物聯網深度學習

購買商店

物聯網深度學習

$654.00

馬上購買

內容描述

《物聯網深度學習 》詳細闡述了與物聯網深度學習相關的基本解決方案，主要包括物聯網生態系統、物聯網深度學習技術和框架、物聯網中的圖像識別、物聯網中的音頻/語音/聲音識別、物聯網中的室內定位、物聯網中的生理和心理狀態檢測、物聯網安全、物聯網的預測性維護、醫療物聯網中的深度學習等內容。此外，本書還提供了相應的示例、代碼，以幫助讀者進一步理解相關方案的實現過程。 本書適合作為高等院校電腦及相關專業的教材和教學參考書，也可作為相關開發人員的自學教材和參考手冊。

目錄大綱

目 錄
第1篇 物聯網生態系統、深度學習技術和架構
第1章物聯網生態系統 3
1.1物聯網的端到端生命週期 3
1.1.1三層物聯網端到端生命週期 4
1.1.2五層物聯網端到端生命週期 5
1.1.3物聯網系統架構 5
1.2物聯網應用領域 8
1.3在物聯網中分析的重要性 9
1.4在物聯網數據分析中使用深度學習技術的動機 9
1.5物聯網數據的關鍵特徵和要求 10
1.5.1快速和流式物聯網數據的真實示例 13
1.5.2物聯網大數據的現實示例 14
1.6小結 15
1.7參考資料 15
第2章物聯網深度學習技術和框架 17
2.1機器學習簡介 17
2.1.1學習算法的工作原理 18
2.1.2機器學習的一般經驗法則 19
2.1.3機器學習模型中的一般問題 20
2.2機器學習任務 21
2.2.1監督學習 21
2.2.2無監督學習 23
2.2.3強化學習 24
2.2.4學習類型及其應用 25
2.3深度學習深入研究 26
2.4人工神經網絡 29
2.4.1人工神經網絡與人腦 29
2.4.2人工神經網絡發展簡史 30
2.4.3人工神經網絡的學習原理 32
2.5神經網絡架構 37
2.5.1深度神經網絡 37
2.5.2自動編碼器 39
2.5.3卷積神經網絡 40
2.5.4循環神經網絡 41
2.5.5新興架構 42
2.5.6執行聚類分析的神經網絡 45
2.6物聯網的深度學習框架和雲平台 46
2.7小結 48
第2篇 物聯網深度學習應用開發
第3章物聯網中的圖像識別 53
3.1物聯網應用和圖像識別 53
3.2用例一：基於圖像的自動故障檢測 55
3.3用例二：基於圖像的智能固體垃圾分離 57
3.4物聯網中用於圖像識別的遷移學習 59
3.5物聯網應用中用於圖像識別的捲積神經網絡 60
3.6收集用例一的數據 63
3.7收集用例二的數據 69
3.8數據預處理 70
3.9模型訓練 71
3.10評估模型 73
3.10.1模型性能（用例一） 73
3.10.2模型性能（用例二） 77
3.11小結 80
3.12參考資料 80
第4章物聯網中的音頻/語音/聲音識別 83
4.1物聯網的語音/聲音識別 83
4.2用例一：語音控制的智能燈 85
4.3用例二：語音控制的家庭門禁系統 87
4.4用於物聯網中聲音/音頻識別的深度學習 89
4.4.1 ASR系統模型 89
4.4.2自動語音識別中的特徵提取 90
4.4.3用於自動語音識別的深度學習模型 91
4.5物聯網應用中用於語音識別的CNN和遷移學習 92
4.6收集數據 92
4.7數據預處理 100
4.8模型訓練 100
4.9評估模型 102
4.9.1模型性能（用例一） 103
4.9.2模型性能（用例二） 104
4.10小結 106
4.11參考資料 106
第5章物聯網中的室內定位 109
5.1室內定位概述 109
5.1.1室內定位技術 109
5.1.2指紋識別 110
5.2基於深度學習的物聯網室內定位 110
5.2.1 k最近鄰（k-NN）分類器 111
5.2.2自動編碼器分類器 113
5.3用例：使用WiFi指紋進行室內定位 115
5.3.1數據集說明 115
5.3.2網絡建設 116
5.3.3實現 117
5.4部署技術 128
5.5小結 130
第6章物聯網中的生理和心理狀態檢測 131
6.1基於物聯網的人類生理和心理狀態檢測 131
6.2用例一：遠程理療進度監控 133
6.3用例二：基於物聯網的智能教室 135
6.4物聯網中人類活動和情感檢測的深度學習架構 136
6.4.1自動人類活動識別系統 136
6.4.2自動化的人類情緒檢測系統 137
6.4.3用於人類活動識別和情緒檢測的深度學習模型 138
6.5物聯網應用中的HAR/FER和遷移學習 139
6.6數據收集 140
6.7數據瀏覽 143
6.8數據預處理 148
6.9模型訓練 149
6.9.1用例一 150
6.9.2用例二 150
6.10模型評估 153
6.10.1模型性能（用例一） 154
6.10.2模型性能（用例二） 155
6.11小結 158
6.12參考資料 158
第7章物聯網安全 161
7.1物聯網中的安全攻擊和檢測 161
7.2用例一：物聯網中的智能主機入侵檢測 165
7.3用例二：物聯網中基於流量的智能網絡入侵檢測 167
7.4用於物聯網安全事件檢測的深度學習技術 169
7.5數據收集 171
7.5.1 CPU利用率數據 171
7.5.2 KDD cup 1999 IDS數據集 173
7.5.3數據瀏覽 174
7.6數據預處理 175
7.7模型訓練 179
7.7.1用例一 179
7.7.2用例二 179
7.8模型評估 181
7.8.1模型性能（用例一） 182
7.8.2模型性能（用例二） 183
7.9小結 186
7.10參考資料 186
第3篇 物聯網高級分析
第8章物聯網的預測性維護 191
8.1關於物聯網的預測性維護 191
8.1.1在工業環境中收集物聯網數據 192
8.1.2用於預測性維護的機器學習技術 192
8.2用例：飛機燃氣渦輪發動機的預測性維護 196
8.2.1數據集說明 197
8.2.2探索性分析 197
8.2.3檢查故障模式 201
8.2.4預測挑戰 203
8.3用於預測剩餘使用壽命的深度學習技術 204
8.3.1計算截止時間 204
8.3.2深度特徵合成 205
8.3.3機器學習基準 206
8.3.4做出預測 209
8.3.5用長短期記憶網絡改進平均絕對誤差 210
8.3.6無監督學習的深度特徵合成 214
8.4常見問題 219
8.5小結 219
第9章醫療物聯網中的深度學習 221
9.1物聯網和醫療保健應用 221
9.2用例一：慢性病的遠程管理 224
9.3用例二：用於痤瘡檢測和護理的物聯網 226
9.4物聯網醫療保健應用的深度學習模型 228
9.5數據收集 231
9.5.1用例一 231
9.5.2用例二 233
9.6數據瀏覽 234
9.6.1心電圖數據集 234
9.6.2痤瘡數據集 234
9.7數據預處理 235
9.8模型訓練 235
9.8.1用例一 236
9.8.2用例二 238
9.9模型評估 239
9.9.1模型性能（用例一） 240
9.9.2模型性能（用例二） 243
9.10小結 244
9.11參考資料 245
第10章挑戰和未來 247
10.1本書用例概述 247
10.2深度學習解決方案在資源受限的物聯網設備中的部署挑戰 249
10.2.1機器學習/深度學習觀點 249
10.2.2深度學習的限制 251
10.2.3物聯網設備、邊緣/霧計算和雲平台 252
10.3在資源受限的物聯網設備中支持深度學習技術的現有解決方案 254
10.4潛在的未來解決方案 255
10.5小結 256
10.6參考資料 256