第1章  绪论
  1.1  智能的基本概念
    1.1.1  智能的概念
    1.1.2  智能的特征
    1.1.3  人工智能
  1.2  智能科学的发展史
    1.2.1  孕育
    1.2.2  形成
    1.2.3  发展
  1.3  智能科学的现状
    1.3.1  从图灵测试到IBM的沃森
    1.3.2  谷歌的智能机器未来
    1.3.3  百度大脑
    1.3.4  微软智能生态
    1.3.5  脸书的深脸
    1.3.6  三大突破让人工智能近在眼前
  1.4  智能科学的研究内容及学派
    1.4.1  智能科学研究的主要内容
    1.4.2  智能科学的主要学派
    1.4.3  各学派的认知观
  1.5  空间信息处理中的智能技术
    1.5.1  常见空间信息智能处理方法
    1.5.2  空间智能技术研究现状
  1.6  小结
第2章  空间知识表示
  2.1  知识与知识表示的概念
    2.1.1  知识的概念
    2.1.2  知识的特性
    2.1.3  知识的表示
  2.2  本体
    2.2.1  本体的概念
    2.2.2  本体的组成与分类
  2.3  谓词逻辑
  2.4  产生式表示法
    2.4.1  产生式
    2.4.2  产生式系统
  2.5  面向对象表示法
    2.5.1  面向对象方法学的主要观点
    2.5.2  面向对象的基本概念
    2.5.3  面向对象的知识表示
  2.6  语义网络
    2.6.1  语义网络的历史
    2.6.2  语义网络的结构
    2.6.3  语义网络的实例
    2.6.4  基本的语义关系
    2.6.5  语义网络的推理
  2.7  知识图谱
    2.7.1  知识图谱的研究背景
    2.7.2  知识图谱的发展
    2.7.3  知识图谱的定义
    2.7.4  知识图谱的架构
    2.7.5  知识图谱关键技术
    2.7.6  知识图谱的典型应用
  2.8  空间数据的知识表示
    2.8.1  空间数据的知识表示
    2.8.2  空间知识的表示
  2.9  空间知识表示实例
    2.9.1  面向对象的空间知识表示
    2.9.2  基于知识图谱的地质灾害自动问答系统
  2.10  小结
第3章  空间知识推理
  3.1  推理的基本概念
    3.1.1  推理的定义
    3.1.2  推理方式及其分类
    3.1.3  推理的方向
    3.1.4  冲突消解策略
  3.2  自然演绎
  3.3  鲁宾逊归结原理
    3.3.1  基本概念
    3.3.2  归结原理
  3.4  不确定性推理的基本概念
  3.5  可信度方法
  3.6  模糊理论
    3.6.1  模糊逻辑的提出与发展
    3.6.2  模糊集合
    3.6.3  模糊集合的运算
  3.7  粗糙集理论
    3.7.1  粗糙集概述
    3.7.2  粗糙集的基本理论
    3.7.3  决策表的约简
  3.8  推理理论在空间信息处理中的应用
    3.8.1  模糊特征和模糊分类
    3.8.2  基于隶属度函数的遥感图像模糊分类
  3.9  小结
第4章  智能优化与空间信息处理
  4.1  智能优化搜索
    4.1.1  优化问题的分类
    4.1.2  优化算法分类
  4.2  局部最优搜索
    4.2.1  梯度下降法
    4.2.2  Powell算法
  4.3  模拟退火算法
    4.3.1  物理退火过程
    4.3.2  模拟退火算法的基本原理
    4.3.3  退火方式
  4.4  禁忌搜素算法
    4.4.1  禁忌搜索算法的基本原理
    4.4.2  禁忌搜索算法的优缺点
  4.5  智能优化方法在空间信息领域中的应用
    4.5.1  VFSA时空数据同化算法
    4.5.2  时空数据同化实例
  4.6  小结
第5章  进化计算与空间信息处理
  5.1  计算智能概述
    5.1.1  计算智能的概念
    5.1.2  计算智能的研究发展过程
    5.1.3  计算智能与人工智能的关系
  5.2  进化计算
    5.2.1  什么是进化计算
    5.2.2  进化计算的基本框架与主要特点
    5.2.3  进化计算的分类
    5.2.4  进化计算的若干关键问题
  5.3  遗传算法
    5.3.1  遗传算法的生物学背景
    5.3.2  遗传算法的基本思想
    5.3.3  遗传算法的设计原则
    5.3.4  遗传算法的基本算法
  5.4  免疫算法
    5.4.1  自然免疫系统
    5.4.2  免疫算法模型
  5.5  人工生命
    5.5.1  人工生命研究的起源和发展
    5.5.2  人工生命的定义和研究意义
    5.5.3  人工生命的研究内容和方法
    5.5.4  人工生命实例
  5.6  基于进化计算的空间信息处理实例
    5.6.1  GA点云配准方法
    5.6.2  搜索空间
    5.6.3  点云配准结果
  5.7  小结
第6章  自然计算与空间信息处理
  6.1  自然计算概述
    6.1.1  概述
    6.1.2  自然计算的类型
    6.1.3  自然计算的发展趋势
  6.2  群智能算法
    6.2.1  思想来源
    6.2.2  群体智能的优点及求解问题类型
  6.3  蚁群算法
    6.3.1  蚁群算法主要思想
    6.3.2  蚁群算法的基本实现
  6.4  粒群算法
    6.4.1  粒群优化概念
    6.4.2  粒群优化算法
    6.4.3  粒群优化与进化计算的比较
  6.5  生物地理算法
    6.5.1  生物地理算法的背景
    6.5.2  生物地理算法的迁移模型
    6.5.3  基本的BBO的迁移操作
    6.5.4  变异操作
  6.6  自然计算在空间信息处理中的应用
  6.7  小结
第7章  机器学习与空间信息处理
  7.1  机器学习概述
    7.1.1  机器学习的概念
    7.1.2  机器学习的策略
  7.2  有监督分类
    7.2.1  感知机学习
    7.2.2  贝叶斯学习
  7.3  无监督学习
    7.3.1  异常检测
    7.3.2  数据降维
  7.4  统计学习与支持向量机
    7.4.1  小样本统计学习理论
    7.4.2  支持向量机
  7.5  决策树与随机森林
    7.5.1  决策树的概念
    7.5.2  ID3算法
    7.5.3  Bagging集成学习
    7.5.4  随机森林
  7.6  新兴机器学习方法
    7.6.1  流形学习
    7.6.2  字典学习
    7.6.3  集成学习
    7.6.4  强化学习
    7.6.5  主动学习
    7.6.6  迁移学习
  7.7  机器学习在空间信息处理中的应用
    7.7.1  基于随机森林的土地覆盖遥感分类
    7.7.2  基于流形学习的高光谱遥感图像维数分析
    7.7.3  基于强化学习的地理文本大数据实体关系抽取
  7.8  小结
第8章  神经网络与空间信息处理
  8.1  联结学习概述
    8.1.1  联结学习的生理学基础
    8.1.2  联结学习规则
  8.2  神经元与神经网络
    8.2.1  生物神经元结构
    8.2.2  神经元的数学模型
    8.2.3  神经网络的结构与工作方式
    8.2.4  神经网络的学习
  8.3  经典浅层神经网络
    8.3.1  BP神经网络的结构
    8.3.2  BP学习算法
    8.3.3  BP学习算法的实现
    8.3.4  Hopfield神经网络
  8.4  深度神经网络
    8.4.1  深度学习的基本思想
    8.4.2  深度学习网络的关键技术
    8.4.3  深度神经网络的典型结构
  8.5  深度学习的应用及发展前景
    8.5.1  深度学习的应用领域
    8.5.2  深度学习在空间信息处理中的应用
    8.5.3  深度学习的发展前景
  8.6  小结
第9章  空间智能大数据
  9.1  空间大数据概述
    9.1.1  空间大数据的概念
    9.1.2  空间大数据处理的研究内容
  9.2  空间大数据的技术体系
    9.2.1  空间大数据计算的技术内涵
    9.2.2  空间大数据计算的关键技术
  9.3  空间大数据的应用实例
    9.3.1  灾害中的空间大数据
    9.3.2  面向灾害空间大数据的技术挑战
    9.3.3  面向灾害的空间大数据处理体系架构
    9.3.3  面向灾害的空间大数据处理体系架构
  9.4  空间大数据中的智能技术
参考文献