（一）理论课程 1《微机原理及接口技术》 2《计算机网络技术》（理论） 3《数字信号处理》 4《数字图像处理》（理论） 5《专业英语》 6《EDA 技术》课程理论教学大纲 7《单片机原理》课程理论教学大纲 8《汽车电子技术》 9《电气制图及 CAD》 10《电路原理 A》 11《模拟电子电路 A》 12《数字电子电路》 13《文献检索》 14《电磁场与电磁波》 15《算法与数据结构》 16《电子信息工程导论》 17《通信电子电路》 18《信号与系统》 19《通信原理 B》 20《机器人技术》（理论） 21《DSP 技术及应用》 22《信息论与编码》 23《移动应用软件开发》 24《面向对象程序设计》 25《智能控制技术》 26《移动互联网技术》 27《物联网与云计算》 28《软件工程》 29《人工智能导论》（理论） 30《电子测量技术》 31《传感器原理与应用》（理论） 32《ASPNET 程序设计》 33《嵌入式系统原理与设计》（理论） 34《工程项目管理与经济决策》 35《Python 程序设计》理论 36《智能建筑系统集成》 （二）实验课程 37《微机原理及接口技术》 38《计算机网络技术》（实验） 39《数字信号处理》 40《数字图像处理》（实验） 41《EDA 技术》课程 42《单片机原理》课程 43《通信电子电路》 44《电子技术基础实验》 45《电路原理实验》 46《信号与系统》 47《通信原理 B 实验》 48《人工智能导论》（实验） 49《传感器原理与应用》 50《嵌入式系统原理与设计》（实验） 51《Python 程序设计》实验 （三）实践课程 52《电工电子实习》 53《印制板微机辅助设计》 54《专业认知实习（1）》 55《专业认知实习（2）》 56《毕业设计（论文）》 57《电子系统综合实训》 58《C 语言程序概念实训》教学大纲 59《程序设计技能实训》 60《EDA 课程设计》课程设计教学大纲 61《嵌入式系统原理与设计》课程设计教学大纲 62《单片机原理》课程设计教学大纲

第一章 人工智能发展概述 1.1 全球：以科技企业为主导，推进技术创新升级 1.2 中国：加强算力基础设施建设，支撑应用落地 第二章 人工智能算力及应用现状 2.1 芯片：应用需求日渐丰富，催生芯片多元化发展 2.2 服务器：多元开放、绿色节能成为发展方向 2.3 云服务：AI 与云加速融合，推动业务创新 2.4 算法模型：巨量化成发展趋势，预训练模型为创新基础 2.5 应用：算力与应用协同发展，推动场景多元化 第三章 中国人工智能计算力发展评估 3.1 行业概况及排名 3.2 地域概况及排名 第四章 IDC建议 4.1 技术供应商建议 4.2 产业发展建议 4.3 行业用户建议

针对由一阶智能体和二阶智能体组成的离散异质多智能体系统,研究其一致性问题.设计无通信时延和具有有界通信时延时的分布式一致性协议,通过将系统转化为自治的离散时间线性时不变系统,运用矩阵理论和代数图论方法,分析得到系统实现一致性的充分条件.获得的充分条件与采样周期、控制参数和系统的拓扑结构有关.证明了系统的一致性不受有界通信时延影响.数值仿真结果验证了理论结果的正确性

最早的智能建筑 1、1984年,康涅狄格州,哈特福德 2、联合技术建筑系统公司 United Technology Building System Corp 3、都市大厦( City Place) 4、实现办公自动化、设备自动控制和通信自动化 5、智能建筑 IB Intelligent Building

首先介绍了传统的编队控制方法的定义、特点和常用方法及优缺点,并将传统编队控制时代定义为前编队控制时代.随着多智能体技术的发展,将多智能体技术引入到编队控制问题中,诞生了众多新的研究成果,称为后编队控制时代.后编队控制时代以多智能体技术为基础,随着通信技术、计算机技术、人工智能技术的发展而逐渐壮大起来,并受到了学者的广泛关注.前编队控制时代强调多机器人通过编队协作完成单个机器人无法实现的任务,提高任务完成效率且缩短任务完成时间.后编队控制时代则是在前编队控制时代的基础上,更强调低成本、同步性和协同性,但却不那么重视每个个体的任务分工,甚至是按照规则自由分配任务,不再有“不可替代冶的个体存在.最后给出了研究编队控制问题的基本思路和目前尚待解决的关键问题

1 智能感知的内涵与外延 2 智能感知的前世今生 3 智能感知的未来发展

边缘智能简介 基于边缘智能的视频大数据分析 案例：基于视频分析的抬头检测系统

人工智能的三大流派 人工智能发展史 人工智能的学术活动 高速计算和知识等效 博弈论（数学） 人机博弈

◼ 商务智能概述 ◼ 在线分析处理OLAP技术 ◼ 数据挖掘技术和方法* ◼ 数据挖掘过程 ◼ 数据仓库 ◼ 商务智能应用*

针对单核学习支持向量机无法兼顾学习能力与泛化能力以及多核函数参数寻优问题，提出了一种基于群体智能优化的多核学习支持向量机算法。首先，研究了五种单核函数对支持向量机分类性能的影响，进一步提出具有全局性质的多项式核和局部性质的拉普拉斯核凸组合形式的多核学习支持向量机算法；其次，为增加粒子多样性及快速寻优，将粒子群优化算法引入了遗传算法中的杂交操作，并用此改进的群体智能优化算法对多核学习支持向量机进行参数寻优。最后，分别采用深度特征与手工特征作为识别算法的输入，研究表明采用深度特征优于手工特征。故本文采用深度特征作为多核学习支持向量机的输入，以交叉遗传与粒子群混合智能优化算法作为其寻优方式。实验选取合作医院数据集对所提算法进行训练并初步测试，进一步为了验证所提算法的泛化能力，选取公开数据集LUNA16进行测试。实验结果表明，本文算法易于跳出局部最优解，提升了算法的学习能力与泛化能力，具有较优的分类性能