.2 深度學習在空間信息處理中的應用
8.5.3 深度學習的發(fā)展前景
8.6 小結
第 9 章 空間智能大數(shù)據(jù)
9.1 空間大數(shù)據(jù)概述
9.1.1 空間大數(shù)據(jù)的概念
9.1.2 空間大數(shù)據(jù)處理的研究內容
9.2 空間大數(shù)據(jù)的技術體系
9.2.1 空間大數(shù)據(jù)計算的技術內涵
9.2.2 空間大數(shù)據(jù)計算的關鍵技術
9.3 空間大數(shù)據(jù)的應用實例
9.3.1 災害中的空間大數(shù)據(jù)
9.3.2 面向災害空間大數(shù)據(jù)的技術挑戰(zhàn)
9.3.3 面向災害的空間大數(shù)據(jù)處理體系架構
9.3.3 面向災害的空間大數(shù)據(jù)處理體系架構
9.4 空間大數(shù)據(jù)中的智能技術