专著/教材/报告 - Books
我的专著、教材、报告如下所列：
All my book can be found below:
机器学习算法与实现 - Python编程与应用实例
机器学习是人工智能的一个方向，它突破了传统数据处理与分析方法耗时耗力且难出结果的困境；通过选取合适的算法，可以从大量数据中自动地归纳出逻辑或规则，并对新数据进行预测。最近十多年来,机器学习飞速发展，不仅在图像、视频、语音、自然语言等传统机器学习应用领域取得了进步，而且逐渐应用于航空、航天、材料、化学、生物等新兴领域，为各学科开辟了新的数据处理与技术途径，产生了巨大的经济和社会效益。
本书面向没有深厚计算机、编程基础的学生。全书共11章,综合介绍了 Python 编程、库函数等机器学习常用工具,由浅入深讲解了机器学习的核心思想与方法,给出了机器学习与航空航天等专业相结合的应用实例。为了让读者更好地掌握机器学习的相关知识，本书从 Python 编程、Python 常用库开始介绍;理论部分的讲解从基本的最小二乘法开始,逐步深入介绍如何使用迭代求解法实现逻辑斯蒂回归、感知机、神经网络、深度神经网络;每个理论知识点后是算法和编程实现,目的是帮助读者加深对理论的理解。本书配套有完整的在线讲义、在线视频、作业和练习项目、MOOC 等,并且每章都提供习题或练习等。读者可以直接访问下面所列的在线教程，选择适合自己的资料。
购买链接：
无人机测绘技术及应用
万刚、余旭初、布树辉、熊自明、曹雪峰、李科
无人机即无人驾驶飞机(unmanned aerial vehicle, UAV)，是一种种由动力驱动，机上无人驾驶可重复使用的航空器。进入21世纪后，无人机用途不断护大，已经成为一种新型的空中平台，在国民经济建设和现代战争中发挥着越来越重要的作用。因此，无人机及其相关技术研发与应用研究引起了各国的高度重视。无人机的发展进入了一个崭新的时代。
在测绘领域，仅靠卫星和有人机难以快速、及时和全方位地获取环境信息，基于无人机平台的测绘技术正是这一缺陷的有效补充手段，具有飞行高度低、分辨率高、获取数据快速等特点，能够满足实时性的要求，所获取的高分辨率遥感图像等数据对于地理信息处理和应用具有重要的意义。无人机测绘技术已经成为测绘科学与技术领域研究的热点，但由于测绘无人机飞行环境的复杂性以及无人机本身性能的限制，导致无人机测绘存在着获取数据幅宽较小、数据量巨大、重叠度不规则且倾角过大、导航定位与姿态测量系统(position and orientation system,POS)信息不够精确等问题。无人机测绘的这些特点，给传统测绘技术带来了新的挑战，必须针对无人机测绘的特点在技术和方法上有所突破和创新。
本书集中了作者及其研究团队近年来在无人机测绘领域的研究成果,在系统归纳无人机测绘的基本理论和方法的基础上,重点对无人机任务规划、目标定位与跟踪、测绘成图、应急快速成图、基于无人机影像的三维重建和空中全景监测等相关技术及其应用进行了深人的探讨。
无人系统的空间地理信息发展路线图（2021-2035）
随着无人系统的快速发展，无人装备必将大量应用到作战各个领域，无人系统的研究、开发、集成将极大地提高无人装备的作战效能，成为作战的倍增器。由于我军几乎在所有的操作环境中都采用了无人系统，而地理信息作为重要的支持，为无人作战提供了重要信息、情报、决策支持。本报告的目的是提供总体战略指导，该战略指导将侧重于指明未来十五年之内的重要发展趋势、关键技术等，通过合理的规划减少重复性工作，促进协作，认识挑战，并概述了军事部门和科研、相关行业可以合作的主要领域，从而提高未来我军无人装备的地理信息技术的水平，从而充分发挥无人系统的潜力。
现场级分布式算力网络研究报告
现场级分布式算力网络释放了端侧设备中的算力能力，将原有云计算模型和边缘计算模型中执行的部分或全部计算任务进一步下沉，迁移到现场级算力设备上，降低云服务器与边缘计算节点的计算负载，减缓网络带宽的压力，提高万物互联时代数据的处理效率。现场级分布式算力网络并不是为了取代云或边缘计算，而是对云和边缘计算的补充，为移动计算、物联网等提供更好的计算平台。随着近年来，端侧设备AI芯片设计和工艺的发展，其对于AI处理的能力与日俱增，将这些分布在端侧独立设备上的算力资源统一起来进行管理和调度，是满足AI对算力需求的关键手段之一。运营商将发挥其在5G网络和边缘计算的双重优势，在算力组网产业架构建设中发挥着不可替代的重要作用并推动现场级算力组网的生态发展。本报告在分析产业背景的情况下，提出了现场级分布式算力网络的架构，并给出了具体的关键技术和发展路径，最后对算力网络的应用场景和市场前景做了分析和展望。
现场级个性化深度学习研究报告
5G和AI技术的快速发展，在给人类日常工作和生活带来日新月异的变化的同时也带来了更多的应用需求和市场商机。传统的云服务平台智能算法部署方式存在缺乏对个人数据的保护、推理模型针对性弱、使用时间成本高等问题，难以满足未来市场更加个性化、本地化的智能需要。如何使与用户直接连接的端侧智能设备具备个性化、安全私密、实时性等属性，需要从体系架构、算法、算力等多方面着手。本报告在深入分析目前已有研究的基础上，提出了一种现场级个性化深度学习的体系架构，主要论述其包含的技术关键点、预测将会遇到的技术难题、探讨对应的解决方案，最后展望研究成果可能的应用场景及其价值。