掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
公路車寶典(ZINN的公路車維修與保養秘籍)
-
>
晶體管電路設計(下)
-
>
基于個性化設計策略的智能交通系統關鍵技術
-
>
花樣百出:貴州少數民族圖案填色
-
>
山東教育出版社有限公司技術轉移與技術創新歷史叢書中國高等技術教育的蘇化(1949—1961)以北京地區為中心
-
>
鐵路機車概要.交流傳動內燃.電力機車
-
>
利維坦的道德困境:早期現代政治哲學的問題與脈絡
深度學習在復雜系統健康監測中的應用 版權信息
- ISBN：9787030767998
- 條形碼：9787030767998 ; 978-7-03-076799-8
- 裝幀：平裝
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
深度學習在復雜系統健康監測中的應用 內容簡介
為了深入實施制造強國戰略，我國正加速推動物聯網、大數據、人工智能、云計算與制造業的深度融合，促進制造業向數字化、網絡化和智能化轉型升級。復雜系統健康監測是其中的關鍵環節之一。隨著數據積聚、算法革新與算力提升，以深度學習為代表的新一代人工智能技術不斷取得突破性發展，為復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**研究成果，論述復雜系統健康監測的內涵、技術體系、研究現狀和技術難點，總結卷積神經網絡、循環神經網絡、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復雜系統健康監測中的應用，并結合具體的應用案例進行展示。
深度學習在復雜系統健康監測中的應用 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 復雜系統健康監測簡介
1.3.1 復雜系統健康監測的內涵
1.3.2 復雜系統健康監測的技術體系
1.3.3 復雜系統健康監測的研究現狀
1.3.4 復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 人工神經網絡
2.1.1 人工神經網絡的內涵
2.1.2 人工神經網絡的基本原理
2.1.3 人工神經網絡的結構
2.2 深度學習模型
2.2.1 卷積神經網絡
2.2.2 循環神經網絡
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 基于卷積神經網絡的損傷狀態識別
3.1 問題描述
3.2 卷積神經網絡模型及其擴展
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 基于卷積神經網絡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簽
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 基于區域卷積神經網絡的健康狀態評估
4.1 問題描述
4.2 區域卷積神經網絡模型及其擴展
4.2.1 R-CNN
4.2.2 FastR-CNN
4.2.3 FasterR-CNN
4.3 基于FasterR-CNN的健康狀態評估方法
4.3.1 基于FasterR-CNN的健康狀態評估流程
4.3.2 基于Keras的健康狀態評估算法實現
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 基于多融合卷積神經網絡的故障診斷
5.1 問題描述
5.2 多融合卷積神經網絡概況
5.2.1 多融合卷積層
5.2.2 池化層
5.3 基于多融合卷積神經網絡的故障診斷方法
5.3.1 基于多融合卷積神經網絡的故障診斷流程
5.3.2 數據預處理
5.3.3 MFCC矩陣獲取
5.3.4 基于多融合卷積神經網絡的故障診斷
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 基于局部二值卷積神經網絡的復合故障診斷
6.1 問題描述
6.2 局部二值卷積神經網絡概況
6.2.1 局部二值模式
6.2.2 LBCNN
6.2.3 多標簽分類策略
6.3 基于LBCNN的復合故障診斷方法
6.3.1 復合故障診斷框架
6.3.2 信號小波變換
6.3.3 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 基于深度子域殘差自適應網絡的故障診斷
7.1 問題描述
7.2 深度子域殘差自適應網絡概況
7.2.1 殘差網絡
7.2.2 域自適應機制
7.2.3 深度子域殘差自適應網絡
7.3 基于深度子域殘差自適應網絡的故障診斷方法
7.4 案例分析
7.4.1 案例1
7.4.2 案例2
第8章 基于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絡結構
8.3 基于深度類別增量學習的新生故障診斷方法
8.3.1 基于深度類別增量學習的復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 新
8.3.4 案例樣本庫 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 基于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 基于確定性策略搜索的強化學習方法
9.2.6 TRPO
9.2.7 CapsuleDDQN
9.3 基于CapsuleDDQN的自適應故障診斷方法
9.3.1 CapsuleDDQN關鍵技術
9.3.2 基于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
0章 基于深度長短期記憶神經網絡的剩余使用壽命預測
10.1 問題描述
10.2 深度長短期記憶神經網絡概況
10.2.1 循環神經網絡結構
10.2.2 長短期記憶神經網絡結構
10.2.3 深度長短期記憶神經網絡結構
10.3 基于深度長短期記憶神經網絡的剩余使用壽命預測方法
10.3.1 基于DLSTM模型的RUL預測流程
10.3.2 多傳感器信號數據預處理
10.3.3 DLSTM
展開全部
書友推薦
- >
莉莉和章魚
- >
史學評論
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
上帝之肋:男人的真實旅程
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
二體千字文
- >
羅曼·羅蘭讀書隨筆-精裝
- >
山海經
本類暢銷
