感知數(shù)據(jù)分析與應(yīng)用

定　價(jià)：￥119.00

作　者：	李川等
出版社：	科學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

當(dāng)當(dāng)網(wǎng) (￥89.20)

ISBN：	9787030797230	出版時(shí)間：	2025-01-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：		字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　《感知數(shù)據(jù)分析與應(yīng)用》介紹了感知數(shù)據(jù)分析與計(jì)算的關(guān)鍵技術(shù)方法和典型案例，具體內(nèi)容主要包括靜態(tài)數(shù)據(jù)（概率統(tǒng)計(jì)、誤差）和動(dòng)態(tài)數(shù)據(jù)（隨機(jī)過(guò)程、信號(hào)），以及機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。其中，靜態(tài)和動(dòng)態(tài)數(shù)據(jù)分析與計(jì)算從統(tǒng)計(jì)的角度揭示隱藏在數(shù)據(jù)中的規(guī)律，對(duì)收集到的數(shù)據(jù)進(jìn)行處理與分析，提取有價(jià)值的信息，得到特征統(tǒng)計(jì)結(jié)果。機(jī)器學(xué)習(xí)以數(shù)據(jù)或已有經(jīng)驗(yàn)為基礎(chǔ)，從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的實(shí)際數(shù)據(jù)中，挖掘隱藏在數(shù)據(jù)中的信息。深度學(xué)習(xí)將歸納偏差建立成神經(jīng)網(wǎng)絡(luò)的層次化表示，找到高維數(shù)據(jù)（如信號(hào)和圖像）的低維表示（特征）。在分析復(fù)雜問(wèn)題方面，提供了靜態(tài)和動(dòng)態(tài)、信號(hào)和圖像等方面的工程問(wèn)題和算法思路；在基礎(chǔ)問(wèn)題方面，提供參考程序代碼，參見(jiàn)https：//gitee.com/aapdata/algorithm.git。

作者簡(jiǎn)介

暫缺《感知數(shù)據(jù)分析與應(yīng)用》作者簡(jiǎn)介

圖書(shū)目錄

目錄
前言
第1章緒論 1
1.1 測(cè)量與計(jì)量 2
1.2 智能感知與計(jì)算 3
1.2.1 傳感器的基本原理 4
1.2.2 智能感知系統(tǒng) 4
1.2.3 物聯(lián)網(wǎng)與信息物理融合 5
1.3 傳感器的性能指標(biāo) 6
1.3.1 靜態(tài)特性 6
1.3.2 動(dòng)態(tài)特性的時(shí)域分析 8
1.3.3 動(dòng)態(tài)特性的頻域分析 11
1.3.4 FBG溫度傳感器的靜態(tài)特性 13
1.4 本書(shū)主要工作 15
參考文獻(xiàn) 16
第2章靜態(tài)數(shù)據(jù)與誤差分析 18
2.1 概率 18
2.1.1 事件概率 19
2.1.2 隨機(jī)變量及概率分布 21
2.1.3 隨機(jī)變量的數(shù)字特征 23
2.1.4 信息熵 26
2.2 統(tǒng)計(jì)推斷 28
2.2.1 樣本與抽樣分布 29
2.2.2 統(tǒng)計(jì)估計(jì) 31
2.2.3 假設(shè)檢驗(yàn) 36
2.3 線性模型 39
2.3.1 *小二乘法擬合 39
2.3.2 相關(guān)分析 41
2.3.3 方差分析 41
2.3.4 CFRP-FBG加固混凝土結(jié)構(gòu)的抗裂性能 43
2.4 測(cè)量誤差 45
2.4.1 粗大誤差 46
2.4.2 系統(tǒng)誤差 47
2.4.3 壓力約束混凝土結(jié)構(gòu)的熱應(yīng)變響應(yīng) 51
2.5 測(cè)量不確定度評(píng)估 53
2.5.1 標(biāo)準(zhǔn)測(cè)量不確定度的A類評(píng)估方法 55
2.5.2 標(biāo)準(zhǔn)測(cè)量不確定度的B類評(píng)估方法 59
2.5.3 合成不確定度評(píng)估 61
2.5.4 擴(kuò)展不確定度評(píng)估 64
2.5.5 直流電子式電流互感器校驗(yàn)儀測(cè)試 64
參考文獻(xiàn) 67
第3章動(dòng)態(tài)數(shù)據(jù)與信號(hào)處理 70
3.1 隨機(jī)過(guò)程 70
3.1.1 隨機(jī)過(guò)程的分布 71
3.1.2 隨機(jī)過(guò)程的數(shù)字特征 71
3.1.3 Markov過(guò)程 72
3.1.4 平穩(wěn)隨機(jī)過(guò)程 75
3.1.5 GPR信號(hào)混疊的雙排鋼筋識(shí)別與定位 81
3.2 時(shí)間序列分析 83
3.2.1 平穩(wěn)時(shí)間序列分析 83
3.2.2 自回歸模型擬合 85
3.2.3 AR(p)序列預(yù)測(cè) 88
3.3 譜估計(jì) 88
3.3.1 **譜估計(jì) 90
3.3.2 參數(shù)建模 91
3.4 時(shí)頻分析 92
3.4.1 短時(shí)Fourier變換 94
3.4.2 小波分析 95
3.4.3 小波包 100
3.4.4 提升小波 103
3.4.5 Wigner-Ville分布 105
3.4.6 經(jīng)驗(yàn)?zāi)Ｊ椒纸?109
3.4.7 Hilbert譜分析 113
3.4.8 GPR信號(hào)振幅與相位特征的破碎帶識(shí)別 116
3.4.9 基于STFT的?-OTDR多頻分解相干衰落抑制算法 120
參考文獻(xiàn) 121
第4章統(tǒng)計(jì)機(jī)器學(xué)習(xí) 123
4.1 統(tǒng)計(jì)機(jī)器學(xué)習(xí)的基本概念 124
4.1.1 模型假設(shè)空間 125
4.1.2 模型選擇準(zhǔn)則 126
4.1.3 模型學(xué)習(xí)算法 129
4.1.4 模型評(píng)價(jià) 134
4.2 監(jiān)督學(xué)習(xí) 140
4.2.1 感知器 141
4.2.2 k近鄰法 142
4.2.3 logistic回歸 142
4.2.4 Bayes分類器 143
4.2.5 EM算法 147
4.2.6 支持向量機(jī) 148
4.3 無(wú)監(jiān)督學(xué)習(xí) 158
4.3.1 聚類 158
4.3.2 主成分分析 168
4.3.3 核主成分分析 170
4.3.4 融合TSP和GPR探測(cè)信號(hào)的裂隙水識(shí)別 171
4.4 半監(jiān)督學(xué)習(xí) 175
4.4.1 Gaussian混合模型生成 176
4.4.2 轉(zhuǎn)換支持向量機(jī) 177
參考文獻(xiàn) 178
第5章深度學(xué)習(xí) 180
5.1 神經(jīng)網(wǎng)絡(luò) 180
5.2 深度學(xué)習(xí)的基本結(jié)構(gòu) 182
5.2.1 卷積神經(jīng)網(wǎng)絡(luò) 184
5.2.2 循環(huán)神經(jīng)網(wǎng)絡(luò) 188
5.2.3 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò) 193
5.2.4 自編碼器 195
5.2.5 基于多雙*特性注意力機(jī)制的Faster R-CNN的鋼筋識(shí)別 197
5.3 深度學(xué)習(xí)中的常用策略 200
5.3.1 生成對(duì)抗學(xué)習(xí) 200
5.3.2 遷移學(xué)習(xí) 202
5.3.3 元學(xué)習(xí) 207
5.3.4 終身機(jī)器學(xué)習(xí) 209
5.3.5 基于VAE-GAN抑制鋼筋產(chǎn)生的GPR多次反射干擾信號(hào) 210
5.3.6 基于圖像遷移模型的雷達(dá)數(shù)據(jù)中隧道襯砌識(shí)別與厚度估計(jì) 213
5.4 Transformer架構(gòu)與大語(yǔ)言模型 216
5.4.1 自監(jiān)督學(xué)習(xí) 217
5.4.2 注意力機(jī)制 218
5.4.3 Transformer神經(jīng)網(wǎng)絡(luò)架構(gòu) 223
5.4.4 大語(yǔ)言模型 225
5.4.5 基于Transformer的MRI圖像超分辨率 226
參考文獻(xiàn) 229
術(shù)語(yǔ)對(duì)照表 233