智能物聯網與深度學習

林 馳 大連理工大學副教授、博士生導師，泛在網絡與智能感知研究所副所長。2021年～2024年連續四年入選斯坦福大學“ 前2% 科學家”榜單，累計主持科研項目20余項，包括 自然科學基金4項（重大項目子課題1項、面上2項、青年1項）、CCF-聯想藍海基金、CCF-騰訊犀牛鳥基金，入圍遼寧省“興遼英才”青年拔尖人才、大連理工大學星海學者（優青層次）、大連市青年科技之星等人才類項目。以 作者 /通訊作者身份在 MobiCom、INFOCOM、UbiComp、IEEE/ACM TON、IEEE TMC等CCF-A類期刊上發表論文近40篇，ESI高引論文2篇。研究成果獲得76位院士與ACM/IEEE會士等知名專家的肯定及正面引用。授權專利10余項（2項 專利），實現百萬級成果落地轉化並已量產，相關技術通過科學技術成果鑒定，達到 水平。擔任 IEEE TMC、JCSS、ACM TOSN等 期刊編委/客座主編，以各類 身份組織HHME 2025、WASA 2022-2023、ICPADS 2022、CWSN 2023等 會議。

前言
第一篇　緒　　論
第1章　認識智能物聯網2　
1.1　智能物聯網的基本概念與體系結構2
1.1.1　什麼是物聯網2
1.1.2　智能物聯網的基本概念5
1.1.3　智能物聯網的體系結構6
1.2　智能物聯網的起源與國內外發展現狀7
1.2.1　智能物聯網的起源7
1.2.2　國內外發展現狀9
1.3　智能物聯網的應用前景及發展趨勢12
1.3.1　智能物聯網的應用前景12
1.3.2　智能物聯網的發展趨勢14
本章習題16
參考文獻16
第2章　認識深度學習17　
2.1　機器學習的基本概念17
2.2　機器學習任務20
2.3　深入研究深度學習21
2.4　人工神經網絡23
2.4.1　人工神經網絡的歷史23
2.4.2　脈沖神經網絡24
2.4.3　操作模式24
2.4.4　學習規則24
2.5　神經網絡架構25
2.5.1　單層前饋網絡25
2.5.2　多層前饋網絡25
2.5.3　循環網絡26
2.5.4　網狀網絡27
2.5.5　訓練過程和學習特性27
本章習題29
參考文獻29
第二篇　智能感知
第3章　視覺智能感知32　
3.1　機器視覺的基本概念和特性32
3.1.1　機器視覺的基本概念32
3.1.2　機器視覺的特性33
3.2　機器視覺感知技術35
3.2.1　機器視覺系統中的圖像傳感35
3.2.2　用於移動機器人的仿生
實時被動視覺36
3.2.3　用於機器視覺中的顏色
和深度傳感器技術37
3.3　視覺智能感知應用38
本章習題41
參考文獻41
第4章　聽覺智能感知42　
4.1　機器聽覺的基本概念和特性42
4.1.1　聽覺生理學43
4.1.2　聽覺中的關鍵問題44
4.1.3　機器聽覺45
4.2　機器聽覺感知技術46
4.2.1　機器聽覺感知體系結構46
4.2.2　語音識別技術47
4.3　聽覺智能感知應用51
本章習題52
參考文獻53
第5章　智能無源感知54　
5.1　智能無源感知的基本概念和特性54
5.1.1　無源傳輸網絡55
5.1.2　電子傳感器架構56
5.1.3　智能無源傳感器56
5.1.4　典型應用57
5.2　無源感知信號分類58
5.2.1　RFID58
5.2.2　Wi-Fi64
5.2.3　LoRa70
5.2.4　Radar與LTE73
5.2.5　毫米波和太赫茲79
5.3　智能無源感知應用86
5.3.1　基於RFID的無源物聯網87
5.3.2　基於藍牙的無源物聯網88
5.3.3　基於Wi-Fi的無源物聯網88
5.3.4　基於LoRa的無源物聯網88
5.3.5　基於5G的無源物聯網88
本章習題89
參考文獻89
第6章　多傳感器數據融合91　
6.1　數據融合的基本概念91
6.1.1　多傳感器數據融合的概念91
6.1.2　多傳感器數據融合的分類94
6.1.3　多傳感器數據融合的應用95
6.2　數據融合的目標、原理及層次97
6.2.1　數據融合的目標97
6.2.2　數據融合的原理98
6.2.3　數據融合的層次100
6.3　多傳感器數據融合的方法101
6.3.1　隨機類方法101
6.3.2　人工智能類方法102
本章習題103
參考文獻103
第7章　網絡化智能協作感知106　
7.1　傳感器網絡與無線傳感器網絡106
7.1.1　傳感器網絡106
7.1.2　無線傳感器網絡107
7.2　協作感知111
7.2.1　單空間協作感知111
7.2.2　從單一空間到跨空間協作感知113
本章習題115
參考文獻116
第三篇　智能計算
第8章　深度學習計算120　
8.1　深度學習計算概述120
8.1.1　人工智能簡史120
8.1.2　基於規則的系統121
8.1.3　基於知識的系統121
8.1.4　機器學習122
8.1.5　機器學習的概念122
8.1.6　泛化124
8.1.7　感知器129
8.1.8　多層神經網絡130
8.2　模型構造與模型參數初始化和共享132
8.2.1　提前停止132
8.2.2　以廣度換深度133
8.2.3　集成方法133
8.2.4　參數共享134
8.3　數據讀取和存儲135
8.4　GPU計算135
本章習題140
參考文獻140
第9章　卷積神經網絡141　
9.1　卷積神經網絡簡介141
9.2　二維卷積層144
9.3　圖像物體邊緣檢測149
9.3.1　邊緣檢測的步驟150
9.3.2　邊緣檢測器151
9.4　互相關運算和卷積運算154
9.4.1　互相關運算154
9.4.2　卷積運算156
9.4.3　互相關與卷積的區別160
9.5　填充和步幅160
9.5.1　填充160
9.5.2　步幅161
本章習題161
參考文獻162
第10章　群智能算法之粒子群算法163　
10.1　基本粒子群算法163
10.2　粒子群優化算法的基本框架166
10.3　粒子群算法分類168
10.3.1　PSO算法168
10.3.2　兩種基本的進化模型169
10.3.3　改進的PSO算法169
10.4　實例分析170
本章習題172
參考文獻172
第11章　優化算法173　
11.1　優化與深度學習173
11.1.1　優化目標174
11.1.2　優化過程175
11.1.3　深度學習中的優化挑戰176
11.2　梯度下降和隨機梯度下降176
11.2.1　梯度下降的實現和基本分析177
11.2.2　隨機梯度下降179
11.3　動量法180
11.4　自適應學習率算法182
11.4.1　AdaGrad算法182
11.4.2　RMSProp算法182
11.4.3　Adam算法183
11.4.4　選擇正確的優化算法183
本章習題183
參考文獻184
第12章　多目標優化算法185　
12.1　多目標優化算法簡介185
12.1.1　多目標優化算法定義185
12.1.2　與單目標優化的區別187
12.1.3　多目標優化的兩種方法187
12.1.4　非占優解與帕累托最優解189
12.2　三代多目標優化算法191
12.3　高維多目標優化算法193
12.4　多目標優化算法應用實例194
12.4.1　航天器軌跡設計194
12.4.2　懸臂板設計194
本章習題196
參考文獻197
第四篇　應用及展望
第13章　智能物聯網與深度學習應用200　
13.1　深度學習在社交媒體分析中的應用200
13.1.1　用戶行為分析201
13.1.2　業務分析204
13.2　醫療認知系統與健康大數據應用206
13.3　認知車聯網與5G認知系統應用209
13.3.1　認知車聯網209
13.3.2　5G認知系統應用212
13.4　生成對抗網絡在深度學習中的應用214
13.4.1　GAN在自然語言處理中的應用214
13.4.2　GAN在計算機視覺中的應用215
13.4.3　GAN的安全應用216
13.5　大數據技術在城市治理與智慧城市中的應用217
13.6　無人機應用219
13.7　安全與隱私保障應用222
13.7.1　物聯網安全224
13.7.2　物聯網中的隱私225
13.7.3　物聯網安全和用戶隱私面臨的挑戰226
13.8　生理和心理狀態監測應用227
本章習題230
參考文獻230
第14章　智能物聯網與深度學習的未來展望234　
14.1　智能物聯網與深度學習的發展前景234
14.2　智能物聯網與深度學習面臨的挑戰237
本章小結240