本书为“十五五”高等学校新工科电子信息类专业系列教材之一。为适应人工智能迅速发展对人才的需求,本书厘清了“人工智能”与仪器的“天然关系”:在仪器中,模拟信号处理是获取高精度数据的关键,这为发挥人工智能的效能提供了必要条件;而人工智能本身,则成为仪器中强大的数字信号处理核心。全书分两篇:高精度信号(信息)检测篇、建模与分析篇,共9 章。主要内容包括: 绪论、传感器及其接口电路、采样与模/ 数转换器、参比法与系统比例测量方法、调制解调技术与高速锁相算法、“M + N”理论与两段论、测量系统校正、智能仪器中的机器学习、智能仪器中的深度学习。

本书首次将人工智能和仪器融为一体,解决了目前人工智能与仪器脱节的问题,适合作为普通高等院校仪器仪表、生物医学工程、自动化、电子信息工程等专业本科生和研究生的教材,也可作为广大工程技术人员的参考书。

编写背景

在科技飞速发展的当下,人工智能已成为推动各行业变革的核心力量,深刻影响着社会的各个层面。仪器作为获取和分析数据的关键工具,在众多领域发挥着不可或缺的作用。人工智能与仪器的融合,不仅是技术发展的必然趋势,也是满足各行业对高精度、智能化测量需求的重要途径。

1. 人工智能浪潮下的专业教育困境

近年来,人工智能以迅猛之势席卷全球,深刻改变着各行业的发展格局。从医疗健康领域的智能诊断、工业制造中的自动化生产,到金融服务里的风险预测,人工智能的应用无处不在,成为推动产业升级和创新发展的核心驱动力。在教育领域,各大高校纷纷顺应潮流,积极调整专业设置,开设相关课程,试图培养出适应时代需求的复合型人才。

然而,在这股人工智能的热潮中,也暴露出一些亟待解决的问题。其中,人工智能如何精准落地到各个专业领域,仍然是一个尚未完全明晰的课题。特别是在传统工科教学中,人工智能的融入情况并不理想。尽管众多高校投入大量资源开展相关课程,但实际教学效果不尽如人意,呈现出一种“雷声大,雨点小” 的尴尬局面。许多学生虽然学习了人工智能的理论知识,却难以将其与本专业的实际应用相结合,无法真正发挥人工智能在解决专业问题中的优势。这不仅造成了教育资源的浪费,也阻碍了学生的职业发展和行业的技术创新。

2. 仪器发展的历史脉络与现状

仪器作为人类认识和改造世界的重要工具,其发展历程源远流长。从最初简单的测量工具,到如今复杂精密的智能仪器,仪器的功能和性能不断提升,在科学研究、工业生产、医疗卫生等领域发挥着越来越重要的作用。

仪器本质上是用于测量的装置。它既可以测量物理量、几何量等静态对象,也能够对汽车速度、水流流量等动态对象进行监测,甚至还能捕捉心电信号、分析生物组织成分等生物医学信息。从科学探索的角度来看,仪器是人类探索和掌握客观规律的关键工具,其永恒的追求是不断提升测量精度,更准确地反映被测量的真实值。这种对“ 更高精度” 的不懈追求,与奥运精神中“更高、更快、更强”的理念一脉相承,共同推动着仪器技术不断向更先进的方向发展。

回顾仪器发展历程,20 世纪80 年代,随着计算机技术的普及,“智能仪器” 应运而生。当时的智能仪器主要指内置计算机的仪器,能够根据被测对象和环境干扰的变化,自动调整增益、带宽等参数,以优化测量效果。然而,这种“智能”主要停留在参数自动调节层面,缺乏对信号与数据的深度分析和理解能力,与当今基于人工智能的仪器在智能化程度上存在明显差距。因此,早期的“智能仪器”概念在演进中逐渐被更先进的体系所超越。

随着人工智能技术的突破性发展,融合人工智能技术的智能仪器正在快速崛起。与传统仪器乃至早期智能仪器相比,现代人工智能仪器具备强大的数据分析和自主学习能力,能够从海量数据中提取特征、发现规律,并实现更准确的测量、诊断和决策支持。例如,在医学影像领域,人工智能仪器可自动识别病灶、量化分析,辅助医生提升诊断效率和一致性;在工业场景中,能实现设备状态的智能监测、故障预警与预测性维护,显著提高生产可靠性与智能化水平。人工智能的深度融合,正推动仪器向更智能、更自主的方向实现质的飞跃。

在此背景下,编写一本系统阐述人工智能与仪器融合的教材显得尤为必要。它不仅能够为仪器仪表、生物医学工程、自动化、电子信息工程等专业的学生提供专业知识,还能为相关行业从业者提供理论指导和实践参考,助力他们在工作中实现技术创新和应用突破。

主要内容

1. 教材结构与知识框架

本教材分为两篇,构建了一个系统且全面的知识体系,旨在深入阐述人工智能与仪器融合的相关知识和应用。第一篇为“高精度信号(信息)检测篇”,对应测量的基本知识以及信息获取阶段,着重关注模拟信号检测与处理。此篇涵盖了从测量理论基础到传感器、采样与模/ 数转换等关键环节,为后续的信息分析奠定了坚实基础。第二篇是“建模与分析篇”,聚焦于信息分析阶段,即数据的分析与处理,重点介绍人工智能相关内容。该篇深入探讨了机器学习、深度学习等前沿算法在智能仪器中的应用,展现了人工智能技术在仪器领域的强大潜力和创新应用。通过这两篇内容的有机结合,教材从信号检测到信息分析,完整地呈现了人工智能与仪器融合的全过程,使读者能够全面掌握这一领域的核心知识和关键技术。

2. 各章具体内容简述

第1 章绪论:作为开篇之章,全面介绍了测量与误差理论的基本知识,这是理解后续内容的基石。详细阐述了信号与干扰、噪声的基本知识,让读者清晰认识到信号在传输和处理过程中面临的各种影响因素。引入电子测量系统的两段论与“信息(精度)空间” 概念,为理解测量系统的架构和性能提供了新的视角。同时,对仪器中的人工智能进行了初步探讨,开启了人工智能与仪器融合的探索之旅。

第2 章传感器及其接口电路:传感器作为仪器的第一道门户,是决定仪器精度的关键环节之一。本章从传感器的输出角度分类,这种分类方式条理清晰,便于读者从应用和测量精度的角度理解不同类型传感器的特点和应用场景。着重介绍新型的智能传感器和模拟前端(AFE),展现了传感器领域的最新发展成果,让读者能够紧跟技术前沿。

第3 章采样与模/ 数转换器:在智能仪器或现代测控系统中,模/ 数转换器(ADC) 扮演着不可或缺的角色。ADC 的出现给仪器设计带来了“革命性” 的变化,它不仅是决定仪器精度的最关键环节,而且随着ADC 性能的不断发展,过采样等技术进一步增强了其在仪器中的地位。鉴于有相当多的读者需要加深对ADC 的认识,本章详细阐述了ADC 的相关知识,对读者深入理解仪器的工作原理和性能提升具有重要意义。

第4 章参比法与系统比例测量方法:参比法作为一种“古老” 的测量方法,在科学史上发挥了极其重要的作用。即使在科技“高度发展” 的今天,参比法依然具有重要的应用价值和潜力。系统比例测量方法是在参比法的基础上发展而来,应用于电子测量系统,具有高抗干扰、高精度的特点,为电子测量提供了一种高效可靠的方法。

第5 章调制解调技术与高速锁相算法:调制解调技术是一种历史悠久的技术,在微电子技术高度发展的今天,其重要性依然不减。一方面,许多测量任务非用调制解调技术不可;另一方面,结合ADC 和DAC、DDS 等技术,调制解调技术可以成数量级地提高测量精度。作者提出的“高速锁相算法”,更是将精度、高速、简单等性能提升到了“ 极致”,为相关领域的测量提供了更优的解决方案。

第6 章“M + N”理论与两段论:经过几十年在测量领域的深入研究,针对多被测量和多输出量的测量及系统,作者凝练出“M + N” 理论。该理论为提高多被测量和多输出量的测量及系统的精度提供了坚实的理论指导和锐利武器,同时对常规的单一被测量的测量及系统提高精度同样有效,具有广泛的应用前景。

第7 章测量系统校正:对于仪器或测量系统而言,确保其输出结果能够在足够高的精度上反映被测量的值或其变化至关重要,即被测量与输出信号( 数据) 应是高精度的一一对应关系。在现代仪器中,一般配置有足够性能的微处理器和一定量的非易失性存储器(如EEPROM),通过得到标定曲线(即测量方程的反函数) 并将其固化( 下载) 到仪器,使仪器输出的都是已经校正的测量结果,从而极大地提高了仪器的测量精度和可靠性。

第8 章智能仪器中的机器学习:全面介绍了k 均值聚类、层次聚类、主成分分析、关联规则学习、线性回归、逻辑回归、决策树、支持向量机、粒子群优化算法等机器学习的内容和应用。这些算法涵盖了聚类、降维、回归、分类等多个机器学习领域,为读者提供了丰富的知识和方法。

第9 章智能仪器中的深度学习:深度学习是人工智能领域的重要研究方向,在智能仪器中也有着广泛的应用。本章详细介绍了卷积神经网络、循环神经网络、长短时记忆网络、胶囊网络、门控循环单元、Transformer、生成式模型、生成对抗网络、变分自编码器、图神经网络、YOLOv5 等算法,展现了深度学习算法的多样性和强大功能。最后给出了“ 基于YOLOv5 的血液细胞多光谱图像的分析” 的应用实例,使读者能够更加直观地了解深度学习在智能仪器中的实际应用效果。

编写特色

1. 视角独特:从仪器视角落地人工智能

本教材独辟蹊径,从“仪器” 这一独特视角出发,深入剖析人工智能在仪器领域的具体应用。通过将抽象的人工智能技术与实际的仪器测量过程相结合,使人工智能不再是抽象的理论概念,而是转化为具体、形象且易于学习的实用工具。这种视角的选择,不仅为读者提供了一个全新的学习和理解人工智能的切入点,还能够帮助他们更好地将人工智能技术应用到仪器相关的实际工作中,实现理论与实践的紧密结合。

2. 厘清关系:凸显传统仪器环节重要性

本教材清晰地阐述了传统仪器中“ 传感器—模拟信号处理电路” 这一环节的重要性。在人工智能蓬勃发展的背景下,这一传统环节不仅不会被削弱,反而因其作为人工智能落地应用的重要前提而显得更加关键。高质量的传感器和精准的模拟信号处理是获取可靠数据的基础,只有在这个基础上,人工智能才能充分发挥其强大的数据分析和处理能力,从而为仪器的智能化升级提供有力支持。

3. 注重基础:夯实信息获取阶段的理论基础

高度重视“信息获取阶段”,深刻认识到该阶段对于后续信息分析的决定性影响。本教材不仅介绍了基本的“测量与误差” 知识,为读者建立起扎实的测量理论基础,还介绍了编者提出的若干高效、高精度且简单易行的测量方法。这些内容的设置,旨在帮助读者掌握获取高质量数据的关键技术,确保在信息分析阶段能够充分发挥人工智能的优势,提高仪器的测量精度和可靠性。

4. 案例教学:精选算法与应用实例

为了帮助读者更好地理解和应用人工智能技术,本教材详细介绍了十几种常用的人工智能算法,涵盖了机器学习、深度学习等多个领域。这些算法不仅具有广泛的应用价值,也是智能仪器实现智能化的核心技术。同时,考虑到篇幅限制,教材精心挑选了编者在人工智能应用方面的两个实际案例,通过具体的案例分析,让读者能够更加直观地了解人工智能算法在智能仪器中的应用场景和实现方法,增强他们解决实际问题的能力。

5. 聚焦热点:以生物医学信息为载体

生物医学信息检测与处理作为当前的研究热点和人工智能应用的重要领域,具有信号种类繁多、应用目标广泛、信号微弱且信噪比极低、干扰复杂等特点。本教材以生物医学信息检测与处理为主要载体,深入探讨人工智能在这一复杂领域中的应用。通过丰富的生物医学案例和实际应用场景,充分展现了人工智能在处理复杂信号、提高诊断准确性和效率等方面的强大威力,使读者能够深刻体会到人工智能与生物医学交叉融合的巨大潜力和应用前景。

分工与致谢

本教材由李刚(天津大学)、林凌(天津大学)、何峰(天津大学)和王慧泉(天津工业大学)任主编,刘玉良(天津科技大学)、郑羽(天津工业大学)、张志勇(山西农业大学)、赵静(天津中医药大学)、陈瑞娟(天津工业大学)、赵喆(天津工业大学)、郝丽玲( 东北大学)、周梅(华东师范大学)、刘近贞( 天津工业大学)、李哲( 北京工业大学)、杨雪( 天津农业大学)、张琳娜(洛阳职业技术学院)、张盛昭(安徽医科大学)、罗永顺(广东技术师范大学)、张梦秋(山东中医药大学)、东磊( 天津工业大学)、刘付龙( 徐州医科大学)、王平( 山东省中医药研究院)、高爽(天津中医药大学第一附属医院)、蔡占秀(山东第二医科大学)、董芳(河北大学)、李庆宁(宁波大学)任副主编。他们依据各自的专业特长和研究方向,分别负责不同章节的编写与完善工作,从不同角度为教材注入了丰富的知识和多元的观点,确保教材内容的全面性、专业性和实用性。

在教材编写过程中,众多研究生的成果为教材提供了丰富的素材和创新的思路。尹帅举、王康、符桂铭、曾弘辉、胡晨潇等研究生不仅在学术研究上取得了优异成果,还积极参与了本教材的整理工作,他们的辛勤付出使得教材内容更加充实、条理更加清晰。本教材在编写过程中参考了大量文献资料,在此向相关作者表示感谢。

限于编者水平和时间,书中难免存在疏漏之处,希望广大读者提出宝贵意见,以便再版修订。

编 者

2026 年春于北洋园

第一篇 高精度信号(信息)检测篇
第1 章 绪论 2
  1. 1  测量的基本知识  2
    1. 1. 1  测量的概念  2
    1. 1. 2  测量方法的分类  3
    1. 1. 3  测量系统的性能参数  4
  1. 2  误差理论的基本知识  9
    1. 2. 1  误差的基本概念  10
    1. 2. 2  误差的来源  16
    1. 2. 3  精度与不确定度  17
    1. 2. 4  有效数字及其运算规则  18
    1. 2. 5  误差的合成与分配  20
  1. 3  信号、噪声与干扰  23
    1. 3. 1  信号  23
    1. 3. 2  噪声  24
    1. 3. 3  干扰  29
  1. 4  电子测量系统的“两段论”与“信息(精度)空间”  30
    1. 4. 1  电子测量系统的两个阶段  30
    1. 4. 2  信道编码与信息(精度)空间 32
  1. 5  医学诊断与医学研究中的测量  34
  1. 6  仪器中的人工智能  36
第2 章 传感器及其接口电路 38
  2. 1  概    述  38
  2. 2  无源阻抗型传感器及其接口电路  41
    2. 2. 1  伏安法阻抗测量  42
    2. 2. 2  半桥测量电路  42
    2. 2. 3  桥式测量电路  43
    2. 2. 4  四线制阻抗(电阻)型传感器测量电路 44
    2. 2. 5  阻抗型传感器的集成接口电路  45
  2. 3  有源传感器及其接口电路  66
    2. 3. 1  光电二极管的接口电路  66
    2. 3. 2  压电晶体(传感器)的接口电路 69
    2. 3. 3  pH 电极的接口电路  71
    2. 3. 4  热电(热释电型与热电堆型)红外传感器的接口电路 74
  2. 4  电化学生物传感器及其接口电路  79
    2. 4. 1  电流法电化学生物传感器接口电路  80
    2. 4. 2  近红外气体传感器接口电路  82
  2. 5  集成模拟前端与特殊传感器接口电路  85
    2. 5. 1  体重与体成分测量模拟前端 AFE4300  85
    2. 5. 2  集成液位传感器 LM1042  90
    2. 5. 3  基于16 位 RISC 微控制器的超声测距系统 MAXQ7667  93
    2. 5. 4  高性能Σ-Δ 模/数转换器(ADC)AD7768-1  95
第3 章 采样与模/数转换器  98
  3. 1  ADC 的原理与类型 98
    3. 1. 1  并行比较型模/数转换器  99
    3. 1. 2  逐次逼近比较型模/数转换器  100
    3. 1. 3  积分型模/数转换器  101
    3. 1. 4  压频变换型模/数转换器  103
    3. 1. 5  流水线型模/数转换器  103
    3. 1. 6  Σ-Δ 型模/数转换器 104
  3. 2  ADC 的主要参数  108
  3. 3  ADC 的外围电路  109
  3. 4  ADC 的选择与应用设计  110
  3. 5  ADC 与数据精度  112
    3. 5. 1  有效数字位与分辨力(率)、准确度 112
    3. 5. 2  测量值(数据)精度与误差  114
  3. 6  测量数据的“大平均”  114
    3. 6. 1  直流测量值(数据)的平均  114
    3. 6. 2  交流测量值(数据)的平均与过采样  115
    3. 6. 3  叠加成形信号的过采样  117
    3. 6. 4  帧累加与叠加成形信号的微光图像检测  120
  3. 7  过采样与“大平均”的应用实例  134
    3. 7. 1  生物电信号测量  134
    3. 7. 2  基于帧累加技术提高红外热像仪测温精度的校准方法  138
    3. 7. 3  基于方波分频调制和外部触发的 LED 多光谱成像  144
第4 章 参比法与系统比例测量方法  152
  4. 1  参比法测量  153
  4. 2  低成本体温计  155
    4. 2. 1  系统工作原理  155
    4. 2. 2  线性化讨论  155
  4. 3  系统比例法  156
    4. 3. 1  直流激励源  157
    4. 3. 2  交流激励源  158
    4. 3. 3  验证试验  158
第5 章 调制解调技术与高速锁相算法  161
  5. 1  引    言  161
    5. 1. 1  测量领域经典的“斩波调制”技术  161
    5. 1. 2  现代测量中的调制解调技术  163
  5. 2  正弦波的幅度调制与解调  164
    5. 2. 1  正弦波调制与解调的基本理论  164
    5. 2. 2  测量中调制的实现方式  169
    5. 2. 3  正弦波载波的多路信号调制与载波频率  190
    5. 2. 4  高速数字锁相解调算法(频域)  191
  5. 3  方波幅度调制信号的数字解调(时域)  195
  5. 4  多路方波频分调制的数字编码载波与数字解调(时域)  197
    5. 4. 1  应用需求  197
    5. 4. 2  码分多址多路复用  198
    5. 4. 3  编码方式的讨论  202
  5. 5  调制解调系统应用实例———呼吸与心电信号的同步检测  205
    5. 5. 1  过采样技术与成型信号  205
    5. 5. 2  结合过采样技术与成型信号的多种生理信号的同步检测  206
    5. 5. 3  多种参数同步检测的高性能生物电放大器  208
第6 章 “M + N”理论与两段论  211
  6. 1  “ M + N ”理论  211
  6. 2  “M + N”理论的架构 213
  6. 3  “M + N”理论中的抑制误差策略 215
    6. 3. 1  “覆盖策略”消除光谱仪积分时间带来的误差  217
    6. 3. 2  “补偿策略”修正光谱仪积分时间变化的误差  222
    6. 3. 3  基于“M 之间影响”的血小板定量分析  226
    6. 3. 4  双模式光谱的采集与分析方法  230
    6. 3. 5  光谱分析中光源电压的预测  236
    6. 3. 6  非目标组分用于提高校正模型预测能力  242
第7 章 测量系统校正  247
  7. 1  从测量视角考察仪器或测量系统  247
  7. 2  测量系统的定标  248
  7. 3  建模与逼近函数  250
    7. 3. 1  从数据拟合说起  250
    7. 3. 2  函数逼近论简介  251
第二篇 建模与分析篇
第8 章 智能仪器中的机器学习  256
  8. 1  k 均值聚类(k-means clustering)  257
    8. 1. 1  k 均值聚类的原理 257
    8. 1. 2  k 均值聚类的优缺点 257
    8. 1. 3  k 均值聚类的种类 258
    8. 1. 4  k 均值聚类的 Python 程序举例(基于 scikit-learn) 258
    8. 1. 5  k 均值聚类的应用举例 260
  8. 2  层次聚类(hierarchical clustering)  261
    8. 2. 1  层次聚类的种类  261
    8. 2. 2  层次聚类的优缺点  261
    8. 2. 3  层次聚类的 Python 程序举例(基于 scikit-learn)  262
    8. 2. 4  层次聚类的应用举例  263
  8. 3  主成分分析(PCA)  263
    8. 3. 1  主成分分析的原理  263
    8. 3. 2  主成分分析的优缺点  264
    8. 3. 3  主成分分析的种类  264
    8. 3. 4  主成分分析的 Python 程序举例(基于 scikit-learn)  264
    8. 3. 5  主成分分析的应用举例  265
  8. 4  关联规则学习(association rule learning) 265
    8. 4. 1  关联规则学习的原理  265
    8. 4. 2  关联规则学习的优缺点  266
    8. 4. 3  关联规则学习的种类  267
    8. 4. 4  关联规则学习的 Python 程序举例  267
    8. 4. 5  关联规则学习的应用举例  268
  8. 5  线性回归(linear regression)  268
    8. 5. 1  线性回归的模型表达式  269
    8. 5. 2  损失函数与参数优化  269
    8. 5. 3  线性回归的种类  269
    8. 5. 4  线性回归的优缺点  270
    8. 5. 5  线性回归的 Python 程序举例(基于 scikit-learn)  270
  8. 6  逻辑回归(logistic regression)  271
    8. 6. 1  逻辑回归的种类  272
    8. 6. 2  逻辑回归的优缺点  272
    8. 6. 3  逻辑回归的 Python 程序举例(基于 scikit-learn)  272
  8. 7  决策树(decision tree)  273
    8. 7. 1  决策树的分类  274
    8. 7. 2  决策树的优缺点  274
    8. 7. 3  决策树的 Python 程序举例  275
    8. 7. 4  决策树的应用举例  276
  8. 8  支持向量机(SVM)  276
    8. 8. 1  SVM 的分类  277
    8. 8. 2  SVM 的优缺点  278
    8. 8. 3  SVM 的 Python 程序举例(含参数调优与预处理)  278
    8. 8. 4  SVM 的应用场景举例(建模分析场景)  280
  8. 9  粒子群优化算法(PSO)  280
    8. 9. 1  粒子群优化算法的核心原理  280
    8. 9. 2  粒子群优化算法的分类  282
    8. 9. 3  粒子群优化算法的优缺点  283
    8. 9. 4  粒子群优化算法的应用举例  283
    8. 9. 5  粒子群优化算法的 Python 程序举例  284
  8. 10  基于神经网络和多种信息融合的无袖带连续血压检测  291
    8. 10. 1  数据采集  292
    8. 10. 2  数据处理  294
    8. 10. 3  结果和分析讨论  296
第9 章 智能仪器中的深度学习  300
  9. 1  卷积神经网络(CNN)  301
    9. 1. 1  卷积神经网络的常见种类  301
    9. 1. 2  卷积神经网络的优缺点  302
    9. 1. 3  卷积神经网络的 Python 程序举例  302
    9. 1. 4  卷积神经网络的应用举例  304
  9. 2  循环神经网络(RNN)  304
    9. 2. 1  循环神经网络的常见种类  305
    9. 2. 2  循环神经网络的优缺点  305
    9. 2. 3  循环神经网络的 Python 程序举例(基于 Keras) 305
    9. 2. 4  循环神经网络的应用举例  307
  9. 3  长短时记忆网络(LSTM)  307
    9. 3. 1  LSTM 的主要种类(改进型结构) 308
    9. 3. 2  LSTM 的优缺点  309
    9. 3. 3  LSTM 的 Python 程序举例 309
    9. 3. 4  LSTM 的典型应用举例  311
  9. 4  胶囊网络(CapsNet)  311
    9. 4. 1  核心组件与工作机制  311
    9. 4. 2  胶囊网络的常见种类  312
    9. 4. 3  胶囊网络的优缺点  313
   9. 4. 4 胶囊网络的Python 程序举例(基于 Keras)  313
    9. 4. 5  胶囊网络的应用举例  316
  9. 5  门控循环单元(GRU)  316
    9. 5. 1  GRU 的主要种类  317
    9. 5. 2  GRU 的优缺点  318
    9. 5. 3  GRU 的 Python 程序举例  318
    9. 5. 4  GRU 的应用举例  320
  9. 6  Transformer  320
    9. 6. 1  Transformer 的主要种类  323
    9. 6. 2  Transformer 的优缺点  324
    9. 6. 3  Transformer 的 Python 程序举例  324
    9. 6. 4  Transformer 的应用举例  326
  9. 7  生成式模型  326
    9. 7. 1  生成式模型主要种类及优缺点  328
    9. 7. 2  生成式模型的优缺点  329
    9. 7. 3  生成式模型的 Python 程序举例  330
    9. 7. 4  生成式模型应用举例  335
  9. 8  生成式对抗网络  336
    9. 8. 1  GAN 的主要种类  338
    9. 8. 2  GAN 的优缺点  338
    9. 8. 3  GAN 的 Python 程序举例  339
    9. 8. 4  GAN 的应用举例  343
  9. 9  变分自编码器(VAE)  343
    9. 9. 1  VAE 的主要种类  346
    9. 9. 2  VAE 的优缺点  346
    9. 9. 3  VAE 的 Python 程序举例  347
    9. 9. 4  VAE 的应用举例  350
  9. 10  图神经网络(GNN)  351
    9. 10. 1  GNN 的主要种类 352
    9. 10. 2  GNN 的优缺点 353
    9. 10. 3  GNN 的 Python 程序举例  353
    9. 10. 4  GNN 的应用举例 356
  9. 11  YOLOv5  356
    9. 11. 1  YOLOv5 的种类  358
    9. 11. 2  YOLOv5 的优缺点  358
    9. 11. 3  YOLOv5 的 Python 程序举例  359
    9. 11. 4  YOLOv5 应用举例  361
  9. 12  基于 YOLOv5 的血液细胞多光谱图像的分析  362
    9. 12. 1  理论与方法  363
    9. 12. 2  数据采集  366
    9. 12. 3  结果与分析讨论  368

李刚，天津大学。林凌，天津大学。何峰，天津大学。王慧泉，天津工业大学。

本书为“十五五”高等学校新工科电子信息类专业系列教材之一。为适应人工智能迅速发展对人才的需求,本书厘清了“人工智能”与仪器的“天然关系”:在仪器中,模拟信号处理是获取高精度数据的关键,这为发挥人工智能的效能提供了必要条件;而人工智能本身,则成为仪器中强大的数字信号处理核心。全书分两篇:高精度信号(信息)检测篇、建模与分析篇,共9 章。主要内容包括: 绪论、传感器及其接口电路、采样与模/ 数转换器、参比法与系统比例测量方法、调制解调技术与高速锁相算法、“M + N”理论与两段论、测量系统校正、智能仪器中的机器学习、智能仪器中的深度学习。