本書介紹了感知數(shù)據(jù)分析與計算的關鍵技術方法和典型案例，具體內容主要包括靜態(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)，以及機器學習和深度學習。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)計結果。機器學習以數(shù)據(jù)或已有經驗為基礎，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。深度學習將歸納偏差建立成神經網(wǎng)絡的層次化表示，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；在基礎問題方面，提供參考程序代碼，參見https://gitee.com/aapdata/algorithm.git。
2002年畢業(yè)于天津大學光學工程專業(yè)，獲工學博士學位。2002年9月18日，榮獲2001年度的中國光學學會王大珩光學獎。2008年成為云南省學術與技術帶頭人，云南省高等學校教學、科研帶頭人。中國光學學會理事，中國儀器儀表學會光機電集成分會常務理事。1996年7月~至今，昆明理工大學信息工程與自動化學院光纖光柵傳感器和軟測量融合研究與應用，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和多源數(shù)據(jù)融合開發(fā)及應用，中國儀器儀表學會科學技術進步獎二等獎，2020，排名第一教育部測控技術與儀器類教學指導委員會委員
中國儀器儀表學會光機電技術與系統(tǒng)分會常務理事
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 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 相關分析 41
2.3.3 方差分析 41
2.3.4 CFRP-FBG加固混凝土結構的抗裂性能 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 壓力約束混凝土結構的熱應變響應 51
2.5 測量不確定度評估 53
2.5.1 標準測量不確定度的A類評估方法 55
2.5.2 標準測量不確定度的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)序列預測 88
3.3 譜估計 88
3.3.1 經典譜估計 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 經驗模式分解 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)計機器學習 123
4.1 統(tǒng)計機器學習的基本概念 124
4.1.1 模型假設空間 125
4.1.2 模型選擇準則 126
4.1.3 模型學習算法 129
4.1.4 模型評價 134
4.2 監(jiān)督學習 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)督學習 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)督學習 175
4.4.1 Gaussian混合模型生成 176
4.4.2 轉換支持向量機 177
參考文獻 178
第5章 深度學習 180
5.1 神經網(wǎng)絡 180
5.2 深度學習的基本結構 182
5.2.1 卷積神經網(wǎng)絡 184
5.2.2 循環(huán)神經網(wǎng)絡 188
5.2.3 長短期記憶神經網(wǎng)絡 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 深度學習中的常用策略 200
5.3.1 生成對抗學習 200
5.3.2 遷移學習 202
5.3.3 元學習 207
5.3.4 終身機器學習 209
5.3.5 基于VAE-GAN抑制鋼筋產生的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架構與大語言模型 216
5.4.1 自監(jiān)督學習 217
5.4.2 注意力機制 218
5.4.3 Transformer神經網(wǎng)絡架構 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
術語對照表 233
新書資訊