新書推薦：
《
清俗纪闻
》
售價：HK$
101.2
《
镜中的星期天
》
售價：HK$
76.2
《
世界前沿技术发展报告2024
》
售價：HK$
193.2
《
可转债——新手理财的极简工具
》
售價：HK$
66.7
《
新加坡教育：神话与现实
》
售價：HK$
98.9
《
“口袋中的世界史”第一辑·冷战中的危机事件
》
售價：HK$
299.0
《
绝美的奥伦堡蕾丝披肩编织
》
售價：HK$
181.7
《
狂飙年代：18世纪俄国的新文化和旧文化（第二卷）
》
售價：HK$
177.0
|
| 編輯推薦： |
|
编辑推荐：《认知计算导论》带你探索计算机认知大脑的奥秘和潜能。全书从认知计算的演进过程出发，详细讨论了认知计算变迁过程中从终端到网络到云的一系列关键技术和实用算法，帮助我们认识认知计算的本质，以及构建面向用户需求的认知计算应用系统。让我们深入全书，跟随作者思想的火花领略认知计算的魅力。
|
| 內容簡介： |
|
本书是认知计算的一本导论书，本书介绍了从认知科学到认知计算的演进过程，阐述了借助认知科学理论来构建模拟人的客观认知和心理认知过程的认知计算。从信息论到认知科学，再到认知计算，本书试图将认知计算理论的由来、思想和支撑技术做一个系统且深入的探讨。在本书中，我们提出了认知计算与Human、Machine和Cyber Space相互交互与融合而形成的以人为中心的认知循环及其三大部分。本书围绕这三大部分介绍了为认知计算在信息采集、获取、传输、存储和分析等方面提供各种支持的关键技术，包括物联网、大数据分析、云计算、5G网络和机器人技术等。同时本书对认知计算与以上各种技术的关联进行了详细研究与讨论，包括认知计算与物联网、认知计算与机器学习、认知计算与大数据分析、认知云计算、认知计算与机器人技术，其分别对应于不同的篇章。每个技术相关的篇章下，又详细讨论了各技术的相关概念，各种技术架构和应用实例等。比如详细介绍了各种机器学习和深度学习算法，介绍了为认知计算提供数据支持的物联网感知与群智感知，以及为人提供认知服务的机器人技术。在此基础上，将理论与实际相结合，本书在zui后两篇章对认知计算的应用和前沿专题做了进一步讨论，包括IBM Watson认知系统、Google的AlphaGo、医疗认知系统，5G认知系统、认知软件定义网络和情感认知系统。全书共分为7篇，21章。本书可作为语言学、心理学、人工智能、哲学、神经科学和人类学等多个交叉学科本科生或研究生的教材或参考书。也可供相关专业工程人员参考。
|
| 關於作者： |
|
陈敏，华中科技大学计算机学院教授、博导，嵌入与普适计算实验室主任，2012年入选国家第二批"青年千人计划"。二十三岁获博士学位。曾先后任国立汉城大学和加拿大不列颠哥伦比亚大学博士后、韩国首尔大学助理教授。2011年入选教育部新世纪优秀人才支持计划。陈敏教授主要从事认知计算、物联网感知、情感计算通信和机器人技术、5G网络、软件定义网络、医疗大数据、人体局域网等领域的研究工作。在国际学术期刊和会议上发表论文200余篇，发表论文谷歌学术引用总数超过9000次，H-index = 48，SCI他引次数超过2500次。担任IEEE计算机协会大数据技术委员会主席。获IEEE ICC 2012、IEEE IWCMC 2016等国际大会zui佳论文奖。荣获 2017 年度 IEEE通信学会Fred W. Ellersick Prize。
|
| 目錄：
|
第一篇认知计算与物联网
1认知数据的采集2
1.1认知数据的特点2
1.1.1认知数据的定义2
1.1.2数据流量、多样性、速度、真实性和变化性3
1.1.3结构化数据和非结构化数据4
1.1.4认知数据的采集与预处理5
1.2物联网感知8
1.2.1物联网的演进8
1.2.2物联网使能技术及发展路线图13
1.2.3物联网感知技术15
1.3物联网发展现状17
1.3.1物联网的分层架构17
1.3.2典型的物联网平台19
1.4群智感知22
1.4.1群智感知的定义22
1.4.2群智感知的起源23
1.4.3基于群智感知的数据采集24
1.5本章小结24
2认知触觉网络25
2.1触觉与认知25
2.1.1什么是触觉25
2.1.2触觉传感技术26
2.1.3由触觉形成的认知28
2.2认知触觉网络29
2.2.1认知触觉网络概述29
2.2.2认知触觉网络优化30
2.2.3基于认知触觉的行为预测32
2.3认知触觉网络的典型应用33
2.3.1机器人通信与控制33
2.3.2远程医疗应用37
2.4本章小结38
3语料库和自然语言处理39
3.1构建语料库39
3.1.1语料库概述39
3.1.2基于语料库的语言认知41
3.2自然语言处理41
3.2.1自然语言处理的历史41
3.2.2词法分析42
3.2.3语法和句法分析42
3.2.4语法结构43
3.2.5话语分析43
3.2.6机器理解文本 NLP 技术43
3.3词向量44
3.3.1概述45
3.3.2训练词向量45
3.3.3词向量的语言学评价46
3.3.4词向量的应用47
3.4本章小结48
第一篇习题48
本篇参考文献50
认知计算导论目录第二篇认知计算与机器学习
4机器学习概述54
4.1根据学习方式分类54
4.2根据算法功能分类55
4.3有监督的机器学习算法57
4.4无监督的机器学习算法58
4.5本章小结58
5机器学习主要算法60
5.1决策树60
5.2基于规则的分类63
5.3最近邻分类65
5.4支持向量机67
5.4.1线性决策边界67
5.4.2最大边缘超平面的定义68
5.4.3SVM模型69
5.5朴素贝叶斯69
5.6随机森林72
5.7聚类分析76
5.7.1基于相似度的聚类分析76
5.7.2聚类方法介绍77
5.8本章小结84
6面向大数据分析的机器学习算法85
6.1降维算法和其他相关算法85
6.1.1降维方法85
6.1.2主成分分析法86
6.1.3半监督学习和增强学习以及表示学习89
6.2选择合适的机器学习算法91
6.2.1性能指标和模型拟合情况92
6.2.2避免过拟合现象94
6.2.3避免欠拟合现象96
6.2.4选择合适的算法98
6.3本章小结99
第二篇习题99
本篇参考文献102
第三篇认知计算与大数据分析
7认知大数据分析106
7.1大数据和认知计算的关系106
7.1.1处理人类产生的数据106
7.1.2驱动认知计算的关键技术108
7.1.35G网络111
7.1.4大数据分析112
7.2认知计算相关介绍113
7.2.1认知计算的系统特征113
7.2.2认知学习的应用114
7.3认知分析115
7.3.1统计学、数据挖掘与机器学习的关系115
7.3.2在分析过程中使用机器学习116
7.4本章小节119
8深度学习在认知系统中的应用120
8.1认知系统和深度学习120
8.2深度学习和浅层学习121
8.3深度学习模仿人的感知122
8.4深度学习模仿人类直觉124
8.5深度学习实现步骤125
8.6本章小结126
9人工神经网络与深信念网络127
9.1人工神经网络127
9.1.1感知器127
9.1.2多层人工神经网络128
9.1.3人工神经网络前向传播和后向传播129
9.1.4梯度下降法拟合参数133
9.2堆叠自编码和深信念网络134
9.2.1自编码器134
9.2.2堆叠自编码器137
9.2.3限制波兹曼机138
9.2.4深信念网络143
9.3本章小结144
10卷积神经网络与其他神经网络145
10.1CNN中的卷积操作145
10.2池化148
10.3训练卷积神经网络150
10.4其他深度学习神经网络151
10.4.1深度神经网络的连接性152
10.4.2递归神经网络152
10.4.3不同神经网络的输入和输出的关系153
10.4.4结构递归深度神经网络结构154
10.4.5其他深度学习神经网络154
10.5本章小结155
第三篇习题155
本篇参考文献157
第四篇认知云计算
11云端认知计算162
11.1云端认知计算162
11.1.1利用分布式计算共享资源162
11.1.2云计算是智能认知服务的基础162
11.1.3云计算的特点163
11.1.4云计算模型163
11.1.5云交付模型167
11.1.6工作负载管理168
11.1.7安全和治理169
11.1.8云数据集成和管理169
11.1.9云端认知学习工具包简介170
11.2本章小结171
12面向认知计算的云编程与编程工具172
12.1可拓展并行计算172
12.1.1可拓展计算的特点172
12.1.2从MapReduce到Hadoop和Spark173
12.1.3常用的大数据处理软件库174
12.2YARN、HDFS与Hadoop编程175
12.2.1MapReduce计算引擎175
12.2.2MapReduce在矩阵并行算法中的应用179
12.2.3Hadoop架构和扩展181
12.2.4Hadoop分布式文件系统HDFS184
12.2.5Hadoop YARN资源管理186
12.3Spark核心和分布式弹性数据集188
12.3.1Spark核心应用188
12.3.2弹性分布式数据集中的关键概念189
12.3.3Spark中RDD和DAG tasks编程191
12.4Spark SQL、流处理、机器学习和GraphX编程193
12.4.1结构化数据Spark SQL194
12.4.2使用实时数据流的Spark Streaming195
12.4.3用于机器学习的 Spark MLlib Library196
12.4.4图像处理框架Spark GraphX197
12.5本章小结199
13TensorFlow200
13.1TensorFlow的发展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机器学习系统中数据流图205
13.3图像识别系统中TensorFlow的使用206
13.4本章小结209
第四篇习题209
本篇参考文献210
第五篇认知计算与机器人技术
14基于机器人技术的认知系统212
14.1机器人系统212
14.1.1机器人发展历程212
14.1.2机器人分类213
14.1.3机器人技术发展核心217
14.1.4机器人的未来218
14.2认知系统218
14.2.1认知计算219
14.2.2基于认知计算的认知系统220
14.2.3机器人与认知系统的融合220
14.2.4基于认知计算的多机器人协作的情感交互221
14.3典型应用225
14.3.1基于机器人认知能力的工业4.0225
14.3.2基于机器人的情感交互226
14.4本章小结228
15机器人的认知智能229
15.1机器人认知智能支撑技术229
15.1.1传感器等感知技术的发展229
15.1.2大数据、机器学习和深度学习等数据处理技术的发展230
15.1.3云机器人231
15.1.4机器人通信技术232
15.2具有认知智能的机器人的体系架构232
15.2.1机器人系统架构232
15.2.2机器人硬件架构234
15.2.3软件开发平台236
15.2.4机器人底层控制软件实现236
15.2.5机器人应用软件实现238
15.2.6总结241
15.3认知智能机器人的重要意义及发展趋势242
15.3.1发展智能机器人的重要性242
15.3.2智能机器人的发展方向242
15.3.3总结244
15.4当前认知智能机器人的应用与发展244
15.4.1情感交互机器人244
15.4.2智能家居245
15.4.3其他智能机器人246
15.5本章小结248
第五篇习题249
本篇参考文献251
第六篇认知计算应用
16Google认知计算应用254
16.1DeepMind的AI程序254
16.2深度增强学习算法255
16.3机器人玩Flappybird257
16.4使用深度增强学习的AlphaGo263
16.5本章小结267
17IBM认知计算应用268
17.1IBM的语言认知系统268
17.1.1Watson的语言天赋268
17.1.2具有语言认知智能的搜索引擎269
17.2IBM认知系统在极限挑战中的语言天赋270
17.2.1Watson养成记270
17.2.2危险挑战对语言能力的要求270
17.2.3面向商业智能应用的IBM认知系统271
17.3IBM医疗认知系统272
17.3.1Watson语言认知在医疗领域的应用272
17.3.2医疗认知系统发展历史273
17.4IBM Watson核心组件深度问答DeepQA274
17.4.1Watson软件架构274
17.4.2DeepQA组件语言分析架构275
17.4.3IBM认知系统搜索引擎特点对问题的语言分析276
17.5本章小结282
18医疗认知系统283
18.1医疗认知系统283
18.1.1概述283
18.1.2医疗数据的模式学习284
18.2基于大数据分析和认知计算的认知医疗系统285
18.2.1基于云计算的医疗服务系统架构285
18.2.2基于大数据和认知计算的高危病人智能分析系统286
18.3医疗认知系统中结构化数据分析287
18.3.1慢性疾病检测问题287
18.3.2疾病检测的预测分析模型289
18.3.3 5种疾病检测机器学习方法的性能分析293
18.4医疗认知系统中文本数据分析296
18.4.1疾病风险评估模型297
18.4.2深度学习中的词向量297
18.4.3卷积神经网络结构299
18.4.4卷积神经网络进行医疗文本疾病风险评估实现299
18.5医疗认知系统中图像分析302
18.5.1医疗图像分析302
18.5.2卷积神经网络医疗图像分析303
18.5.3自编码医疗图像分析308
18.5.4卷积自编码医疗图像分析310
18.6本章小结315
第六篇习题316
本篇参考文献318
第七篇认知计算前沿专题
195G认知系统322
19.15G的演进322
19.1.1移动蜂窝核心网络322
19.1.2移动设备和边缘网络323
19.1.35G驱动力325
19.25G关键性技术326
19.2.1网络架构设计326
19.2.25G网络代表性服务328
19.2.3认知计算在5G中的应用331
19.35G认知系统332
19.3.15G认知系统的网络架构332
19.3.25G认知系统的通信方式333
19.3.35G认知系统的核心组件333
19.45G认知系统的关键技术334
19.4.1无线接入网的关键技术334
19.4.2核心网的关键技术335
19.4.3认知引擎的关键技术335
19.55G认知系统的应用335
19.5.15G认知系统的应用335
19.5.2认知系统的应用的分析337
19.6本章小结337
20情感认知系统338
20.1情感认知系统介绍338
20.1.1传统人机交互系统介绍338
20.1.2NLOS人机交互系统介绍339
20.2情感通信关键技术340
20.3情感通信系统结构341
20.4情感通信协议343
20.4.1对象343
20.4.2参数344
20.4.3通信指令集344
20.4.4通信过程345
20.4.5马尔可夫状态转移346
20.5抱枕机器人语音情感通信系统347
20.5.1语音数据库347
20.5.2移动云平台介绍348
20.5.3场景测试348
20.5.4实时性分析349
20.6情感认知应用实例介绍351
20.6.1情感数据的采集与分析351
20.6.2基于抑郁检测的情感认知355
20.6.3基于焦虑检测的情感认知356
20.7本章小结358
21软件定义网络359
21.1认知软件定义网络的由来359
21.1.1软件定义网络359
21.1.2由软件定义网络到认知软件定义网络361
21.2认知软件定义网络的架构363
21.3广义数据层365
21.3.1数据收集365
21.3.2转发规则365
21.4认知控制层366
21.5广义应用层368
21.6认知软件定义网络特点369
21.6.1特点370
21.6.2关键组成370
21.7认知软件定义网络的安全问题371
21.7.1安全需求与挑战372
21.7.2安全问题概述372
21.8本章小结375
第七篇习题375
本篇参考文献377
|
| 內容試閱：
|
|
一、 从认知科学到认知计算20世纪中后期，行为主义思潮逐渐衰落，伴随着语言学、信息论和数据科学的兴起，以及计算机技术的飞速发展与普及，引发了一场声势浩大且令人深思的认知革命，随之产生了认知科学（Cognitive Science）。认知科学是一门研究信息如何在大脑中流转及处理的跨领域学科。从事认知科学研究的科学家们通过对包括语言、感知、记忆、注意力、推理和情感等方面的观察，来探寻人的心智能力。人类的认知过程主要体现在以下两个阶段。首先，人们通过五官、皮肤等人体自身的感知器官来觉察周围物理环境，获得外部信息作为输入。其次，输入信息经神经传输至大脑进行存储、分析、学习等复杂处理，并将处理结果通过神经系统反馈给身体的各个部位，由各部位做出适当的行为反应，由此形成一个完整的涵盖决策和执行过程的闭环。因此，新生儿在认知世界的过程中需要不断同外部世界进行交流沟通，以获取外部环境的各种信息，同时利用所获取的信息以及动作反馈逐步建立自身的认知系统。由于认知系统具有极高的复杂性，所以认知科学需要运用包含多门学科的工具和方法来对认知系统进行多维度和全方位的深入研究。因而，认知科学横跨了语言学、心理学、人工智能、哲学、神经科学和人类学等多个交叉学科和研究领域。可以说，迄今为止人们在认知科学领域所取得的成就，与其跨学科的研究方法是密切相关的。近年来,随着计算机软硬件技术的高速发展、大数据时代的来临以及人工智能研究的兴起，认知计算逐渐成为人们关注的焦点。我们在图1中展示了认知计算的演进过程。大数据分析与认知计算是由数据科学演进而来的两种不同的技术。大数据分析强调其所处理的数据应具有大数据的特征；认知计算更侧重于处理方法的突破，其所处理的数据不一定是大数据，就像人脑记忆力有限，但对形象信息的认知和处理极其高效。认知计算偏向于借助认知科学理论来构建算法，从而模拟人的客观认知和心理认知过程，使机器具备某种程度的类脑认知智能。类脑计算旨在使计算机可以从人类思维的角度去理解和认知客观世界。机器可以通过认知计算来加强对世界与人内在需求的认知，从而增强自身的智力和决策能力。其中，特别是针对牵涉复杂情感和推理的问题，认知计算将超越传统机器学习。认知智能将通过物联网、机器人等技术嵌入在用户身边，辅助人类决策，并提供关键性的建议。如果认知计算所处理的数据具备大数据的特征，那么它同时也是大数据分析。图1认知计算的演进二、 以人为中心的认知循环在对人工智能研究如火如荼的今天，面对虚拟网络空间（Cyber Space）提供的多种多样的数据，人们开始思考如何才能让机器（Machine）变得更加智能，从而为人类（Human）提供更好的服务。认知计算与Human、Machine和Cyber Space相交互与融合，并形成全新的以人为中心的认知循环（the Circle of Humancentric Cognitions），其主要的内涵包括以下三个方面。1. 基于数据与信息的认知：提高机器的智能在Human & Machine & Cyber Space中，我们把计算机网络、基础通信架构装置、终端设备及机器人等硬件设施统称为Machine，把存在于虚拟网络里的信息所构成的空间称为Cyber Space。对认知计算的研究，首先离不开对Cyber Space中已有数据与信息进行分析，以提高机器的智能。因此，传统的物联网、5G网络、云计算、大数据分析等技术将为认知计算在信息的采集、获取、传输、存储和分析等方面提供各种支持。认知计算导论前言2. 机器或人对已有信息的全新解读或诠释：突破数据的局限在香农的信息理论中，单位时间内数字通信系统中传递的信息受信道容量的限制，数据传输量是有限的。但是，现实世界中机器智能对信息源源不断的需求量与有限的物理信道容量总是相互矛盾的。如果没有持续海量的数据供给，机器通过计算不能再获取有效养分而导致其智能的增长可能停滞。然而，人类对机器的能力寄予越来越高的期望，人工智能的后期发展能否突破数据的局限至关重要。我们提出机器有可能对现有的Cyber Space中的信息进行再解读和诠释，从而产生新的信息，该过程也可有人的参与。不同的机器从不同的角度对信息进行全方位的理解，用户在此过程中也可增加不同的观点。比如，王国维用三句词描绘做学问的三大境界，可是原作者分别是晏殊、柳永、辛弃疾并无此意，只是王国维对原信息做了创造性地背离和诠释而已。对信息做新的解读，可以进一步挖掘信息的潜能，加上多维度的信息共享，能使机器博采众长。与光电系统中固定存储和传输的信息相比，信息的诠释能使数据更具生命力。一旦突破数据的局限，机器的智能将持续向前迈进，从而有可能具备认知智能。如图2所示，我们相信Human、Machine、Cyber Space之间的交互，以及突破机器学习对信息的依赖将是认知计算在大数据时代呈现的两大新特征。图2以人为中心的认知循环3. 机器对人的认知：提供更加智能的认知服务到目前为止，机器基于数据进行学习尚未向精神领域做足够的延伸，难以做到关注人的情感、心理等内在信息。认知计算为机器探索人的内在需求提供了一种有效途径，让机器对人的认知产生更加深刻的领悟，从而为用户提供一种更加智能的认知服务。这种认知服务结合了机器的认知智能，与传统物联网时代的智慧城市、智慧医疗、智慧家居、智慧交通等应用所要求的机器智能相比，认知服务更加强调以人为本，探知人的精神世界，贴合人的内在需求。图2包含了一个以人为中心的认知循环。从认知计算的角度来看，怎样才能充分挖掘信息的潜能呢？机器基于物联网、云计算、机器学习等技术，对已有信息的价值已经做了充分的挖掘。从信息论角度看，光电系统所承载的信息量是有限的，认知计算若要使机器智能进一步提高，一方面需要运用已有的数据分析方法，另一方面又要突破数据的局限。结合深度学习和增强学习的方法，认知计算还可借鉴人类的形象思维和图像理解能力，采用类脑计算，加入人和机器对数据的解读和诠释，使数据变得更加有生命力。随着信息全新的诠释与数据的再生，Cyber Space也将被相应地拓展。因此，Human、Machine、Cyber Space之间的共融与交互，使机器能够为人类提供更加智能的认知计算应用与服务。三、 从认知的潜能看信息的价值不同于传统意义上基于光电的数据传输和分析，认知计算旨在让机器在某种程度上模拟人脑的思维。人脑的学习与计算以及神经元间的信息传递，相比于光电系统中由数据驱动的计算完全不同，即数据虽然在物理上能够被度量，但人脑通过对其进行学习和计算却能解读出海量的多维度信息。因此，受信息的价值和认知潜能的启发，本书将从认知数据的产生采集、传输、分析以及应用等角度详细解读认知计算。1.信息价值与认知计算人类生活离不开物质和能量，同时也离不开信息，即任何正常人都有相应的信息需求。一方面，在对物质需求日益提高的今天，人们对信息的要求也日益提高。另一方面，支撑认知计算的基石也是信息，从狭义层面上看，信息所蕴含的价值是可以量化的，就像信息可以被度量一样。信息价值论跳出了人类社会经济学的狭隘范畴，摒弃了主客体对立的价值思考方式，提出了一种契合自然规律的一般价值论，具有极强的解释力和包容性。它不局限于人造通信系统，而是将人类生理、心理、语言以及自然社会现象等融入信息的产生采集、传输、分析与应用等研究问题之中，使得信息在这个时代的价值比任何时代都更加突出。丰富且多维度的信息价值为认知计算的发展提供了原料，为认知系统如何不断获取认知智能提供了新的思路。具体来讲，信息的价值分为固有价值和拓展价值。固有价值是信息形成之初固有的自然属性；拓展价值是信息在传输过程中，受外在因素影响逐步形成的社会属性。对一个优良的信息块而言，如果信息的拓展价值较低，则表明信息的价值没有被充分挖掘、分析和利用，造成了信息潜能的埋没。优良的信息自产生以来，除了具备可以被度量的信息量价值，另一部分价值潜能如同被原作者放入一个隐蔽的信箱，等待今后被开启和解读。2.认知的潜能所谓机器的认知潜能主要包含两个方面：认知系统所具备的认知潜力，以及信息所蕴含的价值潜能。两者相辅相成可放大信息的价值，推动认知智能的演进。人的一生在不断学习进步。当人脑的认知能力达到某种程度之后，便可触类旁通，可以对数据在不同维度间进行转化，转化后的信息又可以被应用到其他维度的数据层面，从而产生新的信息和观点。由人类创造的认知系统也应具有或多或少的认知潜能，当机器具备一定程度的认知智能时，又何尝不能对已有信息进行再创造呢？认知系统在训练的过程中模拟人的思维，通过持续地学习，获得不断增强的智能性，逐步接近人类所具备的认知能力。为实现这一目标，其中一个关键性的假设在于：作为认知计算主体的机器，其生命是无限的，因此其认知潜能在理论上难以被量化。在有限的信息空间中，机器的认知潜能如果被激发，我们也可以说信息的价值潜能得到拓展。3. 从认知的潜能看信息的价值由信息的基本概念可知，信息的生命周期中每个阶段都具备认知的潜能，若各个阶段的潜能得到激发，信息所蕴含的价值将被充分挖掘。从产生信息开始，信息的固有价值便决定了其本身是否具备认知的潜能，这取决于信息是否包含普遍的自然规律、道理和精神。若信息拥有的内涵能引发丰富的联想，衍生出多种多样的形象信息，其价值也终将被不断开发。当然，信息是否具有认知的潜能，也依赖于产生信息的主体（人或者机器）的智能和创造力。不论是人类本身与生俱来的想象力，还是后天学习所获得的领悟，只有当人脑的认知能力进化到一定程度，才能创造出虽在物理上可度量但蕴含引发后人无限感慨和联想的信息，启发当代乃至后来人的想象空间，从而折射出海量的多维数据。有了具备认知潜能的信息源，认知计算还需要一个承载和传递信息的桥梁，物联网由此成为感知物理世界数据的最前端，为认知系统提供源源不断的数据。与认知计算相结合，物联网的数据感知服务将更加偏重于以人为中心的应用。应用人本化也使得认知计算与移动计算紧密关联，认知智能所需的数据采集与计算也需要考虑用户的移动性才能达到能效优化。而这种移动性同时为认知数据采集提供了一种便捷的方法：大规模的移动人群对数据的无意识采集与传递，即群智感知。在群智感知技术的运用下，信息在传播过程中可使认知系统集思广益。在虚拟世界，移动用户又是通过在线社交网络相联，社交网络无形中也是一个以用户兴趣为中心的数据产生和传播的载体，因此认知计算与社交网络相结合的认知社交网络也是未来一个新的研究方向。另一方面，5G移动通信技术的提出极大地加快了数据传输速度，让爆炸式增长的信息量得以在短时间内迅速传播，这将极大支撑高级认知系统对海量信息传输的需求。与此同时，机器学习、深度学习的发展也让认知系统有能力理解不同维度信息之间的关联性。此外，不论是人类丰富的想象力和深刻的解读能力，还是机器的增强学习，都能让我们从现有信息中发现新的信息，在机器、人与信息空间的认知环中，已有信息与新信息的共享和融合，所产生的认知智能又使机器具备更强的信息解读能力，最终形成良性循环，使机器具备更高的智能性，为人类提供更好的服务。四、 认知计算与物联网、大数据分析、云计算图3所示为认知计算的系统架构。通过依托5G网络、物联网、机器人和认知设备等底层架构，以及云环境、超算中心等基础设施，同时利用机器学习、深度学习平台，来完成包括人机交互、语音识别、计算机视觉等任务，从而服务于包括健康监护、认知医疗、智慧城市、智能交通和科学家做实验等上层应用。这个系统架构中的每一层都伴随着相应的技术挑战和系统需求。因此，本书对认知计算与各层之间的关联进行了详细研究与讨论。图3认知计算的系统架构及其挑战1. 认知计算与物联网由前可知，认知计算需要以信息为基础。通信领域注重信息的传输，计算机领域注重信息的使用。信息在实际认知计算应用中主要表现为数据，包括形式多样的结构化和非结构化数据。而物联网通过种类丰富的信息传感设备，实时采集客观世界中受关注对象的各种有价值信息，并通过互联网形成一个巨大的网络，实现海量传感设备的互联互通，使得数据世界与物理世界共融。因此，本书第1章详细介绍了认知数据的采集方法及过程。物联网首先通过RFID、无线传感器等自动识别和感知技术，以及卫星定位及WiFi指纹等定位技术获取受监测对象的相关信息；其次，借助各种高效的通信手段将相关信息遍布于网络中加以共享和整合；最后，利用云计算、机器学习、数据挖掘等智能计算技术对信息进行分析处理，最终实现信息物理融合系统中的智能化决策和控制。物联网实现了信息的感知与传输，随着物联网的普及和广泛应用，还会产生越来越多的物联网数据，为认知计算的实现提供重要的信息源。同时，认知计算作为一种新的计算模式，反过来可以为物联网的数据感知和采集提供效率更高，能效更优的实现手段。2. 认知计算与大数据分析信息持续的增长和机器计算能力的不断提升在大数据时代尤为明显。相比传统结构化数据的增长，社交媒体和移动互联网数据等非结构化数据增长更加迅猛。结构化和非结构化数据组成了认知大数据，其特点可以用5V表示：Volume海量、Velocity变化快、速率高、Variety多样化、Value以价值为中心、Veracity真实性。同时，这些特点使得信息的分析处理面临诸多难题，大数据分析和认知计算为我们提供了有效的途径。大数据分析与认知计算是两种不同的技术，它们可以独立，也可以共存。首先，针对某个数据集的大数据分析不一定是认知计算。大数据思维强调以数据为核心，从海量数据中挖掘价值，获得洞察力，如果脱离了大量的数据作为基础，将无法保证预测的精确度与可靠性。人的一生阅历不断积累，穷尽了大千世界的各种信息之后，也会逐渐具备看待世界的大数据视角，具备大数据思维。大数据思维和深度学习一样，都具有阶层性。第一层是关心物质生活和环境改善，第二层是追求精神文化，第三层是关注生命意义。越往上层，人数越少。目前的机器智能所模拟的思维主要集中在第一层和第二层，关心人的健康状况、生活水平和情感状态，与之对应的是健康监护、智慧医疗、智能家居、智慧城市、情感照护等应用。更深一步的第三层关注生命意义对用户的人生发展方向提出个性化的建议，以助用户实现幸福而更有意义的人生，这是目前机器所不能做到的，也是未来人工智能的一大挑战。在数据集符合了大数据特征的情况下，我们对数据的分析和处理方式最直接的是采用已有的机器学习方法，但是否用到类脑计算的数据处理技巧是区别大数据分析和认知计算的关键。要机器达到更高的思维境界，应该更加强调数据价值潜能的拓展，使机器能认知数据的内涵及其包含的形象信息，像人一样理解周围的信息。其次，虽然认知计算也兼顾数据在量上的积累，但并不意味着对数据量的依赖。认知计算基于类似人脑的认知与判断，试图解决生物系统中的模糊性和不确定性问题，以实现不同程度的感知、记忆、学习、思维和问题解决等过程。例如在现实生活中，小孩子学会认识一个人只需要很少的次数，虽然数据量不够大，但是对数据的处理上采用了类似认知计算的方法。对于普通人和领域专家来说，即使数据都一样，但是普通人得到的知识与专家得到的知识在深度上的确完全可能不同，这是因为两者思维的高度有别，解读数据的角度也有差异。通过认知计算，机器能够从有限的数据中挖掘出更多的隐含意义。就像人的顿悟，机器能否突然在某个时间点，基于原有的数据爆炸式地解读出另一段海量信息？不依赖于大数据分析，机器是否能获得认知智能？这些问题留给读者来思考。最后，认知计算和大数据的结合将实现双赢。认知计算受人类的学习过程启发，人类学会认识一个形象只需很短的时间，就能轻易地分辨出猫和狗等事物，而传统的大数据需要进行大量的训练之后才能达到人类这个简单的能力。比如Google Photos虽通过大量图片学习后能区分猫和狗，但还没办法识别出猫的不同品种，并且，浩如烟海的数据具有较大的冗余性，将会占用大量的存储空间。而认知计算倾向于走一条比大数据分析更加轻巧的途径，不仅挖掘数据的共性和价值，在收获认知智能后，使大数据分析不仅只是使用计算蛮力。在大数据时代之前，认知计算并未被充分地研究。如今人工智能的兴起及云端充足计算资源的支持为认知计算的发展提供了有力条件，使机器从认知用户内在需求的角度解读和挖掘数据的含义成为可能。本书第三篇对认知计算与大数据分析进行了详细且全面的探讨，在第4章对机器学习进行了概述，第5章归纳了机器学习的主要算法，第6章结合大数据的特点探讨了面向大数据分析的机器学习算法。3. 认知计算与云计算云计算（cloud computing）将计算、存储和带宽等资源虚拟化，使得软件服务部署成本降低，为认知计算应用的产业化和推广提供支撑。另外，云计算所具有的强大的计算与存储能力，为认知计算提供动态、灵活、弹性、虚拟、共享和高效的计算资源服务。本书第11章对认知云计算（或云端认知计算）的相关知识进行了归纳，第12章为读者提供了面向认知计算的云编程与编程工具的介绍，第13章介绍了目前深度学习研究与应用最流行的机器学习库TensorFlow开源软件库。现实生活中产生大量的数据信息，在云计算平台上进行大数据分析之后，使用机器学习等技术对数据进行挖掘，不同类别的信息对应不同的处理技术，如文字信息对应自然语言处理，图像信息属于机器视觉，最后将结果应用于不同的领域。无论是IBM语言认知服务或是Google认知计算应用，都强调实现类似人脑的认知与判断，并开发云服务模式。云计算和物联网为认知计算提供了软硬件基础，大数据分析为认知计算提供了方法和思路。在未来，认知云计算与认知物联网将成为新的研究方向，帮助人们发现和识别数据中的新机遇和新价值。五、 认知计算与信息论和5G网络人类的认知属于一系列针对特定信息的活动，通常，我们会用相对应的数学理论将其具象化。早期通信领域学者认为物质世界中传递的信息特指通信系统中的信息。信息论的奠基人克劳德艾尔伍德香农（Claude Elwood Shannon）在其著名论文《通信的数学理论》（1948年）中定义了此种信息，并提出了计算信息量的公式，如下：HX=-iPxilog2Pxib从公式可知，当各个符号出现的概率相等，即不确定性最高时，信息熵最大。因此，信息可以视为不确定性或选择的自由度的度量。随着智能手机、多媒体移动通信及服务种类的增加，人们对信息量的需求也与日俱增，与此同时对未来移动通信网络也提出了更高的要求。下一代移动网络联盟（Next Generation Mobile Networks Alliance）定义了第五代移动通信系统（5G）的以下要求：① 以10 Mbs的数据传输速率支持数万用户；② 以1 Gbs的数据传输速率同时提供给在同一楼办公的众多人员；③ 支持数十万的并发连接用于支持大规模传感器网络的部署；④ 频谱效率应当相比4G显著增强；⑤ 覆盖率比4G有所提高；⑥ 信令效率应得到加强；⑦ 延迟相比4G应该显著降低。也就是说,5G网络不仅要满足高通信容量需求，而且移动用户的数据速率也需要有巨大的提升，详见第19章。根据数字通信系统的理论基石，即香农公式：R=Wlog21 SNbs其中W为信道带宽，S为信号的平均功率，N为噪声的平均功率，SN为信噪比，可以获得有噪声信道的极限速率（单位时间内在信道上传送的信息量的上限）。根据香农公式，可以从以下三个角度来提升用户的传输速率。第一，扩展频谱范围，如使用新的频段，但是现有的频谱资源有限。比如在5G中的毫米波通信mmWave，使用高频的优点是速度快，同时传递的信息量大，但缺点是信号的衰减非常严重，而且传输距离非常近。第二，提高频谱利用率，如通过大规模天线阵列Massive MIMO技术和高阶调制技术，提高小区内单位频谱资源下的传输速率上限。第三，采用更加密集的小区布置，在单位面积上部署更多小区。理论上，总的容量会随着单位区域内小区数量呈线性增长，在给定区域内降低小区半径并容纳更多数量的小区将会提供更多的容量和更多的频谱复用。随着认知计算的发展，以香农信息论为基础，可进一步探知认知信息论。认知活动其实就是基于香农信息熵对庞大的感知输入信号进行描述，从而获得外界事物的存在信息和属性信息；同时根据事物之间相互约束信号，可以得到事物之间的关联规律信息；最后通过获得的事物间的规律信息并根据相应信息参数的改变来推测事物的状态信息。由此给上述三个解决方法带来了一系列疑问。例如，信息的增值和通信容量的增加，除了前面探讨的对物理世界数字通信系统的不断完善和提升，我们能否从认知的角度对信息进行更加深入的解读和利用？信息是否只能以物质的形式（如声、光、电、能量、磁盘、生命科学领域的DNA、甚至中医领域的气血等在物理空间中能够进行度量的介质）为载体？信息可否作为信息的载体？人或认知系统对已有信息的诠释、解读或挖掘，由此产生的新的数据价值，是否可以理解为信息量扩充的一种方式呢？信息载体information carrier与信息的载体carrier of information有何区别？这些疑问留给广大读者思考。六、 如何突破大数据分析对数据的依赖从古至今，人类不断地探索自身，并试图像上帝造人一样创造机器。如今，许多机器在体力上已经远远超过人类，然而却始终无法达到人类智慧的高度。最初的机器学习通常分为监督学习和非监督学习，我们喂给机器的数据通常具有固定的格式，机器根据这些数据训练模型，完成回归、分类、聚类等任务。但是机器能接收的信息是有限的，机器难以学习非线性情况下的信息，它只能根据现有的大部分情况进行推测，而且同一数据的标签在不同情况下可能是不同的，机器学习到的信息在不同用户看来，其可用性也有别。传统的监督学习和非监督学习基于输入数据的封闭式训练，已经满足不了对机器智能可持续性提升的需求，因此增强学习成为机器学习领域一个热门的研究分支。增强学习和人类学习的过程非常相似。以小孩学说话为例，当要教其一个单词时，通常会指着单词代表的某个事物或者做单词代表的动作，反复读那个单词，如果小孩理解错了，在做出错误判断之后，大人会给予纠正，而对于小孩的正确判断，大人会给予奖励。在人类学习的过程中，周围环境也是一个很重要的因素。增强学习借鉴了这一点，它是机器从环境到行为映射的学习。它设立一套奖励机制，当所做行为对目标有益时，就给予一定的奖励，反之则施予一定的惩罚。前往目标的过程所做的选择不止一个，因此每次做的选择不一定是最好的，但一定是对目标的实现最有利的。以AlphaGo为例，它在吸收了几百万局棋局并进行深度学习之后，使用增强学习进行实战对弈，此时它的策略并不像深度学习那样做出当前最优的落子选择，而是进行全局规划，选择最可能导致最终获胜的落子位置。在这个过程中，机器不仅根据过去的经验，同时为了能使目标奖励最大，也会尝试新的路径，就像学画画一样，当掌握了基本技巧之后，就开始掺杂些即兴发挥，而机器尝试的这个过程其实也在产生数据，训练的最终目标不是回归、分类或聚类，而是最大化奖励，以这个为目的，对于机器来说不管是成功的尝试还是失败的尝试，都是有意义的，机器接下去走的每一步都会借鉴之前尝试的经验。但是机器一味地自我尝试对某些事情的认知效果并不佳，就像小孩学习语言，如不与他人交流难以进步，机器也如此。因此，闭门造车的学习系统不是一个好的认知系统。同时，认知系统也可直接和人类进行交流。如果专门指派一个人和机器交流，这样就太耗费时间及人力了，采用众包的方法可以让人与机器的交流变得自然。典型的案例是游戏Foldit，这款游戏给定一个目标蛋白，玩家可以用各种氨基酸进行组装，最终拼凑出这个蛋白的完全体。玩家通过游戏自愿参与到氨基酸的组装过程，当玩家数量足够多的时候，这群非专业玩家的集体智能将超越少数专业人士。我们可以借用这种方法，通过编写定制化的认知计算软件，让用户无意识地与机器交流，以提升机器在某个应用领域的智能性。参与众包的用户无意识地提供的多样化信息也缓解了认知学习对数据的依赖，同时也提供了一种新的数据处理方式。七、 认知计算与深度学习认知系统使用数据分析、机器学习等技术开发和建立模型，用于帮助制定正确的决策。通常情况下，决策者使用预测模型的结果来提高他们的决策能力，并帮助他们采取正确的行动。作为机器学习的重要技术分支，深度学习在认知系统中被用来提高预测模型和分析模型的准确性和高效性。本书第7章详细介绍了认知分析的相关概念，当预测模型为应用服务时，不仅需要适应业务变化要求的高速处理能力，同时需要应对数据源的复杂性和多样性，分析模型需要结合大数据集，包括业务数据库、社会媒体、客户关系系统、网络日志、传感器和视频等各种类型的数据以提高预测能力。越来越多的预测模型部署在高风险环境中，如疾病早期诊断、机器故障监测等，预测结果如果具有很高的准确性将意味着生命得到挽救，重大危机得以避免等。但是，在数据量大、变化速度快的环境下使用数据挖掘、机器学习和深度学习进行自动预测分析是具有挑战性的工作。建立模型对大量数据进行识别和理解时，通过数百或数千次的迭代，数据元素之间的关联类型不断变化。由于数据元素的复杂性和数据量大的原因，这些模式和关联很容易被忽视。机器学习和深度学习方法的应用，有利于发现数据模式和它们之间的关联，这是提高认知系统预测模型性能准确性的关键。预测模型使用原始数据进行分类、预测。首先对数据进行预处理、特征提取和特征选择，然后使用这些特征进行分类、预测。数据预处理、特征选择、特征提取合称为特征表示，寻找到良好的特征表示对最终分类和预测的性能非常关键。原有的手工特征选择需要专业的知识，费时费力，能否选择出好的特征很大程度上靠经验。当需要分析大量数据，并且手工提取特征困难时，深度学习方法更能体现出其优势。深度学习采用分层结构，模拟人脑进行信息处理，具有数据特征学习的能力，不需要事先设计原始数据特征，直接使用大量原始数据，逐层特征提取和学习结构，在输入到输出之间建立一种复杂的非线性映射关系。在处理非结构化的图像、文本、语音等数据时，深度学习的性能更加突出。如第8章所介绍的，深度学习使用多层神经网络结构进行数据的特征学习和提取，它包括一个输入层、一个输出层和多个隐藏层，并且在模型的学习过程中调整相邻两层神经元之间的连接参数。常见的深度学习架构包括深度信念网络（见第9章）、卷积神经网络和递归神经网络（见第10章）等。深度学习是机器学习的一个分支，与其对应的我们称为浅层学习，对比浅层的神经网络，深度学习能为更复杂的非线性关系建模。在深度学习算法中，输入将经过更多层的转换，每一层输入数据通过转换进入下一层作为输入，通过组合低层特征形成更加抽象的高层特征表示或属性，从而建立数据的逐层特征表示。深度学习通过大量数据的训练，学习以调整各层参数，从而学习到数据的有效特征表示，最终能够提升分类或预测的准确性。深度学习的特征如下：（1） 多层神经网络模型结构。与通常的浅层学习相比，深度学习使用更多隐藏层，能够学习到从输入到输出更加复杂的线性关系。（2） 特征学习是目的。通过逐层特征变换，将数据的原始表示变换到一个新的特征空间，学习输入数据的有效特征表示，使分类或预测变得容易且精确度得到提高。（3） 采用大量数据逐层训练的方法。深度学习模型需要大量数据采用逐层训练的方式学习网络结构，使用浅层模型手工设计的特征数据量相对较少。八、 认知计算与形象思维人的大脑皮层分为左、右两个半球，两侧半球在功能上不同。对于大多数人来说，左脑负责语言、意念、逻辑等，右脑负责形象思维和情感等。左脑发达的人通常逻辑性强、比较理性，比如科学家；右脑发达的人通常具有较强的创造力、擅长空间和物体形状认知，比如艺术家。因此，按照思维内容的抽象性不同，人类的思维方式分为逻辑思维和形象思维，与此对应，人类认识自然界的方法也分为理性方法和感性方法。理性方法是以严格的概念定义为基础，感性方法则是建立输入和输出之间的某种映射关系。人脑究竟是怎样实现1000亿个神经元的信息编码、处理、存储的我们并不知道，但是在认知系统中可以通过数据分析来模拟人脑的思维方法。手工特征设计方法对特征的设计和提取进行了严格的定义，可以认为是一种理性方法，也就是模拟了人类的逻辑思维能力。特征学习方法是学习输入到输出之间的映射关系，是一种感性方法，也就是模拟了人类的形象思维能力。如图 4所示，分别用理性方法和感性方法来判断一个四边形是否为正方形。理性的解析方法就是寻找正方形的特征，判断4条边长度是否相同，是否具有4个直角，如图 4（a）所示。这种方法需要理解角及直角的概念，边及边长的概念。如果给孩子看正方形的图片，告诉他这是正方形，几次学习之后孩子就能够准确识别出正方形，如图 4（b）所示。幼儿并不懂边和角的概念，却能够认识正方形。孩子识别正方形的方法是感性方法，或者说是直觉，实质上是通过学习，孩子在大脑中建立了正方形图形和概念之间的一种映射关系。理性方法识别正方形需要寻找图像的特征，手工设计特征可以看作是这种方法的模拟。孩子认识正方形是使用感性方法建立图形和概念之间的映射关系，使用深度学习模型学习特征便可看作是这种方法的模拟。图4认识正方形的感性和理性方法九、 认知计算与图像理解使用计算机解决现实世界中的问题，需要模拟人脑的思维方式。认知系统中分类和预测模型需要对原始数据提取特征，使用手工设计特征的方法模拟人脑的逻辑思维能力，或者通过深度学习方法学习特征，从而对人脑的形象思维能力进行模拟。随着计算机应用的深入，人们越来越意识到现实世界中的很多问题，人类理解起来很容易，但是很难用理性的方法描述，对于计算机来说，理性的解析方法是低效的或者完全不可能实现。也就是说，无法使用手工设计特征的方法设计有效的数据特征，用计算机实现特征表示将很困难。提取图像特征是图像理解的基础，不管是用于图像分类、图像检索还是其他应用。以人脸识别为例，人脸图像特征的提取可以分为手工设计特征和学习特征两种方式。手工设计特征的方式，是计算机模拟理性方法来识别，需要确定人的脸部有哪些特征可以用来区分，比如鼻子、眼睛、眉毛、嘴巴形状等。因为要考虑表情、化妆、胡须、眼镜、光照的变化和拍摄角度不同等因素，所以特征设计和特征提取非常困难。但是人类在进行人脸识别时，很少考虑图像中的具体特征，完全凭直觉进行判断。照片中人的表情、光线、拍照角度和是否戴墨镜完全不会影响到识别的效果。我们可以理解为人类的这种凭直觉的识别方法是建立了输入某个人照片，输出姓名（他是谁），二者之间的一种映射关系。深度学习进行图像分类时，模仿人类图像识别的感性方法，通过大量的图像数据学习，获得了图像和分类结果之间的映射关系，也就是获得输入图像的特征表示，应用特征进行分类。使用训练获得的映射关系，可以获得输入图像的分类结果。具体到生命科学领域，本书在第18.4节中对医疗认知系统中的图像分析进行了详细探讨。十、 认知计算应用从信息论到认知科学，再到认知计算，我们试图将认知计算理论的由来、思想和支撑技术做一个系统且深入的探讨。本书从最大化信息的价值出发，面向数据的产生采集、传输、分析和利用四个阶段，对认知计算与物联网、云计算、大数据分析、机器学习和深度学习等技术之间的关联进行了详细讨论。在此基础上，本书将理论与实际相结合，进一步讨论了认知计算的两个重要方面：认知计算应用与前沿专题。除了已经趋于成熟且广为人知的几大认知计算应用，如第16章介绍的Google的AlphaGo、第17章介绍的IBM Watson认知系统等，本书详细探讨了认知计算的相关前沿专题，如第19章设计的5G认知系统、第21章研究的认知软件定义网络等。此外，本书第六、七篇中还重点介绍了自主设计和研究的几类认知计算应用。1. 认知计算与机器人技术机器人诞生于20世纪中期，经过半个多世纪的发展，机器人技术已经对人类的生产和生活方式产生了深远影响，并成为衡量一个国家科技创新和高端制造业水平的重要标志。制造出像人一样的机器在几千年前就已经是人类的伟大愿望，但目前，人和机器人仍然是一种使用和被使用、替代和被替代的关系。新的社会发展趋势表明：未来机器人系统将从更多的方面模仿人，尤其是机器人与人之间应更多地表现出一种和谐共存、优势互补的合作伙伴关系，与人共融是新一代机器人系统的重要特征。认知交互的一种重要媒介是仿人机器人，本书第14章对基于仿人机器人的人机交互进行了介绍，并详细介绍了自主设计的直立行走仿人智能机器人。而随着机器人与人类之间相互作用的增强，我们对于具有高度复杂性与认知功能的机器人的能力需求也在不断增加。将传统机器人与人工智能和认知科学相结合，推动实现机器人的认知智能，将是机器人发展的重要方向。因此，在第15章中，我们讨论了基于主流机器学习技术手段建立的机器与人的情感及生理健康相关的认知应用。2. 情感通信系统我们的世界通过互联网、手机和无数的物体互联，物理世界和信息世界无缝融合成为未来网络发展趋势。在物质生活日益丰富的今天，人们开始将关注的重心从物理世界转移到精神世界。以面向居家环境为例，传统的智慧屋（Smart Home 1.0）只是通过M2M的联网方式实现节能，并方便用户对家电进行远程控制，如小米公司推出的米家智慧屋。而加入机器对人的认知后，传统的智慧屋就进化成具有认知情感智能的新一代智慧屋系统智慧屋2.0（Smart Home 2.0），它融合了Smart Home 1.0与情感认知，是实现用户、智能应用、绿植和室内环境于一体的智能系统。系统结合智能家居和室内绿植，对室内用户情绪的感知和调节提供了智能的认知服务，能够感知用户的情绪并以此调节环境以优化用户的情绪。人的情绪逐渐成为精神世界的直接参考指标，对人情绪的认知将成为认知计算的一个重要应用。由此催生出新的具有情绪认知的人机交互技术。目前可用的人机交互系统常常是在视距环境（即在相互的视野之内）中支持的人机交互，而大多数人与人之间、人与机器人之间的交互都是非视距模式的。为了打破传统人机交互系统的限制，本书第20章介绍了一种基于非视距模式的情感通信系统。一般情况下，我们的远程交流方式是手机视频或语音通话，但本书所述的交流媒介则是抱枕机器人。例如，独自一人在家的自闭症儿童，在母亲长期出差的情况下，情绪十分消极，这对孩子身心健康的影响很大。此时孩子渴望得到母亲的关心，这其中不仅仅是母亲的一段通话音频，孩子还希望得到触觉上真实的情感安抚，如同母亲陪在身边一样。因此，如何进行远距离情感通信成为我们的研究动因。基于非视距模式的情感通信系统首先将情感定义为一种类似于语音和视频的多媒体数据，情感信息不仅可以被识别，还可以进行远距离传输。同时，考虑到情感通信的实时性要求，系统提出了情感通信协议，以保证情感通信的可靠性。3. 医疗认知系统随着人类社会的经济发展和环境变化，慢性病的发病率不断上升，现已成为人类健康的最大威胁。对于医疗专业人士来说，使用认知计算的优势是能够利用医疗认知系统帮助诊断，可以从各种类型的数据和内容中找到优化决策，从而采取合适的操作。在医疗行业中，没有找到正确的数据关系和模式所带来的风险很高。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
