第一章 概述 1
1.1 智能感知技术的定义与背景 1
1.1.1 高维信息传感技术 1
1.1.2 异构资源的感知计算技术 2
1.1.3 智能感知技术应用 2
1.2 本书的结构安排 4
第二章 传感器技术 5
2.1 传感器概述 5
2.1.1 传感器的组成与分类 5
2.1.2 传感器的基本特性 7
2.2 传感器工作原理 12
2.2.1 应变式传感器 12
2.2.2 电感式传感器 17
2.2.3 电容式传感器 25
2.2.4 压电式传感器 31
2.2.5 磁电式传感器 35
2.2.6 霍尔式传感器 38
2.2.7 热电式传感器 40
2.2.8 光电式传感器 44
2.2.9 半导体传感器 48
2.3 传感器发展趋势与新型传感器技术 52
2.3.1 传感器发展趋势 52
2.3.2 新型传感器技术传感器 54
2.4 本章小结 59
第三章 传感网技术 60
3.1 传感网技术概述 60
3.1.1 传感网的起源 60
3.1.2 传感网的发展现状 61
3.1.3 传感网的体系结构 65
3.1.4 传感网的核心技术 68
3.1.5 传感网的主要特点 69
3.1.6 传感网的应用领域 70
3.1.7 传感网的主要应用案例 71
3.2 工业传感网 73
3.2.1 Zigbee网络技术 73
3.2.2 工业现场总线 77
3.2.3 工业以太网 80
3.3 光载无线传感技术 81
3.3.1 光载无线技术基本原理 81
3.3.2 光载无线技术在工业感知的应用 81
3.4 6LoWPAN传感网络 82
3.4.1 6LoWPAN简介 82
3.4.2 6LoWPAN协议栈体系结构 83
3.4.3 6LoWPAN适配层 85
3.4.4 6LoWPAN路由协议 85
3.4.5 6LoWPAN传输层 86
3.5 传感网关键技术 87
3.5.1 拓扑控制 87
3.5.2 能量管理 89
3.6 本章小结 90
第四章 传感数据融合技术 91
4.1 概述 91
4.1.1 多传感器数据融合的基本原理 91
4.1.2 多传感器数据融合的过程 92
4.1.3 数据融合系统的结构模型 93
4.1.4 多传感器数据融合技术的应用领域 95
4.2 多传感器数据融合的层次 97
4.2.1 数据层融合 97
4.2.2 特征层融合 98
4.2.3 决策层融合 100
4.2.4 三种融合层次的比较 101
4.3 多传感器数据融合方法 102
4.3.1 嵌入约束法 102
4.3.2 证据组合法-Dempster-Shafer证据推理 105
4.3.3 人工智能法 107
4.4 物联网环境中情境融合及其服务提供框架 111
4.4.1 三层两维物联网环境中的情境融合模型 111
4.4.2 基于多属性决策的情境融合计算方法 112
4.4.3 层次化、主动化的情境融合服务提供机制 113
4.5 本章小结 113
第五章 机器视觉技术 114
5.1 机器视觉概述 114
5.1.1 机器视觉的定义 114
5.1.2 机器视觉的发展历程与趋势 114
5.1.3 机器视觉系统的应用领域 117
5.2 机器视觉系统的构成 118
5.2.1 机器视觉系统结构 118
5.2.2 相机 118
5.2.3 光学镜头 119
5.2.4 光源 120
5.3 数字图像处理基础 122
5.3.1 数字图像处理基本概念 122
5.3.2 图像空间位置变换 123
5.3.3 图像灰度插值 123
5.3.4 二值化 124
5.3.5 边缘检测 125
5.3.6 形态学 126
5.4 本章小结 126
第六章 生物特征识别与智能感知技术 127
6.1 概述 127
6.2 生物特征识别技术简介 128
6.2.1 虹膜识别技术 128
6.2.2 视网膜识别技术 130
6.2.3 面部识别技术 131
6.2.4 签名识别技术 136
6.2.5 语音识别 137
6.2.6 指纹识别 137
6.2.7 掌形识别 140
6.2.8 掌纹识别 140
6.2.9 步态识别 142
6.2.10 其他生物特征识别技术 144
6.3 生物特征传感器及智能感知 147
6.3.1 新型指纹采集技术 147
6.3.2 虹膜扫描识别 149
6.3.3 脸部扫描识别器 150
6.3.4 指纹静脉识别器 150
6.3.5 双目多光谱手掌图像专用传感器 151
6.3.6 心跳识别器 151
6.4 生物特征智能感知 152
6.5 基于深度学习的人脸识别 155
6.5.1 神秘的深度学习 155
6.5.2 深度学习的基本思想 157
6.5.3 DeepID网络结构 158
6.5.4 多CNN网络结构 158
6.6 智能化时代生物特征识别的机遇与挑战 159
6.6.1 机遇 159
6.6.2 面临的挑战 160
6.7 本章小结 161
第七章 自然语言处理 162
7.1 自然语言处理概述 162
7.1.1 自然语言处理的定义 162
7.1.2 自然语言处理的发展历史和趋势 163
7.1.3 自然语言处理的特点和方向 164
7.1.4 自然语言处理的技术基础 165
7.1.5 自然语言处理工具和平台 169
7.2 自然语言处理基础 170
7.2.1 常用技术分类 170
7.2.2 关键技术 171
7.3 自然语言处理常用模型 172
7.3.1 N元模型 172
7.3.2 马尔可夫模型和隐马尔可夫模型 172
7.3.3 最大熵模型 173
7.3.4 支持向量机 173
7.3.5 条件随机场 174
7.3.6 常用模型分析 175
7.4 自然语言处理的典型应用 176
7.4.1 自然语言处理在教育中的应用 176
7.4.2 自然语言处理在搜索引擎中的应用 177
7.4.3 自然语言处理在信息检索中的应用 178
7.4.4 自然语言处理在网络案情分析系统中的应用 179
7.4.5 自然语言处理在问答系统中的应用 180
7.4.6 自然语言处理在知识图谱中的应用 180
7.5 未来研究的挑战与展望 182
7.5.1 未来研究的挑战 182
7.5.2 未来研究的展望 182
7.6 本章小结 184
第八章 脑认知与类脑计算 185
8.1 主要国家脑研究计划 185
8.1.1 欧盟“人脑工程” 185
8.1.2 美国“脑计划” 185
8.1.3 中国脑计划 186
8.1.4 其他国家“脑计划” 187
8.2 脑认知 188
8.2.1 脑认知的物理学方法 188
8.2.2 脑认知的神经学方法 189
8.2.3 基于记忆、推理和注意的认知功能研究 191
8.2.4 基于脉冲神经网络的脑区协同认知模型研究 193
8.3 类脑智能 195
8.3.1 类脑模型与类脑信息处理 195
8.3.2 类脑芯片与类脑计算机平台 196
8.3.3 脑机融合 196
8.4 类脑智能研究进展与发展方向 198
8.4.1 类脑智能研究进展 198
8.4.2 类脑智能发展方向 202
8.5 本章小结 205
第九章 智能感知技术在电气工程中的应用 206
9.1 概述 206
9.2 多传感器数据融合技术在变压器故障诊断中的应用 206
9.2.1 变压器故障诊断 206
9.2.2 故障诊断与数据融合的关系 207
9.2.3 变压器故障诊断系统结构 207
9.2.4 实例 208
9.3 机器视觉在包装印刷中的应用 209
9.3.1 机器视觉印刷检测系统概述 209
9.3.2 系统设计 210
9.3.3 算法设计 211
9.4 机器视觉在工业机器人工件自动分拣中的应用 217
9.4.1 系统设计 217
9.4.2 算法设计 220
9.5 本章小结 228
参考文献 229