深度學習在複雜系統健康監測中的應用 吳軍 程一偉 鄧超 朱海平 9787030767998 【台灣高等教育出版社】
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：科學
物品所在地：中國大陸
原出版社：科學
NT$687
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *數量非實際在台庫存 *完成訂單後正常情形下約兩周可抵台。 *本賣場提供之資訊僅供參考，以到貨標的為實際資訊。 印行年月：202311*若逾兩年請先於私訊洽詢存貨情況，謝謝。 台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。 書名：深度學習在複雜系統健康監測中的應用 ISBN：9787030767998 出版社：科學 著編譯者：吳軍 程一偉 鄧超 朱海平 頁數：204 所在地：中國大陸 *此為代購商品 書號：1595188 可大量預訂，請先連絡。 內容簡介 為了深入實施製造強國戰略，我國正加速推動物聯網、大數據、人工智慧、雲計算與製造業的深度融合，促進位造業向數字化、網路化和智能化轉型升級。複雜系統健康監測是其中的關鍵環節之一。隨著數據積聚、演算法革新與算力提升，以深度學習為代表的新一代人工智慧技術不斷取得突破性發展，為複雜系統健康監測技術突破提供新的途徑。本書結合作者團隊的最新研究成果，論述複雜系統健康監測的內涵、技術體系、研究現狀和技術難點，總結卷積神經網路、循環神經網路、深度強化學習和深度遷移學習等深度學習的理論方法與框架，詳細介紹9種不同的深度學習模型在複雜系統健康監測中的應用，並結合具體的應用案例進行展示。 本書可作為高等院校機械工程、船舶與海洋工程、人工智慧等相關專業本科生和研究生的參考書，也可供從事複雜系統/裝備狀態監測、故障預測與健康管理、預測性維護、智能運維等相關行業方向的科學研究與工程技術人員參考。目錄 前言第1章 緒論 1 1 研究背景 1 2 深度學習簡介 1 2 1 深度學習的起源 1 2 2 深度學習的內涵 1 2 3 深度學習的研究現狀 1 2 4 深度學習的應用領域 1 3 複雜系統健康監測簡介 1 3 1 複雜系統健康監測的內涵 1 3 2 複雜系統健康監測的技術體系 1 3 3 複雜系統健康監測的研究現狀 1 3 4 複雜系統健康監測的技術難點 第2章 深度學習理論方法 2 1 人工神經網路 2 1 1 人工神經網路的內涵 2 1 2 人工神經網路的基本原理 2 1 3 人工神經網路的結構 2 2 深度學習模型 2 2 1 卷積神經網路 2 2 2 循環神經網路 2 2 3 深度強化學習 2 2 4 深度遷移學習 2 3 深度學習優化演算法 2 3 1 梯度下降法 2 3 2 動量梯度下降法 2 3 3 AdaGrad 2 3 4 RMSProp 2 3 5 Adam 2 4 深度學習模型評價準則 2 4 1 分類任務 2 4 2 回歸任務 2 5 深度學習框架 2 5 1 TensorFlow 2 5 2 Keras 2 5 3 PyTorch 第3章 基於卷積神經網路的損傷狀態識別 3 1 問題描述 3 2 卷積神經網路模型及其擴展 3 2 1 經典CNN的結構 3 2 2 CNN結構的發展 3 2 3 不同結構的性能對比 3 3 基於卷積神經網路的損傷狀態識別方法 3 4 案例分析 3 4 1 案例說明 3 4 2 數據集描述 3 4 3 監測數據預處理 3 4 4 時頻圖轉換與自動標籤 3 4 5 模型訓練與評估 3 4 6 損傷定位結果與討論 第4章 基於區域卷積神經網路的健康狀態評估 4 1 問題描述 4 2 區域卷積神經網路模型及其擴展 4 2 1 R-CNN 4 2 2 FastR-CNN 4 2 3 FasterR-CNN 4 3 基於FasterR-CNN的健康狀態評估方法 4 3 1 基於FasterR-CNN的健康狀態評估流程 4 3 2 基於Keras的健康狀態評估演算法實現 4 4 案例分析 4 4 1 案例說明 4 4 2 數據集描述 4 4 3 模型評價指標 4 4 4 模型訓練與評估 4 4 5 金屬板樣品的健康評估 第5章 基於多融合卷積神經網路的故障診斷 5 1 問題描述 5 2 多融合卷積神經網路概況 5 2 1 多融合卷積層 5 2 2 池化層 5 3 基於多融合卷積神經網路的故障診斷方法 5 3 1 基於多融合卷積神經網路的故障診斷流程 5 3 2 數據預處理 5 3 3 MFCC矩陣獲取 5 3 4 基於多融合卷積神經網路的故障診斷 5 4 案例分析 5 4 1 案例說明和數據描述概述 5 4 2 模型訓練與評估 第6章 基於局部二值卷積神經網路的複合故障診斷 6 1 問題描述 6 2 局部二值卷積神經網路概況 6 2 1 局部二值模式 6 2 2 LBCNN 6 2 3 多標籤分類策略 6 3 基於LBCNN的複合故障診斷方法 6 3 1 複合故障診斷框架 6 3 2 信號小波變換 6 3 3 最優小波時頻圖選擇 6 3 4 LBCNN模型訓練與診斷 6 4 案例分析 6 4 1 案例1 6 4 2 案例2 第7章 基於深度子域殘差自適應網路的故障診斷 7 1 問題描述 7 2 深度子域殘差自適應網路概況 7 2 1 殘差網路 7 2 2 域自適應機制 7 2 3 深度子域殘差自適應網路 7 3 基於深度子域殘差自適應網路的故障診斷方法 7 4 案例分析 7 4 1 案例1 7 4 2 案例2 第8章 基於深度類別增量學習的新生故障診斷 8 1 問題描述 8 2 深度類別增量學習概況 8 2 1 增量學習概述 8 2 2 深度類別增量學習網路結構 8 3 基於深度類別增量學習的新生故障診斷方法 8 3 1 基於深度類別增量學習的複雜系統故障智能診斷流程 8 3 2 數據預處理 8 3 3 類別增量模型更新 8 3 4 案例樣本庫更新 8 4 案例分析 8 4 1 實驗數據預處理 8 4 2 實驗結果討論 第9章 基於深度強化學習的自適應故障診斷 9 1 問題描述 9 2 深度強化學習概況 9 2 1 Q-learning 9 2 2 DQN 9 2 3 DuelingDQN 9 2 4 DoubleDQN 9 2 5 基於確定性策略搜索的強化學習方法 9 2 6 TRPO 9 2 7 CapsuleDDQN 9 3 基於CapsuleDDQN的自適應故障診斷方法 9 3 1 CapsuleDDQN關鍵技術 9 3 2 基於CapsuleDDQN的故障診斷流程 9 4 案例分析 9 4 1 案例數據說明 9 4 2 模型訓練與評估 第10章 基於深度長短期記憶神經網路的剩餘使用壽命預測 10 1 問題描述 10 2 深度長短期記憶神經網路概況 10 2 1 循環神經網路結構 10 2 2 長短期記憶神經網路結構 10 2 3 深度長短期記憶神經網路結構 10 3 基於深度長短期記憶神經網路的剩餘使用壽命預測方法 10 3 1 基於DLSTM模型的RUL預測流程 10 3 2 多感測器信號數據預處理 10 3 3 DLSTM 詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
