感知數(shù)據(jù)分析與應(yīng)用

目錄
前言
第1章 緒論 1
1.1 測量與計量 2
1.2 智能感知與計算 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 動態(tài)特性的時域分析 8
1.3.3 動態(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)計推斷 28
2.2.1 樣本與抽樣分布 29
2.2.2 統(tǒng)計估計 31
2.2.3 假設(shè)檢驗 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 測量不確定度評估 53
2.5.1 標(biāo)準(zhǔn)測量不確定度的A類評估方法 55
2.5.2 標(biāo)準(zhǔn)測量不確定度的B類評估方法 59
2.5.3 合成不確定度評估 61
2.5.4 擴(kuò)展不確定度評估 64
2.5.5 直流電子式電流互感器校驗儀測試 64
參考文獻(xiàn) 67
第3章 動態(tài)數(shù)據(jù)與信號處理 70
3.1 隨機(jī)過程 70
3.1.1 隨機(jī)過程的分布 71
3.1.2 隨機(jī)過程的數(shù)字特征 71
3.1.3 Markov過程 72
3.1.4 平穩(wěn)隨機(jī)過程 75
3.1.5 GPR信號混疊的雙排鋼筋識別與定位 81
3.2 時間序列分析 83
3.2.1 平穩(wěn)時間序列分析 83
3.2.2 自回歸模型擬合 85
3.2.3 AR(p)序列預(yù)測 88
3.3 譜估計 88
3.3.1 **譜估計 90
3.3.2 參數(shù)建模 91
3.4 時頻分析 92
3.4.1 短時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?zāi)Ｊ椒纸?109
3.4.7 Hilbert譜分析 113
3.4.8 GPR信號振幅與相位特征的破碎帶識別 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)計機(jī)器學(xué)習(xí) 123
4.1 統(tǒng)計機(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 模型評價 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探測信號的裂隙水識別 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的鋼筋識別 197
5.3 深度學(xué)習(xí)中的常用策略 200
5.3.1 生成對抗學(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 210
5.3.6 基于圖像遷移模型的雷達(dá)數(shù)據(jù)中隧道襯砌識別與厚度估計 213
5.4 Transformer架構(gòu)與大語言模型 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)語對照表 233