認知計算導論

本書是認知計算的一本導論書，介紹了從認知科學到認知計算的演進過程，闡述了藉助認知科學理論來構建模擬人的客觀認知和心理認知過程的認知計算。從信息論到認知科學，再到認知計算，本書試圖將認知計算理論的由來、思想和支撐技術做一個系統且深入的探討。在本書中，我們提出了認知計算與Human、Machine和Cyber Space相互交互與融合而形成的“以人為中心的認知循環”及其三大部分。本書圍繞這三大部分介紹了為認知計算在信息採集、獲取、傳輸、存儲和分析等方面提供各種支持的關鍵技術，包括物聯網、大數據分析、雲計算、5G網絡和機器人技術等。同時本書對認知計算與以上各種技術的關聯進行了詳細研究與討論，包括認知計算與物聯網、認知計算與機器學習、認知計算與大數據分析、認知雲計算、認知計算與機器人技術，其分別對應於不同的篇章。每個技術相關的篇章下，又詳細討論了各技術的相關概念，各種技術架構和應用實例等。比如詳細介紹了各種機器學習和深度學習算法，介紹了為認知計算提供數據支持的物聯網感知與羣智感知，以及為人提供認知服務的機器人技術。在此基礎上，將理論與實際相結合，本書在最後兩篇章對認知計算的應用和前沿專題做了進一步討論，包括IBM Watson認知系統、Google的AlphaGo、醫療認知系統，5G認知系統、認知軟件定義網絡和情感認知系統。全書共分為7篇，21章。

本書可作為語言學、心理學、人工智能、哲學、神經科學和人類學等多個交叉學科本科生或研究生的教材或參考書。也可供相關專業工程人員參考。 ^[1] 

陳敏，華中科技大學計算機學院教授、博導，嵌入與普適計算實驗室主任，二十三歲獲博士學位。曾先後任國立漢城大學和加拿大不列顛哥倫比亞大學博士後、韓國首爾大學助理教授。2011年入選教育部“新世紀優秀人才支持計劃”。

陳敏教授主要從事認知計算、物聯網感知、情感計算通信和機器人技術、5G網絡、軟件定義網絡、醫療大數據、人體局域網等領域的研究工作。在國際學術期刊和會議上發表論文200餘篇，發表論文谷歌學術引用總數超過9000次，H-index = 48，SCI他引次數超過2500次。擔任IEEE計算機協會大數據技術委員會主席。獲IEEE ICC 2012、IEEE IWCMC 2016等國際大會最佳論文獎。榮獲 2017 年度 IEEE通信學會Fred W. Ellersick Prize。 ^[1] 

第一篇認知計算與物聯網

1認知數據的採集(2)

1.1認知數據的特點(2)

1.1.1認知數據的定義(2)

1.1.2數據流量、多樣性、速度、真實性和變化性(3)

1.1.3結構化數據和非結構化數據(4)

1.1.4認知數據的採集與預處理(5)

1.2物聯網感知(8)

1.2.1物聯網的演進(8)

1.2.2物聯網使能技術及發展路線圖(13)

1.2.3物聯網感知技術(15)

1.3物聯網發展現狀(17)

1.3.1物聯網的分層架構(17)

1.3.2典型的物聯網平台(19)

1.4羣智感知(22)

1.4.1羣智感知的定義(22)

1.4.2羣智感知的起源(23)

1.4.3基於羣智感知的數據採集(24)

1.5本章小結(24)

2認知觸覺網絡(25)

2.1觸覺與認知(25)

2.1.1什麼是觸覺(25)

2.1.2觸覺傳感技術(26)

2.1.3由觸覺形成的認知(28)

2.2認知觸覺網絡(29)

2.2.1認知觸覺網絡概述(29)

2.2.2認知觸覺網絡優化(30)

2.2.3基於認知觸覺的行為預測(32)

2.3認知觸覺網絡的典型應用(33)

2.3.1機器人通信與控制(33)

2.3.2遠程醫療應用(37)

2.4本章小結(38)

3語料庫和自然語言處理(39)

3.1構建語料庫(39)

3.1.1語料庫概述(39)

3.1.2基於語料庫的語言認知(41)

3.2自然語言處理(41)

3.2.1自然語言處理的歷史(41)

3.2.2詞法分析(42)

3.2.3語法和句法分析(42)

3.2.4語法結構(43)

3.2.5話語分析(43)

3.2.6機器理解文本 NLP 技術(43)

3.3詞向量(44)

3.3.1概述(45)

3.3.2訓練詞向量(45)

3.3.3詞向量的語言學評價(46)

3.3.4詞向量的應用(47)

3.4本章小結(48)

第一篇習題(48)

本篇參考文獻(50)

認知計算導論目錄第二篇認知計算與機器學習

4機器學習概述(54)

4.1根據學習方式分類(54)

4.2根據算法功能分類(55)

4.3有監督的機器學習算法(57)

4.4無監督的機器學習算法(58)

4.5本章小結(58)

5機器學習主要算法(60)

5.1決策樹(60)

5.2基於規則的分類(63)

5.3最近鄰分類(65)

5.4支持向量機(67)

5.4.1線性決策邊界(67)

5.4.2最大邊緣超平面的定義(68)

5.4.3SVM模型(69)

5.5樸素貝葉斯(69)

5.6隨機森林(72)

5.7聚類分析(76)

5.7.1基於相似度的聚類分析(76)

5.7.2聚類方法介紹(77)

5.8本章小結(84)

6面向大數據分析的機器學習算法(85)

6.1降維算法和其他相關算法(85)

6.1.1降維方法(85)

6.1.2主成分分析法(86)

6.1.3半監督學習和增強學習以及表示學習(89)

6.2選擇合適的機器學習算法(91)

6.2.1性能指標和模型擬合情況(92)

6.2.2避免過擬合現象(94)

6.2.3避免欠擬合現象(96)

6.2.4選擇合適的算法(98)

6.3本章小結(99)

第二篇習題(99)

本篇參考文獻(102)

第三篇認知計算與大數據分析

7認知大數據分析(106)

7.1大數據和認知計算的關係(106)

7.1.1處理人類產生的數據(106)

7.1.2驅動認知計算的關鍵技術(108)

7.1.35G網絡(111)

7.1.4大數據分析(112)

7.2認知計算相關介紹(113)

7.2.1認知計算的系統特徵(113)

7.2.2認知學習的應用(114)

7.3認知分析(115)

7.3.1統計學、數據挖掘與機器學習的關係(115)

7.3.2在分析過程中使用機器學習(116)

7.4本章小節(119)

8深度學習在認知系統中的應用(120)

8.1認知系統和深度學習(120)

8.2深度學習和淺層學習(121)

8.3深度學習模仿人的感知(122)

8.4深度學習模仿人類直覺(124)

8.5深度學習實現步驟(125)

8.6本章小結(126)

9人工神經網絡與深信念網絡(127)

9.1人工神經網絡(127)

9.1.1感知器(127)

9.1.2多層人工神經網絡(128)

9.1.3人工神經網絡前向傳播和後向傳播(129)

9.1.4梯度下降法擬合參數(133)

9.2堆疊自編碼和深信念網絡(134)

9.2.1自編碼器(134)

9.2.2堆疊自編碼器(137)

9.2.3限制波茲曼機(138)

9.2.4深信念網絡(143)

9.3本章小結(144)

10卷積神經網絡與其他神經網絡(145)

10.1CNN中的卷積操作(145)

10.2池化(148)

10.3訓練卷積神經網絡(150)

10.4其他深度學習神經網絡(151)

10.4.1深度神經網絡的連接性(152)

10.4.2遞歸神經網絡(152)

10.4.3不同神經網絡的輸入和輸出的關係(153)

10.4.4結構遞歸深度神經網絡結構(154)

10.4.5其他深度學習神經網絡(154)

10.5本章小結(155)

第三篇習題(155)

本篇參考文獻(157)

第四篇認知雲計算

11雲端認知計算(162)

11.1雲端認知計算(162)

11.1.1利用分佈式計算共享資源(162)

11.1.2雲計算是智能認知服務的基礎(162)

11.1.3雲計算的特點(163)

11.1.4雲計算模型(163)

11.1.5雲交付模型(167)

11.1.6工作負載管理(168)

11.1.7安全和治理(169)

11.1.8雲數據集成和管理(169)

11.1.9雲端認知學習工具包簡介(170)

11.2本章小結(171)

12面向認知計算的雲編程與編程工具(172)

12.1可拓展並行計算(172)

12.1.1可拓展計算的特點(172)

12.1.2從MapReduce到Hadoop和Spark(173)

12.1.3常用的大數據處理軟件庫(174)

12.2YARN、HDFS與Hadoop編程(175)

12.2.1MapReduce計算引擎(175)

12.2.2MapReduce在矩陣並行算法中的應用(179)

12.2.3Hadoop架構和擴展(181)

12.2.4Hadoop分佈式文件系統(HDFS)(184)

12.2.5Hadoop YARN資源管理(186)

12.3Spark核心和分佈式彈性數據集(188)

12.3.1Spark核心應用(188)

12.3.2彈性分佈式數據集中的關鍵概念(189)

12.3.3Spark中RDD和DAG tasks編程(191)

12.4Spark SQL、流處理、機器學習和GraphX編程(193)

12.4.1結構化數據Spark SQL(194)

12.4.2使用實時數據流的Spark Streaming(195)

12.4.3用於機器學習的 Spark MLlib Library(196)

12.4.4圖像處理框架Spark GraphX(197)

12.5本章小結(199)

13TensorFlow(200)

13.1TensorFlow的發展(200)

13.2TensorFlow基本概念和Data Flow Graph模型(201)

13.2.1TensorFlow基本概念(201)

13.2.2Data Flow Graph 模型(203)

13.2.3機器學習系統中數據流圖(205)

13.3圖像識別系統中TensorFlow的使用(206)

13.4本章小結(209)

第四篇習題(209)

本篇參考文獻(210)

第五篇認知計算與機器人技術

14基於機器人技術的認知系統(212)

14.1機器人系統(212)

14.1.1機器人發展歷程(212)

14.1.2機器人分類(213)

14.1.3機器人技術發展核心(217)

14.1.4機器人的未來(218)

14.2認知系統(218)

14.2.1認知計算(219)

14.2.2基於認知計算的認知系統(220)

14.2.3機器人與認知系統的融合(220)

14.2.4基於認知計算的多機器人協作的情感交互(221)

14.3典型應用(225)

14.3.1基於機器人認知能力的工業4.0(225)

14.3.2基於機器人的情感交互(226)

14.4本章小結(228)

15機器人的認知智能(229)

15.1機器人認知智能支撐技術(229)

15.1.1傳感器等感知技術的發展(229)

15.1.2大數據、機器學習和深度學習等數據處理技術的發展(230)

15.1.3雲機器人(231)

15.1.4機器人通信技術(232)

15.2具有認知智能的機器人的體系架構(232)

15.2.1機器人系統架構(232)

15.2.2機器人硬件架構(234)

15.2.3軟件開發平台(236)

15.2.4機器人底層控制軟件實現(236)

15.2.5機器人應用軟件實現(238)

15.2.6總結(241)

15.3認知智能機器人的重要意義及發展趨勢(242)

15.3.1發展智能機器人的重要性(242)

15.3.2智能機器人的發展方向(242)

15.3.3總結(244)

15.4當前認知智能機器人的應用與發展(244)

15.4.1情感交互機器人(244)

15.4.2智能家居(245)

15.4.3其他智能機器人(246)

15.5本章小結(248)

第五篇習題(249)

本篇參考文獻(251)

第六篇認知計算應用

16Google認知計算應用(254)

16.1DeepMind的AI程序(254)

16.2深度增強學習算法(255)

16.3機器人玩Flappybird(257)

16.4使用深度增強學習的AlphaGo(263)

16.5本章小結(267)

17IBM認知計算應用(268)

17.1IBM的語言認知系統(268)

17.1.1Watson的語言天賦(268)

17.1.2具有語言認知智能的搜索引擎(269)

17.2IBM認知系統在“極限挑戰”中的語言天賦(270)

17.2.1Watson養成記(270)

17.2.2“危險挑戰”對語言能力的要求(270)

17.2.3面向商業智能應用的IBM認知系統(271)

17.3IBM醫療認知系統(272)

17.3.1Watson語言認知在醫療領域的應用(272)

17.3.2醫療認知系統發展歷史(273)

17.4IBM Watson核心組件——“深度問答”(DeepQA)(274)

17.4.1Watson軟件架構(274)

17.4.2DeepQA組件語言分析架構(275)

17.4.3IBM認知系統搜索引擎特點——對問題的語言分析(276)

17.5本章小結(282)

18醫療認知系統(283)

18.1醫療認知系統(283)

18.1.1概述(283)

18.1.2醫療數據的模式學習(284)

18.2基於大數據分析和認知計算的認知醫療系統(285)

18.2.1基於雲計算的醫療服務系統架構(285)

18.2.2基於大數據和認知計算的高危病人智能分析系統(286)

18.3醫療認知系統中結構化數據分析(287)

18.3.1慢性疾病檢測問題(287)

18.3.2疾病檢測的預測分析模型(289)

18.3.3 5種疾病檢測機器學習方法的性能分析(293)

18.4醫療認知系統中文本數據分析(296)

18.4.1疾病風險評估模型(297)

18.4.2深度學習中的詞向量(297)

18.4.3卷積神經網絡結構(299)

18.4.4卷積神經網絡進行醫療文本疾病風險評估實現(299)

18.5醫療認知系統中圖像分析(302)

18.5.1醫療圖像分析(302)

18.5.2卷積神經網絡醫療圖像分析(303)

18.5.3自編碼醫療圖像分析(308)

18.5.4卷積自編碼醫療圖像分析(310)

18.6本章小結(315)

第六篇習題(316)

本篇參考文獻(318)

第七篇認知計算前沿專題

195G認知系統(322)

19.15G的演進(322)

19.1.1移動蜂窩核心網絡(322)

19.1.2移動設備和邊緣網絡(323)

19.1.35G驅動力(325)

19.25G關鍵性技術(326)

19.2.1網絡架構設計(326)

19.2.25G網絡代表性服務(328)

19.2.3認知計算在5G中的應用(331)

19.35G認知系統(332)

19.3.15G認知系統的網絡架構(332)

19.3.25G認知系統的通信方式(333)

19.3.35G認知系統的核心組件(333)

19.45G認知系統的關鍵技術(334)

19.4.1無線接入網的關鍵技術(334)

19.4.2核心網的關鍵技術(335)

19.4.3認知引擎的關鍵技術(335)

19.55G認知系統的應用(335)

19.5.15G認知系統的應用(335)

19.5.2認知系統的應用的分析(337)

19.6本章小結(337)

20情感認知系統(338)

20.1情感認知系統介紹(338)

20.1.1傳統人機交互系統介紹(338)

20.1.2NLOS人機交互系統介紹(339)

20.2情感通信關鍵技術(340)

20.3情感通信系統結構(341)

20.4情感通信協議(343)

20.4.1對象(343)

20.4.2參數(344)

20.4.3通信指令集(344)

20.4.4通信過程(345)

20.4.5馬爾可夫狀態轉移(346)

20.5抱枕機器人語音情感通信系統(347)

20.5.1語音數據庫(347)

20.5.2移動雲平台介紹(348)

20.5.3場景測試(348)

20.5.4實時性分析(349)

20.6情感認知應用實例介紹(351)

20.6.1情感數據的採集與分析(351)

20.6.2基於抑鬱檢測的情感認知(355)

20.6.3基於焦慮檢測的情感認知(356)

20.7本章小結(358)

21軟件定義網絡(359)

21.1認知軟件定義網絡的由來(359)

21.1.1軟件定義網絡(359)

21.1.2由軟件定義網絡到認知軟件定義網絡(361)

21.2認知軟件定義網絡的架構(363)

21.3廣義數據層(365)

21.3.1數據收集(365)

21.3.2轉發規則(365)

21.4認知控制層(366)

21.5廣義應用層(368)

21.6認知軟件定義網絡特點(369)

21.6.1特點(370)

21.6.2關鍵組成(370)

21.7認知軟件定義網絡的安全問題(371)

21.7.1安全需求與挑戰(372)

21.7.2安全問題概述(372)

21.8本章小結(375)

第七篇習題(375)

本篇參考文獻(377) ^[1]