《类脑智能——大脑情感学习模型的应用研究》梅英【文字版_PDF电子书_】
| 书名：类脑智能——大脑情感学习模型的应用研究 作者：梅英 出版社：电子工业出版社 译者：无 出版日期：2023-04 页数：132 ISBN：9787121453274 |
0.0 豆瓣短评 |
全网资源sm.nayona.cn |
内容简介：
类脑智能技术是当前国际重要的科技前沿，研究类脑智能技术对发展新型信息产业意义重大。本书介绍了一种新颖的类脑模型—大脑情感学习模型，并介绍了其学习算法、改进技术及应用。大脑情感学习模型根据哺乳动物大脑边缘系统的结构建立，在模拟生物智能行为上表现出了良好的自适应性能，模型结构简单，运算速度快。本书共9章，分为3篇：基础篇、改进篇和应用篇。基础篇主要介绍大脑情感学习模型的研究现状、神经生理学基础与学习算法;改进篇主要介绍大脑情感学习模型的改进技术，通过加入监督学习和竞争学习机制改进模型性能;应用篇主要介绍将改进的大脑情感学习模型用于混沌时间序列预测、疾病诊断、表情识别及人机情感交互等领域的例子。本书可以作为研究生、高校教师及工程技术人员的自学和参考用书，也适合对类脑模型研究感兴趣的研究人员和工程技术人员阅读。
作者简介：
梅英，湖南常德人，工学博士，控制科学与工程专业，现为湖南文理学院副教授。自二〇一九年起，先后赴国内外访学，英国北安普顿大学访问学者和湖南大学访问学者，目前主要研究方向为类脑智能、智能数据分析、智能机器人等。
目 录：
第1篇 大脑情感学习模型基础篇
第1章 大脑情感学习模型概述 2
1.1 类脑智能 2
1.2 大脑情感学习模型 4
1.3 大脑情感学习模型的研究现状 5
1.3.1 智能控制应用 5
1.3.2 数据分析应用 7
1.4 大脑情感学习模型的特点 8
1.5 本章小结 8
第2章 神经生理学基础 9
2.1 大脑边缘系统 9
2.2 大脑反射通路 11
2.3 大脑神经网络结构 11
2.4 大脑神经网络学习 13
2.5 本章小结 14
第3章 大脑情感学习算法 15
3.1 强化学习 15
3.2 大脑情感学习 16
3.3 大脑情感学习模型权值调节 18
3.3.1 杏仁体权值调节 18
3.3.2 眶额皮质权值调节 19
3.4 稳定性分析 19
3.4.1 杏仁体稳定性分析 20
3.4.2 眶额皮质稳定性分析 20
3.5 大脑情感学习模型的局限性 20
3.6 本章小结 22
第2篇 大脑情感学习模型改进篇
第4章 监督型大脑情感学习网络 24
4.1 人工神经网络 24
4.1.1 人工神经元 24
4.1.2 人工神经网络分类 26
4.1.3 人工神经网络学习方式 27
4.2 构建监督型大脑情感学习网络 29
4.2.1 SBEL网络结构 29
4.2.2 SBEL算法 30
4.2.3 SBEL算法流程 32
4.3 实验与分析 33
4.3.1 数据集与预处理 33
4.3.2 分类性能评价 34
4.3.3 实验结果 36
4.3.4 比较与分析 39
4.4 本章小结 40
第5章 竞争型大脑情感学习网络 41
5.1 生物学基础 41
5.2 “赢者通吃”竞争机制 42
5.3 构建竞争型大脑情感学习网络 43
5.3.1 CBEL网络结构 43
5.3.2 CBEL算法 44
5.3.3 CBEL算法流程 45
5.4 实验与分析 45
5.4.1 实验设置 46
5.4.2 实验结果 46
5.4.3 比较与分析 49
5.5 本章小结 50
第3篇 大脑情感学习模型应用篇
第6章 混沌时间序列预测 52
6.1 数据预测步骤 52
6.2 大脑情感学习预测模型 54
6.3 自适应遗传算法优化 56
6.3.1 染色体编码 56
6.3.2 适应度函数 57
6.3.3 遗传算子 57
6.3.4 AGA-BEL算法步骤 58
6.4 预测仿真实验 58
6.4.1 Lorenz混沌时间序列预测 58
6.4.2 磁暴环电流指数Dst预测 63
6.5 本章小结 69
第7章 疾病诊断 70
7.1 计算机辅助疾病诊断的步骤 71
7.2 疾病诊断BEL网络 72
7.2.1 网络结构 72
7.2.2 算法 72
7.3 模型优化 74
7.3.1 改进的自适应遗传算法 74
7.3.2 遗传操作 75
7.3.3 IAGA-SBEL算法步骤 77
7.4 实验与分析 78
7.4.1 乳腺癌诊断 78
7.4.2 心脏病诊断 82
7.4.3 淋巴疾病诊断 84
7.5 本章小结 86
第8章 表情识别 87
8.1 表情识别步骤 88
8.1.1 人脸检测与预处理 88
8.1.2 表情特征提取 88
8.1.3 表情分类 89
8.2 表情识别网络 91
8.3 粒子群算法优化 93
8.3.1 改进粒子群算法 93
8.3.2 优化操作 95
8.3.3 IPSO-CBEL算法步骤 96
8.4 实验与分析 97
8.4.1 JAFFE表情识别 98
8.4.2 Cohn-Kanade表情识别 101
8.5 本章小结 105
第9章 基于表情的人机情感交互 106
9.1 面部表情合成方法 106
9.1.1 基于网格变形的表情合成 106
9.1.2 基于数据驱动的表情合成 107
9.2 表情合成要素 107
9.2.1 表情肌 107
9.2.2 面部行为编码系统 108
9.2.3 Candide模型 109
9.3 纹理贴图 110
9.3.1 纹理坐标归一化 110
9.3.2 表情合成 110
9.4 人机情感交互 112
9.4.1 人机交互虚拟仿真 113
9.4.2 人机交互真实场景 114
9.5 本章小结 116
总结与展望 117
附录A 119
参考文献 120
浏览器不支持脚本！
有需要联系v；zhanxzhanx
摘要：《类脑智能——大脑情感学习模型的应用研究》是一本关于计算机类的电子书，通过对大脑情感学习模型的应用进行研究，探讨了类脑智能的发展和应用前景。本文将从四个方面对该书进行详细阐述，包括大脑情感学习模型的概念与原理、应用案例、研究方法和未来发展趋势。
1、大脑情感学习模型的概念与原理
大脑情感学习模型是指通过模拟大脑的情感过程，实现类脑智能的一种学习模型。该模型采用了神经网络和深度学习算法，通过对情感的感知、分析和处理，使计算机能够具备情感认知和情感交互的能力。这一模型的提出，将为人工智能的发展开辟新的研究方向。
大脑情感学习模型的原理主要包括情感的感知与表达、情感的分析与判断以及情感的生成与调节。通过对大脑中神经元之间的连接关系和信号传递过程的模拟，实现了对情感的模拟和仿真，从而使计算机能够具备复杂情感的认知和处理能力。
2、应用案例
大脑情感学习模型在多个领域都有广泛的应用。其中，情感识别与情绪分析是最为重要的应用之一。通过对人类语言和行为的情感识别和情绪分析，可以实现对人类情感状态的理解和推测，从而为广告推荐、用户画像、心理辅助等领域提供支持。
此外，大脑情感学习模型还可以应用于机器人的情感交互和情感表达。通过模拟人类的情感过程，机器人可以更准确地感知人类的情感状态，并通过语音、表情等多种方式进行情感表达，从而实现更自然、更亲近的人机交互。
另外，大脑情感学习模型还可以应用于智能驾驶领域。通过感知驾驶者的情感状态，可以实现对驾驶行为和情感状态的分析和判断，为驾驶员提供更安全、更舒适的驾驶体验。
3、研究方法
在研究大脑情感学习模型的过程中，主要采用了两种研究方法：数据驱动方法和模拟仿真方法。数据驱动方法通过对大量真实数据的收集和分析，提取出人类情感的特征和规律，从而构建情感学习模型。模拟仿真方法则是通过对大脑神经元的模拟和仿真，实现对情感过程的模拟和仿真。
这两种方法相互补充，通过数据驱动方法得到的情感学习模型可以提供实际案例和数据支持，而模拟仿真方法则可以更深入地理解和研究情感的内部机制和过程。
4、未来发展趋势
大脑情感学习模型在人工智能领域有着广阔的应用前景。随着深度学习和神经网络的进一步发展，大脑情感学习模型将会有更高的精度和更强的泛化能力，能够更准确地模拟和理解人类情感。
此外，随着人工智能与物联网、大数据等技术的融合，大脑情感学习模型将能够更好地实现与外部环境的交互和融合，为人类提供更智能、更个性化的服务。
总结：《类脑智能——大脑情感学习模型的应用研究》详细阐述了大脑情感学习模型的概念与原理、应用案例、研究方法和未来发展趋势。通过模拟大脑的情感过程，该模型为计算机赋予了情感认知和情感交互的能力，为人工智能的发展提供了新的方向和思路。
微信扫一扫 
支付宝扫一扫 
