穿戴式设备集人类与科技各种交互方式之大成，覆盖了广泛的研究和技术领域，甚至涉及一些看起来不相关的跨领域的知识。 有多少电子工程师会学习纺织知识？有多少行为学家了解传感器？这样的例子不胜枚举。基于此，本书从不同的领域出发，意在对穿戴式技术的各方面做一个全面的勾勒。 本书分成7大部分，涵盖了穿戴式技术的多个重点领域，虽不可能做到包含全部内容，但可以帮助读者尽可能学习掌握穿戴式设备。书中所有章节均由世界上相关领域的知名优秀专家撰写，分享了他们对该领域的独特见解。

暂缺简介...

本书从人工智能的视角，研究了“基于一阶动态逻辑及其扩展系统的Agent行为推理”，并对相关问题进行了哲学反思。具体内容包括：作为一阶动态逻辑的基础系统的命题动态逻辑、一阶动态逻辑系统及其复杂性与表达力、基于类型命题动态逻辑的行动类型与Agent能力推理、基于规划修订动态逻辑的Agent规划修订推理、基于动态逻辑的Agent交互协议推理、相关问题的哲学反思与展望性研究。

《深度学习模式与实践》通过介绍**实践、设计模式和可复制的架构，指导读者的深度学习项目从实验室走向应用。本书收集并阐明了近十年来真实世界中深度学习最紧密的洞察。读者将通过每个有趣的例子学习相关技能，并建立信心。 《深度学习模式与实践》深入研究了如何构建成功的深度学习应用程序。通过将经过验证的模式和实践应用到自身项目中，读者将节省数小时的试错时间。本书通过测试的代码示例、真实世界示例和出色的叙事风格，使复杂的概念变得简单和有趣。在此过程中，读者将学会相关技巧来部署、测试和维护项目。 本书的内容包括： 现代卷积神经网络 CNN架构的设计模式 移动和物联网设备模型 大规模模型部署 计算机视觉示例

提供基于PyTorch Lightning的深度学习模型实践方法，让读者能够快速上手实践。2、适用于对深度学习感兴趣但不知道从何处开始学习的读者，帮助他们快速入门并构建自己的模型。 3、强调灵活性，读者可以根据特定需求对模型进行扩展和定制。 4、涵盖了时间序列、生成式模型、半监督学习等多个应用领域，使读者可以探索不同的深度学习任务。 5、提供模型部署和评估的指导，帮助读者将模型应用于实际场景并进行性能评估。 6、讨论了规模化和管理训练的方法，帮助读者处理大规模数据和复杂模型的训练过程。 7、强调深度学习在各行各业的重要作用，使读者了解深度学习在不同领域的应用。 8、使用PyTorch作为基础框架，提供了广泛的资源和社区支持，使读者能够更好地探索和应用深度学习技术。9、通过案例的方式展示实际应用，帮助读者理解如何将PyTorch Lightning模型应用于实际问题，并获得实践经验。

本书以穿戴式下肢外骨骼机器人为研究对象，以康复训练辅助和增力辅助为主要应用目标，对下肢外骨骼机器人研究中的运动学/动力学建模、运动意图识别、康复运动步态规划、外骨骼运动控制方法、康复训练辅助策略和增力辅助策略等进行了系统的研究与介绍，设计了相应智能控制算法并进行了验证。

本书详实介绍了数据挖掘与机器学习相关的各种内容，包括数据矩阵、图数据、核方法、项集挖掘、聚类、贝叶斯分类器、决策树、支持向量机、线性回归、逻辑回归、神经网络、深度学习等，介绍其相关概念和基础算法，并在每章的末尾配有相关练习。第二版新增了几个关于回归的章节，包括神经网络和深度学习的内容。

本书展现了智能世界中通信网络自动化、智能化的愿景，阐述了华为自动驾驶网络的发展历程、应用场景、基础理论、参考架构及相关的关键技术。本书主要介绍自动驾驶网络的顶层架构、分层架构（包括自智网络引擎、网图、AI Native网元）、关键特征（包括分布式AI、内生安全）等的架构设计，以及网络可信任AI、网络分布式AI、网络数字孪生、网络仿真、网络知识和专家经验数字化、网络人机共生、网元内生智能、网络内生安全等关键技术。本书还介绍了产业组织、标准组织的标准全景和分级评估方法，并以华为自动驾驶网络解决方案为例，阐明如何推行实践。 本书可为通信网络自动化、智能化领域的专业人士，以及科研院所相关领域的研究者提供参考。

本书面向非专业人士、尤其是青少年群体，将硬核知识、技术方法与人文历史、人物故事有机融合，理顺人工智能纵向发展脉络与横向科学轮廓。作者以扎实的专业背景、流畅的文笔帮读者理顺人工智能的发展脉络，厘清人工智能的核心技术方法，帮读者看懂人工智能与其他学科交叉碰撞所引发的社会生活变化，从“成天下之才”的角度给青少年读者提供学习建议，树立其科学理想，端正其科学态度，培养其科学思维。每一位读者都可以开卷有益。 本书适合对人工智能感兴趣的读者阅读参考。

本书以非合作目标探测与识别为主线，深入挖掘了复杂动态环境对目标探测与识别的影响因素，围绕复杂动态环境强干扰导致的目标特征畸变与缺失、特征模糊不清等问题，提出了特征畸变与缺失下的非合作目标探测与识别方法、特征模糊下的非合作目标探测与识别方法，构建了小样本强干扰下的非合作目标探测与识别方法。更进一步，把多智能体协同协作机制引入到非合作目标识别与探测领域，分别构建了面向多自主水下航行器围捕的非合作目标探测与识别方法、基于多视角光场重构的非合作目标探测与识别方法。