本書針對可逆信息隱藏技術存在的問題提出了解決信息隱藏過程中抗干擾的具體方法，建立了在信息隱藏過程中隱秘圖像發(fā)生嵌入失真的數(shù)學模型，分析了信息隱藏過程中出現(xiàn)的上溢和下溢機理，提出了相應的解決方法，構造出更為陡峭的誤差差分分布直方圖模型。書中主要介紹以下5方面內(nèi)容：基于有效位差分擴展的可逆信息隱藏算法、基于左右平移的大嵌入容量可逆信息隱藏算法、基于雙向差分擴展的可逆信息隱藏算法、一種有效的無移位的多位可逆信息隱藏算法及基于二階差分的新型大嵌入容量可逆信息隱藏算法。
反應式和并發(fā)系統(tǒng)指實時運行的計算系統(tǒng)，如操作系統(tǒng)、控制系統(tǒng)、交互系統(tǒng)和并發(fā)系統(tǒng)。這些系統(tǒng)很難規(guī)約、實現(xiàn)和驗證，主要原因是系統(tǒng)與其環(huán)境之間及系統(tǒng)本身的并行進程之間交互的復雜性，在交互時間上的微小變化可能導致完全不同的行為。時序邏輯是一種形式化規(guī)約語言，可用于刻畫和分析反應式系統(tǒng)中有關時間和行為方面的屬性。它提供了一種簡單、自然但精確的方式來討論交互發(fā)生的順序，而無須采用絕對時間度量。本書全面介紹了時序邏輯和作者開發(fā)的反應式程序的計算模型。本書是國際著
本書聚焦深度學習算法的基礎理論和核心算法，全面系統(tǒng)地論述深度學習的基礎理論，兼顧人工智能數(shù)學基礎知識與領域**原創(chuàng)基礎理論，構建脈絡清晰的人工智能理論體系。本書首先介紹了深度學習的相關數(shù)學基礎，主要包括線性代數(shù)、概率論、信息論三部分；緊接著系統(tǒng)地介紹了深度學習的重點內(nèi)容，主要分為五方面，即深度學習的逼近理論，深度學習的表征理論，深度學習的學習理論，深度學習的優(yōu)化理論，深度學習的核心算法。
本課程系統(tǒng)地介紹了算法分析與算法設計的概念、方法和應用。課程共分12章，涵蓋的內(nèi)容包括數(shù)據(jù)結構、串與序列、動態(tài)規(guī)劃、貪心算法、圖算法、概率算法、查找與排序算法等內(nèi)容。課程采用工程問題導引、反向設計的方式組織教學內(nèi)容，基于經(jīng)典算法問題案例完成對算法基本理論、采用的基本數(shù)據(jù)結構、算法的性能等內(nèi)容的學習與分析，并完成算法的實踐，突出對學生知識應用能力和工程實踐能力的培養(yǎng)。在課程每章的每小節(jié)提供練習題和思考題供課后復習，針對每章提供實驗和案例，供課后實踐和擴展提高，提供全套課程資源輔助教師教學和學生學習
深度學習技術作為人工智能領域的一門新興技術，已成為人工智能科研領域、企業(yè)應用領域中常用的一門技術。本教材由神經(jīng)網(wǎng)絡基本訓練規(guī)則、感知器、BP網(wǎng)絡作為基礎，講述神經(jīng)網(wǎng)絡基礎訓練方法。并通過自編碼器網(wǎng)絡，將淺層網(wǎng)絡過度到深度神經(jīng)網(wǎng)絡部分，詳細講解卷積神經(jīng)網(wǎng)絡原理及訓練方法、卷積神經(jīng)網(wǎng)絡的發(fā)展以及基于卷積神經(jīng)網(wǎng)絡的目標檢測算法等。而后，對序列信息處理神經(jīng)網(wǎng)絡—循環(huán)神經(jīng)網(wǎng)絡進行講解。本教程采用由淺入深的方式，對深度學習相關理論進行講解，滿足教學過程中的需要。
《Animate 2022二維動畫制作案例教程：全視頻微課版》采用案例教程的編寫形式，兼具技術手冊和應用技巧參考手冊的特點，在實踐應用中體現(xiàn)軟件的功能和知識點，通過54個經(jīng)典案例，使讀者循序漸進地掌握Animate軟件的操作方法，以及二維動畫制作的各種技巧。本書共分8章，包括Animate 2022軟件基礎、Animate繪圖功能、制作基礎動畫、制作高級動畫、制作文字與按鈕動畫、應用聲音和視頻、應用ActionScript 3.0腳本和商業(yè)動畫案例。《Animate 2022二維動畫制作
本書是一本全面介紹 C 編程語言的圖書,共分為17章。第1~6章主要講解 C 的基本語法,包括編寫第一個 C 程序、C 語法基礎、C 數(shù)據(jù)類型、運算符、條件語句和循環(huán)語句。第7~10章講解數(shù)組、字符串、指針類型和自定義數(shù)據(jù)類型。第11~13章介紹函數(shù)、面向?qū)ο蠛湍０濉５?4章介紹異常處理,第15章介紹I/O 流。另外,本書還包含兩個高級主題,第16章介紹 MySQL 數(shù)據(jù)庫編程,第17章講解wxWidgets圖形界面應用程序開發(fā)。
本書全面系統(tǒng)地介紹了量子計算領域的基本理論、核心概念、關鍵方 法和重要結論，并兼顧近期的前沿進展。本書內(nèi)容主要包括：經(jīng)典和量子 計算的復雜性理論、計算復雜度與物理理論間的關系；基本量子算法；不 同量子計算模型及其與量子線路模型的等價；基于離子阱系統(tǒng)、超導系統(tǒng) 及光學系統(tǒng)的量子計算的物理實現(xiàn)；量子糾錯碼與容錯量子計算。本書既 突出了每個章節(jié)的邏輯完整性，也強調(diào)了不同章節(jié)間內(nèi)容上的聯(lián)系，保證 了量子計算學科的完整性和自洽性。本書中的重要結論都給出了詳盡的證 明，使讀者不僅能學到量子計算的相關知識，也
本書詳細介紹了面向靜態(tài)數(shù)據(jù)庫、增量數(shù)據(jù)庫和數(shù)據(jù)流的高效用模式挖掘的理論和方法。本書主要內(nèi)容包括六個章節(jié)，前兩章介紹高效用模式挖掘的相關知識。第三章介紹面向靜態(tài)數(shù)據(jù)庫包含正、負效用的兩類精簡高效用模式挖掘方法的研究與實現(xiàn)過程。第四章介紹針對增量數(shù)據(jù)庫的挖掘高效用模式全集和精簡集合算法的研究。第五章介紹面向數(shù)據(jù)流的精簡高效用模式挖掘算法的研究與實現(xiàn)過程。第六章給出了四個高效用模式挖掘的應用案例。前五個章節(jié)有算法的實驗證明，供讀者更好的了解本書內(nèi)容。
概念認知學習是人工智能、大數(shù)據(jù)領域關注的多學科交叉研究方向，涵蓋了哲學、數(shù)學、心理學、認知科學以及信息科學等領域．《概念認知學習理論與方法》旨在為廣大學者和科研工作者提供概念認知學習領域的基礎理論與學習方法．《概念認知學習理論與方法》主要內(nèi)容包括概念認知學習的基本概念和基礎知識、概念認知系統(tǒng)的邏輯推理、概念認知的雙向?qū)W習機制、對象 -屬性誘導概念學習理論、多注意力概念認知學習模型、漸進模糊三支概念的增量學習機理、復雜網(wǎng)絡下的概念認知學習以及概念的漸進式認知等理論體系．
新書資訊 新書推薦