目前，光学卫星成像已由单传感器成像时代全面进入多传感器成像时代。多源遥感图像融合技术是光学卫星多传感器成像应用的关键核心技术，在遥感制图、图像判读、图像解释等应用中发挥着基础性作用。本书系统地介绍了遥感图像融合的研究背景、概念内涵和主要方法，包括多源遥感图像融合评价方法、宽幅多源光学遥感图像配准方法、全色与多光谱图像高保真融合方法、全色与高光谱图像高保真融合方法、多光谱与高光谱图像高保真融合方法，并给出了大量的实验分析与示例。本书取材广泛、理论与应用密切结合，对光学遥感图像融合应用与研究具有很好

微处理器是集成电路之巅。目前事务处理型微处理器仍主要采用x86体系结构。但其可公开获取的研究资料很少，真实产品设计细节更是秘而不宣。本书以研究专利中的公开技术作为x86体系结构研究的新方法。
按照“指令集结构—微结构—物理实现”层级，沿着数据类型从标量—矢量—矩阵进程脉络，本书按照x86通用指令集、浮点指令集、安全保护类指令集、虚拟化指令集、微指令、指令集扩展等模块分类，从上万条Intel专利中挖掘出x86指令专利，按照技术背景、遇到的问题、解决思路、实现方法与技术采纳，对其进行梳理分析、

本书主要围绕数据权利体系，梳理数据及其权利内涵，把握全球数据主权发展态势，关切国际数据权利体系演进、数据权利保护模式，并梳理我国数据权利发展现状与建构路径；分别围绕主权视角下数据权利规制的关键场景——数据跨境、关键挑战——数据垄断、关键工具——数据产权，探讨数据主权风险、国际治理进展、我国治理现状，思考主权视角下我国数据权利治理进路与具体方案，并从个人数据、政府数据角度展开主权视角下数据权利治理实证研究。

本书是《微处理器体系结构专利技术研究方法》系列的第三辑，它通过挖掘在专利记载的相关技术方法，呈现x86处理器微架构的逻辑实现技术。第1章主要探讨算术、浮点和向量类指令实现。第2章和第3章主要探讨加载和存储访存指令、跳转和分支指令的技术实现。第4章和第5章主要探讨流水线、低功耗等关键技术实现。第6章探讨编译优化技术。
微处理器是集成电路**代表性的产品。因此，一个集成电路强国，一定在微处理器领域有自己的创新与创造。人工智能领域相关的GPU、DPU等新兴处理器架构，本质上都是CPU的协处理器或

本书比较全面地介绍了计算机辅助几何设计的发展历史及其主要内容和**进展。本书第1章对计算机辅助几何设计的历史进行了描述，第2章给出了计算机辅助几何设计的核心内容即Bezier曲线曲面，第3章给出了Bezier曲线曲面的推广即有理Bezier曲线曲面，第4章给出了Bezier曲线曲面的改进即B样条曲线曲面，第5章给出了B样条曲线曲面的推广即有理B样条曲线曲面，第6章介绍了几何连续性的概念，第7章给出了三角域上的曲面片，第8章引进了现代的T样条曲线曲面，第9章讨论了经典的隐式曲线曲面，第10章介绍了

大数据资源规划与统筹发展是新技术背景下提出的重大命题。本书围绕这一重大命题，将大数据置于国家战略高度，详细阐述了大数据资源规划理论模型，以及如何建设大数据资源规划与统筹发展保障体系。本书作为专著，具有很强的专业型、理论性和时代性，本书以“大数据资源规划理论与统筹发展研究”为主题，以规划理论与应用为切入点，形成大数据资源规划理论，建立大数据资源规划模型，理顺基于规划的大数据资源统筹发展路径，并以面向公共文化服务的大数据资源规划与统筹发展应用为案例进行剖析，促进大数据资源的多场景综合应用、

本书从博弈论基础开始，系统地介绍了博弈论在数据安全中的应用，汇集了近年来基于博弈论研究数据安全的最新成果，重点探讨了秘密共享的可公开验证模型及博弈论分析、数据外包情况下的博弈模型、激励相容机制和抗共谋机制以及隐私保护的博弈分析、基于信息论的理性委托攻防模型，为数据外包更新提出了有效策略。本书观点新颖独到，研究内容均为作者原创科研成果，对制定正确的数据安全策略，提高数据安全保障能力具有重要的参考价值。
　本书概念清晰、结构合理、内容深入浅出、通俗易懂，不仅阐述了博弈论与数据安全的基本理论，同

本书以“案例制作+技术回顾”为脉络组织内容，帮助读者掌握After Effects 2022的使用方法，并快速上手视频剪辑和特效制作。

全书包含85个实战案例和6个商业项目实战，对After Effects 2022的基础操作、动画、表达式、视频效果、视频过渡、粒子特效、抠图、调色、文字和渲染输出等功能与操作技巧进行重点解析，配合常见类型的实战案例进行讲解，帮助读者在学习后能够融会贯通、举一反三。

本书附赠的学习资源包括所有实战案例和商业项目实战的源文件，技术回顾

本书重点讲解基于云平台的超参数优化、神经构架搜索以及算法选择等内容，是自动机器学习的基本任务。介绍了基于三个主要云服务提供商（包括 Microsoft Azure、Amazon Web Services (AWS) 和 Google Cloud Platform）进行 AutoML，同时部署 ML 模型和管道，具有较强的实用性。在应用场景中评估 AutoML 方面，例如算法选择、自动特征化和超参数调整，并区分云和 OSS 产品等。本书适用于从事机器学习或人工智能方向的数据科学家或工程师学习，也适