内 容 提 要
全书共分8章，主要内容包括工业大数据概述，工业大数据体系构架及关键技术，工业大数据治理，常用的机器学习算法，常用的深度学习算法，动态过程质量相关故障检测与根源诊断，多工况过程质量相关故障的检测根源诊断，非线性动态过程质量相关故障的检测与传播路径辨识。书中配有思考题与算法源代码，帮助读者学习掌握相关内容。
本书适合自动化、人工智能等工科专业高年级本科生与研究生使用，也可供相关领域专业研究人员参考。

第一篇 基本概念篇 1


第1章 工业大数据概述 2


1.1 工业大数据的产生背景及发展历程 2


1.1.1 工业大数据的产生背景 2


1.1.2 工业大数据的发展历程 3


1.2 工业大数据的概念与内涵 4


1.2.1 工业大数据的概念 4


1.2.2 工业大数据的特征 5


1.2.3 工业大数据的组成 6


1.2.4 工业大数据的典型应用场景 7


1.3 工业大数据的发展现状及挑战 8


1.3.1 工业大数据的发展现状 8


1.3.2 工业大数据面临的挑战 9


1.3.3 工业大数据的发展趋势 10


继续阅读 12


参考文献 12


第2章 工业大数据体系架构及关键技术 13


2.1 工业大数据体系架构 13


2.1.1 应用参考架构 13


2.1.2 技术参考架构 15


2.2 工业大数据关键技术 17


2.2.1 工业大数据采集技术 17


2.2.2 工业大数据存储与管理技术 18


2.2.3 工业大数据分析技术 21


2.3 工业大数据技术发展趋势 23


继续阅读 27


参考文献 28


第3章 工业大数据治理 29


3.1 工业大数据治理的背景 29


3.2 工业大数据治理的概念 30


3.2.1 大数据治理的概念 30


3.2.2 大数据治理的框架 35


3.2.3 工业大数据治理的概念 39


3.3 工业大数据治理工具 40


继续阅读 41


参考文献 41


第二篇 经典机器学习篇 43


第4章 k近邻算法 44


4.1 k近邻算法概述 44


4.2 k近邻模型 45


4.2.1 模型 45


4.2.2 距离度量 45


4.2.3 k值的选择 46


4.2.4 分类决策规则 47


继续阅读 47


参考文献 47


第5章 回归分析 49


5.1 回归分析的概念和特点 49


5.2 回归模型的选择 50


5.3 常用的回归模型 51


5.3.1 线性回归 51


5.3.2 逻辑回归 52


5.3.3 多项式回归 54


5.3.4 岭回归与Lasso回归 55


5.3.5 主元回归 58


5.3.6 偏最小二乘回归 59


继续阅读 61


参考文献 61


第6章 贝叶斯学习 63


6.1 贝叶斯理论 63


6.1.1 先验概率和后验概率 63


6.1.2 贝叶斯公式 63


6.1.3 极大后验假设 64


6.1.4 极大似然假设 64


6.2 贝叶斯公式和概念学习 64


6.2.1 Brute-Force贝叶斯概念学习算法 64


6.2.2 特定情况下的极大后验假设 65


6.2.3 极大后验假设和一致学习器 66


6.2.4 极大似然和最小误差平方假设 66


6.2.5 贝叶斯最优分类器 67


6.3 朴素贝叶斯 68


6.3.1 朴素贝叶斯的基本框架 68


6.3.2 朴素贝叶斯分类器 69


6.3.3 朴素贝叶斯模型 69


继续阅读 70


参考文献 70


第7章 支持向量机 71


7.1 间隔与支持向量 71


7.2 线性可分支持向量机与硬间隔最大化 72


7.2.1 函数间隔和几何间隔 72


7.2.2 间隔最大化 72


7.2.3 对偶问题求解 73


7.3 非线性支持向量机与核函数 74


7.3.1 核技巧 74


7.3.2 正定核 75


7.3.3 核非线性支持向量机 75


继续阅读 75


参考文献 76


第8章 决策树 78


8.1 决策树模型与学习 78


8.1.1 决策树模型 78


8.1.2 决策树与if-then规则 78


8.1.3 决策树与条件概率分布 79


8.1.4 决策树学习 79


8.2 决策树方法的产生及算法过程 80


8.2.1 ID3 算法 80


8.2.2 CART算法 81


8.2.3 C4.5算法 83


继续阅读 84


参考文献 84


第三篇 深度学习篇 86


第9章 前馈神经网络 87


9.1 前馈神经网络的模型 87


9.1.1 前馈神经网络的定义 87


9.1.2 前馈神经网络的表示能力 88


9.2 前馈神经网络的学习 88


9.2.1 前馈神经网络学习的优化算法 89


9.2.2 反向传播算法 90


继续阅读 91


参考文献 92


第10章 卷积神经网络 93


10.1 卷积神经网络的模型 93


10.1.1 卷积 93


10.1.2 池化 94


10.1.3 卷积神经网络的性质 95


10.2 卷积神经网络的学习算法 95


10.2.1 卷积导数 95


10.2.2 反向传播算法 96


继续阅读 100


参考文献 100


第11章 循环神经网络 102


11.1 循环神经网络的模型 102


11.1.1 循环神经网络的定义 102


11.1.2 循环神经网络的学习算法 103


11.1.3 循环神经网络的学习算法 103


11.2 常用的循环神经网络 104


11.2.1 长短期记忆网络 104


11.2.2 门控循环单元网络 106


11.2.3 深度循环神经网络 106


11.2.4 双向循环神经网络 108


继续阅读 108


参考文献 108


第12章 强化学习 110


12.1 强化学习的定义 110


12.2 强化学习的特点 110


12.3 强化学习的要素与架构 111


12.3.1 四个基本要素 111


12.3.2 强化学习的架构 112


12.4 强化学习的训练过程 112


12.5 强化学习的代表算法 113


12.5.1 SARSA 113


12.5.2 Q学习 113


12.5.3 策略梯度 114


12.5.4 深度Q网络 116


继续阅读 118


参考文献 118


第四篇 工业大数据分析算法应用篇 120


第13章 动态过程质量相关故障检测与根源诊断 121


13.1 预备知识与问题描述 121


13.1.1 预备知识 121


13.1.2 问题描述 122


13.2 基于互信息典型变量分析的质量相关故障检测 123


13.3 动态过程质量相关故障根源诊断 124


13.3.1 基于广义重构贡献图的目标候选集筛选 125


13.3.2 基于传递熵的因果拓扑图构建 125


13.4 实验验证 127


13.4.1 实验方案 127


13.4.2 实验结果 129


参考文献 133


第14章 多工况过程质量相关故障的检测与根源诊断 135


14.1 预备知识与问题描述 135


14.1.1 预备知识 135


14.1.2 问题描述 136


14.2 多工况过程质量相关故障检测 137


14.2.1 基于鲁棒高斯混合模型的多工况过程建模 137


14.2.2 基于贝叶斯推理的全局概率指标的在线监测 139


14.3 多工况过程质量相关故障根源诊断 141


14.3.1 基于鲁棒高斯混合贡献指标的目标候选集筛选 141


14.3.2 基于直接传递熵的最优因果拓扑图构建 142


14.4 实验验证 145


14.4.1 实验方案 145


14.4.1 实验结果 145


参考文献 150


第15章 非线性动态过程质量相关故障的检测与传播路径辨识 151


15.1 预备知识与问题描述 151


15.1.1 预备知识 151


15.1.2 问题描述 152


15.2 基于非线性动态潜变量的质量相关故障检测 153


15.3 非线性动态过程质量相关故障传播路径辨识 154


15.3.1 基于分块贝叶斯网络的因果拓扑图构建 155


15.3.2 基于相对重构贡献图的目标候选集筛选 157


15.4 实验验证 158


15.4.1 实验方案 158


15.4.2 实验结果 159

参考文献 164