深度學習

深度學習已經廣泛的應用到智能製造的各個方面。本書以智能製造為背景，分別介紹了深度學習在故障診斷、表面缺陷預測、健康狀態評估等方面的工作。本書的內容不僅涵蓋了深度學習的基本概念和理論，更多的介紹了常見的深度學習模型及其實現方式，以通俗易懂的方式，為讀者呈現出深度學習的核心內容。突出為智能製造專業服務的主線，在案例的選取上，摒棄了傳統以圖像識別、自然語言處理為主的講解模式，通過選擇智能製造及智能製造系統中案例，指導讀者更好的瞭解深度學習的使用方法和技巧。本書介紹了深度學習的基本概念，常用的深度學習軟件等內容。以故障診斷、表面缺陷預測、健康狀態評估三個案例為主要內容，介紹了深度學習方法的應用。最後，介紹了自動深度學習方法的基本概念。本書適合於大專或本科院校的學生使用。 ^[1] 

第1章緒論

1.1人工智能

1.1.1人工智能的研究範疇

1.1.2人工智能的三大學派

1.2機器學習

1.2.1機器學習的基本概念

1.2.2無監督學習、監督學習與強化學習

1.2.3淺層機器學習

1.3深度學習

1.3.1深度學習的發展歷程

1.3.2深度學習的應用

1.4習題

第2章深度學習基礎

2.1迴歸和分類

2.1.1迴歸模型

2.1.2分類模型

2.2人工神經網絡

2.2.1MP神經元模型

2.2.2多層感知機

2.3激活函數

2.4損失函數

2.5批量

2.6正則化

2.7模型評估與驗證

2.8習題

第3章常用深度學習框架

3.1TensorFlow

3.2Keras

3.3PyTorch

3.4習題

第4章自編碼器及其應用示例

4.1自編碼器

4.1.1自編碼器的結構

4.1.2自編碼器的訓練方法

4.1.3自編碼器的TensorFlow實現

4.2自編碼器的變體

4.2.1稀疏自編碼器

4.2.2去噪自編碼器

4.2.3收縮自編碼器

4.3基於棧式自編碼器的故障預測方法

4.3.1棧式自編碼器

4.3.2軸承故障診斷應用案例

4.4習題

第5章卷積神經網絡及其應用示例

5.1卷積神經網絡

5.1.1卷積運算

5.1.2卷積層

5.1.3池化層

5.1.4其他卷積方式

5.2經典卷積神經網絡模型

5.2.1LeNet5網絡

5.2.2VGG網絡

5.2.3Inception V3網絡

5.2.4ResNet網絡

5.2.5DenseNet網絡

5.3基於細粒度模型的工業產品表面缺陷檢測方法

5.3.1細粒度圖像分類

5.3.2注意力機制

5.3.3基於細粒度的表面缺陷檢測方法

5.3.4表面缺陷檢測應用案例

5.4習題

第6章循環神經網絡及其應用示例

6.1循環神經網絡

6.1.1長短期記憶網絡

6.1.2門控循環單元網絡

6.1.3案例介紹

6.2自動機器學習

6.2.1超參數優化問題

6.2.2超參數優化方法

6.2.3基於自動機器學習的工件質量符合率預測案例

6.3基於超參數優化LSTM的鋰電池健康程度評估方法

6.3.1鋰電池數據集

6.3.2特徵構造與選擇

6.3.3基於長短期記憶網絡的鋰電池健康狀態預測方法

6.4習題

參考文獻 ^[2]