本书系统地分析与提炼了深度学习的知识体系结构，按原理、框架、方法和应用的顺序组织内容，并以提高用深度学习原理来解决实际问题的能力为目标，集基础性、系统性、延展性、实践性等特点于一体。（1）基础性：从问题导入着手，对每种深度学习网络的基本结构，进行深入剖析，以帮助读者体会其中的细节，带领读者步入深度学习网络的内核世界。（2）系统性：所涉及各种深度学习网络起始于原理剖析、侧重于方法论述、扎根于信号处理领域，内容结构系统。（3）延展性：按深度学习网络“基本模型结构原理、进阶模型结构原理及应用模型结构原理”的顺序递进延伸，扩大了其在信号处理领域的应用范围。（4）实践性：以*新应用成果为依托，从问题引入、原理分析、模型建立、仿真实验及结果讨论等方面，详细分析实战案例，有助于读者自行实践。以上特点有助于为研究人员提供新思路和新方法。

本书较系统地讨论了数字信号处理的基本理论、基本方法、基本算法，结合MATLAB仿真软件实现了典型的应用实例。全书共分为9章。第1~4章主要讨论了离散时间信号与系统、z变换、离散傅里叶变换和快速傅里叶变换。第5、6、7章讨论了数字滤波器的基本结构、无限长单位冲激响应（IIR）滤波器和有限长单位冲激响应（FIR）滤波器，利用MATLAB仿真软件设计滤波器的方法，并给出了大量实例。第8章结合TI公司的TMS320 系列DSP介绍了数字信号处理器及相关设计和应用的平台。第9章从语音和图像处理的角度出发，论述了DSP的应用实例。 本书结合实例进行论述，本书内容丰富，重点突出，条理清楚、深入浅出，还配有多种形式的习题，便于自学和快速应用。 本书可以作为大专院校通讯工程、电子信息工程、信息工程、自动控制工程和生物医学工程等专业的教材，也可以作为通信和信息技术、图像处理、遥感、雷达、语音处理和生物信息处理等领域从事信号处理的科学工作者的参考书。

《深度学习原理与TensorFlow实践》主要介绍了深度学习的基础原理和TensorFlow系统基本使用方法。TensorFlow是目前机器学习、深度学习领域最优秀的计算系统之一，《深度学习原理与TensorFlow实践》结合实例介绍了使用TensorFlow开发机器学习应用的详细方法和步骤。同时，《深度学习原理与TensorFlow实践》着重讲解了用于图像识别的卷积神经网络和用于自然语言处理的循环神经网络的理论知识及其TensorFlow实现方法，并结合实际场景和例子描述了深度学习技术的应用范围与效果。 《深度学习原理与TensorFlow实践》非常适合对机器学习、深度学习感兴趣的读者，或是对深度学习理论有所了解，希望尝试更多工程实践的读者，抑或是对工程产品有较多经验，希望学习深度学习理论的读者。

深度学习与大数据是当今最流行和最受关注的两大计算机技术方向。本书旨在成为国内第一本深度学习原著。本书将全面、系统地介绍深度学习相关的技术，包括人工神经网络，卷积神经网络，深度学习平台及源代码分析，深度学习入门与进阶，深度学习高级实践，所有章节均附有源程序，所有实验读者均可重现，具有高度的可操作性和实用性。 通过本书，研究人员、深度学习爱好者，能够在2-3个月内，系统掌握深度学习相关的理论和技术。

本书是一本有关人工智能图像识别应用开发与实践指导类的教材，主要介绍图像处理应用项目开发的基本流程、图像识别处理应用项目关键技术。本书直击当今研究热点，选择有代表性的专题项目而且尽量避免复杂的数学推导，易于读者理解，专注于实战。详细介绍了numpy，knn，线性回归，逻辑回归，神经网络在图像识别上的应用，并为后一部分的深度学习做好铺垫。同时，针对每一个项目介绍项目的应用及意义，该项目的数据特征分析、识别系统设计、图像预处理技术、特征提取技术，以及识别方法等。书中实例程序的框架结构简单，代码简洁，读者可在数字图像处理技术的基础上进一步深化学习内容，提高实践应用能力和项目开发能力。

本书系统性地介绍了深度学习的原理、关键技术及相关应用，首先从基本概念、必备的线性代数、微积分、概率统计等数学知识等入手，这些预备知识可帮助读者更好地理解深度学习技术。接着对深度学习方法和技术进行了详细介绍，包括卷积神经网络、反馈神经网络、循环神经网络、生成对抗网络等，针对每个技术都力图用简单易懂的语言、详尽的公式推导说明和生动的图形展示知识点，并附上应用样例，便于读者将概念、原理、公式和应用融会贯通。本书还考虑到初学者尽快入门的需求，对深度学习开发工具和处理技巧进行了细致的梳理和总结。最后本书对深度学习应用前景、发展趋势、未来研究趋势等进行了分析，具有一定前瞻性。本书涵盖了大量深度学习的技术细节，适用于不同层次的读者。

本书系统性地介绍了深度学习的原理、关键技术及相关应用，首先从基本概念、必备的线性代数、微积分、概率统计等数学知识等入手，这些预备知识可帮助读者更好地理解深度学习技术。接着对深度学习方法和技术进行了详细介绍，包括卷积神经网络、反馈神经网络、循环神经网络、生成对抗网络等，针对每个技术都力图用简单易懂的语言、详尽的公式推导说明和生动的图形展示知识点，并附上应用样例，便于读者将概念、原理、公式和应用融会贯通。本书还考虑到初学者尽快入门的需求，对深度学习开发工具和处理技巧进行了细致的梳理和总结。最后本书对深度学习应用前景、发展趋势、未来研究趋势等进行了分析，具有一定前瞻性。本书涵盖了大量深度学习的技术细节，适用于不同层次的读者。

大约在一百年前，电气化改变了交通运输行业、制造业、医疗行业、通信行业，如今AI带来了同样巨大的改变。AI的各个分支中发展最为迅速的方向之一就是深度学习。 本书主要涉及以下内容：第1部分是神经网络的基础，学习如何建立神经网络，以及如何在数据上面训练它们。第2部分进行深度学习方面的实践，学习如何构建神经网络与超参数调试、正则化以及一些高级优化算法。第3部分学习卷积神经网络(CNN)，以及如何搭建模型、有哪些经典模型。它经常被用于图像领域，此外目标检测、风格迁移等应用也将涉及。最后在第4部分学习序列模型，以及如何将它们应用于自然语言处理等任务。序列模型讲到的算法有循环神经网络（RNN）、长短期记忆网络（LSTM）、注意力机制。 通过以上内容的学习，读者可以入门深度学习领域并打下扎实基础，为后续了解和探索人工智能前沿科技做知识储备。 本书配有电子课件，需要配套资源的教师可登录机械工业出版社教育服务网www.cmpedu.com免费注册后下载。

《数字信号处理:理论、算法与实现(第3版)》系统地介绍了数字信号处理的理论、相应的算法及这些算法的软件与硬件实现。全书共16章，分为上、下两篇。上篇是经典数字信号处理的内容，包括离散时间信号与离散时间系统的基本概念、Z变换及离散时间系统分析、离散傅里叶变换、傅里叶变换的快速算法、离散时间系统的相位与结构、数字滤波器设计（IIR、FIR及特殊形式的滤波器）、信号的正交变换（正交变换的定义与性质、K—L变换、DCT及其在图像压缩中的应用）、信号处理中若干典型算法（如抽取与插值、子带分解、调制与解调、反卷积、SVD、独立分量分析及同态滤波）、数字信号处理中的有限字长问题及数字信号处理的硬件实现等；下篇是统计数字信号处理的内容，包括平稳随机信号的基本概念、经典功率谱估计、参数模型功率谱估计、维纳滤波器及自适应滤波器等。《数字信号处理:理论、算法与实现(第3版...(展开全部)

《统计信号处理基础:估计与检测理论》是一部经典的有关统计信号处理的权威著作。全书分为两卷，分别讲解了统计信号处理基础的估计理论和检测理论。第一卷详细介绍了经典估计理论和贝叶斯估计，总结了各种估计方法，考虑了维纳滤波和卡尔曼滤波，并介绍了对复数据和参数的估计方法。本卷给出了大量的应用实例，范围包括高分辨率谱分析、系统辨识、数字滤波器设计、自适应噪声对消、自适应波束形成、跟踪和定位等；并且设计了大量的习题来加深对基本概念的理解。第二卷全面介绍了计算机上实现的最佳检测算法，并且重点介绍了现实中的信号处理应用，包括现代语音通信技术及传统的声呐/雷达系统。本卷从检测的基础理论开始，回顾了高斯、c2、F、瑞利及莱斯概率密度；讲解了高斯随机变量的二次型，以及渐近高斯概率密度和蒙特卡洛性能评估；介绍了基于简单假设检验的检测理论基础，包括Neyman-Pearson定...(展开全部)