IETM智能计算技术PDF电子书下载

查看更多关于的内容

第1章 绪论 1

1.1 IETM技术 1

1.1.1 国内IETM应用现状 1

1.1.2 IETM研发用例图和手册编制基础脚本样例 3

1.1.3 五级IETM定义 4

1.1.4 五级IETM在装备保障中的应用价值 5

1.1.5 五级IETM的建设方式 5

1.2 人工智能 6

1.3 深度学习 7

1.3.1 一般过程 8

1.3.2 系统平台架构 9

1.3.3 深度学习三泰斗 10

1.4 贝叶斯网络 11

1.4.1 贝叶斯网络的特性 11

1.4.2 贝叶斯网络的结构和网络参数 12

1.4.3 贝叶斯网络的构建 12

1.5 本书的安排 13

第2章 深度学习 15

2.1 深度学习概述 15

2.2 卷积神经网络 22

2.2.1 相关概念 22

2.2.2 AlexNet 24

2.2.3 ZF Net 25

2.2.4 GoogLeNet 28

2.2.5 Region Based CNNs 30

2.2.6 Microsoft ResNet 32

2.2.7 Spatial Transformer Networks 33

2.2.8 Matconvnet 34

2.2.9 卷积神经网络芯片 38

2.3 循环神经网络 38

2.4 常用实验数据集 40

2.4.1 图像分类领域 41

2.4.2 自然语言处理领域 42

2.4.3 目标检测定位 43

2.5 主流深度学习框架对比 43

2.5.1 TensorFlow 46

2.5.2 Caffe 47

2.5.3 Caffe2 48

2.5.4 CNTK 48

2.5.5 MXNet 48

2.5.6 Torch 49

2.5.7 PyTorch 49

2.5.8 Deeplearning4J 49

2.5.9 Theano 50

2.5.10 开源vs非开源 50

2.5.11 PyTorch vs TensorFlow 50

2.6 深度强化学习 52

2.7 蒙特卡洛树搜索 54

2.7.1 极小极大搜索 54

2.7.2 蒙特卡洛树搜索 55

2.7.3 关于细节 56

2.8 生成对抗网络 57

2.8.1 CycleGAN 58

2.8.2 WASSERSTEIN DISTANCE 59

2.9 深度学习框架TensorFlow 60

2.9.1 TensorFlow的简介 60

2.9.2 TensorFlow的优势 63

2.9.3 TensorFlow的安装 63

2.10 关于深度学习在IETM中应用的思考 71

第3章 贝叶斯网络 73

3.1 贝叶斯网络的概述 73

3.2 贝叶斯网络的结构学习 73

3.2.1 贝叶斯网络结构的评价函数 74

3.2.2 完整参数的贝叶斯网络结构学习 74

3.2.3 缺失数据的贝叶斯网络结构学习 75

3.2.4 贝叶斯网络结构学习的复杂性 75

3.3 贝叶斯网络的参数学习 76

3.3.1 完备数据集条件下的贝叶斯网络参数学习 77

3.3.2 缺失数据条件下的贝叶斯网络参数学习 77

3.4 学习算法的评价 78

3.5 贝叶斯网络的推理 78

3.5.1 因果推理 79

3.5.2 诊断推理 79

3.5.3 解释消除 79

3.6 多实体贝叶斯网络 79

3.7 Matlab工具的应用 80

3.8 GeNIe工具的应用 87

3.9 关于贝叶斯网络在IETM中应用的思考 88

第4章 智能边缘计算平台 89

4.1 Jetson TX2的安装 89

4.1.1 安装VMware Workstation 89

4.1.2 安装Ubuntu-16.04.3 96

4.1.3 安装Vmtools 10.0.5 96

4.1.4 安装JetPaek并刷机 103

4.2 Jetson TX2下安装TensorFlow深度学习框架 119

4.2.1 安装TensorFlow深度学习框架 119

4.2.2 Jetson TX2安装TensorFlow注意事项 124

4.3 Jetson TX2刷机及安装TensorFlow GPU注意事项 124

4.4 Atlas 200的安装 125

4.4.1 开发前的装备 125

4.4.2 安装Mind Studio 131

4.4.3 验证安装结果 134

4.4.4 运行Mind Studio总体流程 134

4.5 关于智能边缘计算平台在IETM中应用的思考 143

第5章 IETM智能交互技术 144

5.1 基于深度学习的IETM智能语音交互 144

5.1.1 基于循环神经网络的汉语语音识别全反馈模型 144

5.1.2 基于卷积神经网络的连续语音识别 146

5.1.3 循环神经网络在语音识别模型中的训练加速方法 146

5.2 基于深度学习的IETM智能目标检测交互 147

5.2.1 R-CNN 148

5.2.2 YOLO 149

5.2.3 Fast R-CNN 150

5.2.4 Faster R-CNN 151

5.2.5 SSD 152

5.2.6 Mask R-CNN 152

5.2.7 各种检测模型的对比分析 153

5.3 增强现实和虚拟现实在IETM智能交互中的应用 154

5.3.1 增强现实在IETM智能交互中的应用 154

5.3.2 虚拟现实在IETM智能交互中的应用 155

5.4 国内IETM交互功能不太理想的原因 158

第6章 IETM智能故障诊断技术 159

6.1 基于本体的机械故障诊断贝叶斯网络 159

6.1.1 OntoDBN的体系结构 160

6.1.2 维护诊断本体建模 161

6.1.3 维护诊断本体的概率扩展 162

6.1.4 OntoDBN的概率推理 162

6.2 基于贝叶斯网络的柴油机润滑系统多故障诊断 163

6.2.1 诊断任务的分解 163

6.2.2 贝叶斯网络诊断模型 164

6.3 基于时效性分析的动态贝叶斯网络故障诊断方法 164

6.4 基于概率网络本体语言的故障诊断方法 165

6.4.1 概率本体模型构建 165

6.4.2 MTheory生成 167

6.4.3 构建特定态势贝叶斯网络（SSBN）并推理 167

第7章 结束语 169

参考文献 170

查看更多关于的内容