本書對本體中語義關(guān)系、本體構(gòu)建、本體描述語言O(shè)WL及其擴(kuò)展OWLPLUS的知識(shí)表示、基于本體的信息集成、OWL本體知識(shí)到RDF三元組的轉(zhuǎn)換進(jìn)行研究。另外，對RDF到語義網(wǎng)絡(luò)語言SNetL的轉(zhuǎn)換進(jìn)行了研究和算法實(shí)現(xiàn)，對描述邏輯（DescriptionLogics）的理論及其知識(shí)表示和推理的應(yīng)用進(jìn)行了研究。在以上研究的基礎(chǔ)

本書以網(wǎng)絡(luò)社會(huì)是如何可能的為問題意識(shí)，在線上空間與線下空間互動(dòng)的意義上理解互聯(lián)網(wǎng)興起的社會(huì)意涵及后果。本書的主要理論關(guān)切是，網(wǎng)絡(luò)社會(huì)并不是自然成序的，如何擁有社會(huì)在我們之上也在我們之中的社會(huì)感，是每個(gè)網(wǎng)絡(luò)人都無法回避的問題。本書的主要議題有，互聯(lián)網(wǎng)條件下信息獲取方式的變遷，網(wǎng)絡(luò)參與中個(gè)人與社會(huì)的張力，網(wǎng)絡(luò)消費(fèi)

全書以軟件質(zhì)量屬性、軟件體系結(jié)構(gòu)風(fēng)格、建模、設(shè)計(jì)、評估、實(shí)現(xiàn)、測試、編檔等軟件體系結(jié)構(gòu)領(lǐng)域知識(shí)為基礎(chǔ)，理論聯(lián)系實(shí)際，通過一系列與教學(xué)內(nèi)容緊密結(jié)合的案例分析，把軟件體系結(jié)構(gòu)與軟件設(shè)計(jì)的概念、理論知識(shí)與技術(shù)融人到軟件體系結(jié)構(gòu)實(shí)踐當(dāng)中，使讀者加深對該課程的認(rèn)識(shí)和理解。內(nèi)容涉及軟件體系結(jié)構(gòu)知識(shí)的各個(gè)方面，包括軟件體系結(jié)構(gòu)的基本

本書系統(tǒng)地對大數(shù)據(jù)采集、存儲(chǔ)、計(jì)算、處理、分析、挖掘和可視化等相關(guān)內(nèi)容進(jìn)行介紹，并結(jié)合大數(shù)據(jù)在社區(qū)、交通、醫(yī)療、金融、教育等方面的應(yīng)用進(jìn)行剖析闡述。

本書內(nèi)容分四篇：數(shù)據(jù)庫基礎(chǔ)知識(shí)；系統(tǒng)開發(fā)工具與環(huán)境配置；數(shù)據(jù)庫設(shè)計(jì)與開發(fā)實(shí)操；數(shù)據(jù)庫實(shí)驗(yàn)指導(dǎo)。

本書對仿生服務(wù)機(jī)器人與醫(yī)療康復(fù)機(jī)器人的基礎(chǔ)理論和實(shí)踐應(yīng)用進(jìn)行了研究，主要內(nèi)容包括服務(wù)機(jī)器人的基本簡介、服務(wù)機(jī)器人的仿生設(shè)計(jì)、醫(yī)療康復(fù)機(jī)器人的基本簡介、醫(yī)療康復(fù)機(jī)器人的信息采集、醫(yī)療康復(fù)機(jī)器人的仿生設(shè)計(jì)、醫(yī)療康復(fù)機(jī)器人的快速制造等。

計(jì)算機(jī)算法是計(jì)算機(jī)科學(xué)和計(jì)算機(jī)應(yīng)用的核心。本書以算法設(shè)計(jì)策略為主線，系統(tǒng)介紹了算法的設(shè)計(jì)方法和分析技巧。書中既涉及傳統(tǒng)算法的實(shí)例分析，更有算法領(lǐng)域熱點(diǎn)研究課題追蹤，具有較高的實(shí)用價(jià)值。本書主要內(nèi)容包括：遞歸與分治策略、動(dòng)態(tài)規(guī)劃算法、貪心算法、搜索算法、概率算法、NP完全性理論、近似算法、現(xiàn)代計(jì)算智能算法簡介等。

本書編纂整理了2016年中國工程機(jī)器人大賽暨國際公開賽的優(yōu)秀案例共28個(gè)，整理為7篇：工程創(chuàng)新創(chuàng)意設(shè)計(jì)、仿人競速機(jī)器人、旋翼飛行器、搬運(yùn)機(jī)器人、競技體操機(jī)器人、生物醫(yī)學(xué)創(chuàng)新創(chuàng)意、其它機(jī)器人。

本書以多源遙感圖像配準(zhǔn)為研究對象，全面分析了已有的局部不變特征提取和描述算法，匹配搜索策略以及匹配優(yōu)化提取算法等影像圖像配準(zhǔn)的各種因素；探討適用于多元遙感圖像的具有互補(bǔ)不變的局部不變特征提取的描述算法。

伴隨惡意代碼種類和數(shù)量的不斷增加，對惡意代碼分析方法提出更高要求，在傳統(tǒng)的特征碼檢測方法與啟發(fā)式檢測方法存在樣本分析成本過高、無法有效檢測未知惡意軟件等問題；新型基于機(jī)器學(xué)習(xí)的惡意軟件檢測方法能夠提高分析效率以及改善未知惡意軟件檢測性能，但存在軟件特征語義信息不明顯、特征數(shù)量龐大以及檢測模型過度依賴訓(xùn)練樣本等缺點(diǎn)。另一