本書介紹了感知數(shù)據(jù)分析與計算的關(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、誤差)和動態(tài)數(shù)據(jù)(隨機過程、信號)，以及機器學(xué)習(xí)和深度學(xué)習(xí)。其中，靜態(tài)和動態(tài)數(shù)據(jù)分析與計算從統(tǒng)計的角度揭示隱藏在數(shù)據(jù)中的規(guī)律，對收集到的數(shù)據(jù)進行處理與分析，提取有價值的信息，得到特征統(tǒng)計結(jié)果。機器學(xué)習(xí)以數(shù)據(jù)或已有經(jīng)驗為基礎(chǔ)，從大量的、不完全的、有噪聲的、模糊的、隨機的實際數(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)(如信號和圖像)的低維表示(特征)。在分析復(fù)雜問題方面，提供了靜態(tài)和動態(tài)、信號和圖像等方面的工程問題和算法思路；在基礎(chǔ)問題方面，提供參考程序代碼，參見https://gitee.com/aapdata/algorithm.git。
更多科學(xué)出版社服務(wù)，請掃碼獲取。
2002年畢業(yè)于天津大學(xué)光學(xué)工程專業(yè)，獲工學(xué)博士學(xué)位。2002年9月18日，榮獲2001年度的中國光學(xué)學(xué)會王大珩光學(xué)獎。2008年成為云南省學(xué)術(shù)與技術(shù)帶頭人，云南省高等學(xué)校教學(xué)、科研帶頭人。中國光學(xué)學(xué)會理事，中國儀器儀表學(xué)會光機電集成分會常務(wù)理事。1996年7月~至今，昆明理工大學(xué)信息工程與自動化學(xué)院光纖光柵傳感器和軟測量融合研究與應(yīng)用，云南省科技發(fā)明獎二等獎，2020，排名第一；高海拔高寒環(huán)境光纖光柵傳感技術(shù)和多源數(shù)據(jù)融合開發(fā)及應(yīng)用，中國儀器儀表學(xué)會科學(xué)技術(shù)進步獎二等獎，2020，排名第一教育部測控技術(shù)與儀器類教學(xué)指導(dǎo)委員會委員
中國儀器儀表學(xué)會光機電技術(shù)與系統(tǒng)分會常務(wù)理事
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 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 隨機變量及概率分布 21
2.1.3 隨機變量的數(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 最小二乘法擬合 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 67
第3章 動態(tài)數(shù)據(jù)與信號處理 70
3.1 隨機過程 70
3.1.1 隨機過程的分布 71
3.1.2 隨機過程的數(shù)字特征 71
3.1.3 Markov過程 72
3.1.4 平穩(wěn)隨機過程 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 經(jīng)典譜估計 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 121
第4章 統(tǒng)計機器學(xué)習(xí) 123
4.1 統(tǒng)計機器學(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 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 177
參考文獻 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 基于多雙曲特性注意力機制的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 229
術(shù)語對照表 233
書單推薦
