Идентификация интеллектуальных устройств: Ubiquitous Power Internet of Things (английский)
Цена: 3 138руб. (¥148.5)
Артикул: 640054074606
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товараПродавец:天都图书专营店
Адрес:Пекин
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥771 628руб.
¥38.32810руб.
¥992 092руб.
¥ 45 36.2765руб.
Параметры продукта
| Идентификация интеллектуальных устройств: Ubiquitous Power Internet of Things (английский) | ||
 | Используемая цена | 188.00 |
| Издатель | Science Press | |
| Издание | 1 | |
| Опубликованная дата | Декабрь 2020 года | |
| формат | 16 | |
| компилятор | Лю Хуэй, Ю Ченг, Уаипинг | |
| Количество страниц | 294 | |
| Кодирование ISBN | 9787030673794 | |
Введение
В условиях быстрого развития Интернета вещей использование науки о данных для обеспечения неинвазивной идентификации электрооборудования имеет большое значение для энергосбережения и развития технологий электромеханического управления.В этой книге подробно представлены методы интеллектуальной классификации для идентификации устройств, включая машинное обучение, глубокое обучение, интеллектуальную кластеризацию, модели оптимизации, ансамблевое обучение, модели идентификации с одной и несколькими метками и т. д., а также проводится большое количество экспериментальных симуляций для разумной оценки различных методов идентификации устройств, что является важным справочным материалом для развития технологий обработки данных при неинвазивной идентификации устройств.Кроме того, в этой книге также сравниваются традиционные решения, основанные на физике и сопоставлении шаблонов, а также анализируется огромный потенциал применения интеллектуальной идентификации устройств в промышленности, которая имеет высокую справочную ценность для применения методов интеллектуальной идентификации устройств в промышленности.
Оглавление
Contents
1 Introduction 1
1.1 0обзор повсеместного электрического Интернета вещей (UEIOT) 1
1.1.1 Особенности повсеместного электрического Интернета вещей 3
1.1.2 Структура повсеместного электрического Интернета вещей 3
1.1.3 Перспективы применения и ценность повсеместного электрического Интернета вещей 5
1.2 Key Techniques of UEIOT 8
1.2.1 Распознавание интеллектуальных электрических устройств 8
1.2.2 Internet of Things 9
1.2.3 Big Data Analysis 10
1.2.4 Cloud Platforms 13
1.2.5 Computational Intelligence 16
1.2.6 Smart Model Embedding 19
1.3 Распознавание смарт-устройств в UEIOT 21
1.3.1 Data Acquisition Module 22
1.3.2 Event Detection Module 23
1.3.3 Feature Extraction Module 25
1.3.4 Load Identification Module 28
1.4 Различные стратегии распознавания смарт-устройств 30
1.4.1 Стратегии кластеризации для распознавания устройств 31
1.4.2 Оптимизация стратегий распознавания устройств 32
1.4.3 Ансамблевые стратегии распознавания устройств 33
1.4.4 Стратегии глубокого обучения для распознавания устройств 34
1.5 Scope of the Book 36
References 37
2 Интеллектуальное неинтрузивное распознавание устройств на основе физических
2.1 Introduction 45
2.2 Метод распознавания устройства на основе дерева решений 45
2.2.1 Evaluation Criteria 45
2.2.2 Основные определения физических характеристик 47
2.2.3 0riginal Dataset 49
2.2.4 Теоретическая основа дерева решений 50
2.3 Метод распознавания устройств на основе метода сопоставления шаблонов 55
2.3.1 Основное содержание метода сопоставления шаблонов 55
2.3.2 Распознавание устройств на основе алгоритма KNN 56
2.3.3 Распознавание устройства на основе алгоритма DTW 60
2.4. Метод распознавания устройств на основе разложения тока 62
2.4.1 Введение в метод текущей декомпозиции 62
2.4.2 Физические особенности разложения тока 63
2.5 Experiment Analysis 65
2.5.1 Общие алгоритмы оптимизации 65
2.5.2 Classification Results 67
2.5.3 Summary 71
References 73
3 Интеллектуальное неинтрузивное распознавание устройств на основе интеллектуальных методов классификации по одной метке 81
3.1 Introduction 81
3.2. Метод распознавания устройств на основе машины опорных векторов 82
3.2.1 Feature Extraction 82
3.2.2 Этапы модели на основе SVM 86
3.2.3 Performance Evaluation 87
3.3. Метод распознавания устройств на основе машины экстремального обучения 90
3.3.1 Обработка данных и извлечение признаков 90
3.3.2 Шаги модели, основанной на машине экстремального обучения 91
3.3.3 Performance Evaluation 93
3.4. Метод распознавания устройств на основе искусственной нейронной сети 96
3.4.1 Обработка данных и извлечение признаков 96
3.4.2 Этапы модели на основе многослойного персептрона 97
3.4.3 Performance Evaluation 98
3.5 Experiment Analysis 101
References 104
4 Интеллектуальное неинтрузивное распознавание устройств на основе интеллектуальных методов классификации по нескольким меткам 107
4.1 Introduction 107
4.1.1 Background 107
4.1.2Dataset Used in the Chapter 108
4.2. Метод распознавания устройств на основе ранжирующей машины опорных векторов 108
4.2.1 Model Framework 109
4.2.2 Data Labeling 110
4.2.3 Извлечение и реконструкция признаков 113
4.2.4. Основная теория ранжирующей машины опорных векторов 117
4.2.5 Индексы оценки многоуровневой классификации 121
4.2.6 Оценка ранжирования SVM с точки зрения распознавания устройств с несколькими метками 124
4.3 Метод распознавания устройств на основе многометочного алгоритма K-ближайших соседей 130
4.3.1 Model Framework 131
4.3.2 Data Preprocessing 131
4.3.3. Основная теория мультиметочных K-ближайших соседей 132
4.3.4 Оценка MLKNN с точки зрения распознавания устройств с несколькими метками 134
4.4 Метод распознавания устройств на основе мультиметочной нейронной сети
4.4.1 Model Framework 137
4.4.2 Предварительная обработка необработанных данных 137
4.4.3 Основная теория обратного распространения ошибки по нескольким меткам 138
4.4.4 Оценка BPMLL с точки зрения распознавания устройств с несколькими метками 138
4.5 Experiment Analysis 139
References 140
5. Интеллектуальное неинтрузивное распознавание устройств на основе методов интеллектуальной кластеризации 143
5.1 Introduction 143
5.1.1 Background 143
5.1.2 Cluster Validity Index 145
5.1.3 Data Preprocessing 147
5.2. Быстрый метод распознавания устройств на основе кластеризации K-средних 150
5.2.1 Теоретическая основа K-средних, GKM и FGKM 150
5.2.2 Steps of Modeling 154
5.2.3 Clustering Results 154
5.3 Метод распознавания устройств на основе DBSCAN 158
5.3.1 Теоретическая основа DBSCAN 158
5.3.2 Steps of Modeling 160
5.3.3 Clustering Results 160
5.4 Experiment Analysis 164
References 166
6 Интеллектуальное неинтрузивное распознавание устройств на основе методов интеллектуальной оптимизации 169
6.1 Introduction 169
6.1.1 Background 169
6.1.2. Разложение установившегося тока 170
6.1.3 Data Description 172
6.1.4 Feature Extraction 174
6.1.5 0bjective Function 174
6.1.6 Evaluation Indexes 175
6.2 Метод распознавания устройств на основе NSGA-II 176
6.2.1 Теоретическая основа NSGA-II 176
6.2.2 Model Framework 177
6.2.3 Evaluation of NSGA-II Model 178
6.3 Метод распознавания устройств на основе роя частиц из нескольких объектов 182
6.3.1 Теоретические основы многообъектной оптимизации роя частиц 182
6.3.2 Model Framework 183
6.3.3 Evaluation of MOPSO Model 184
6.4. Метод распознавания многообъектных устройств на основе оптимизации Grey Wolf 186
6.4.1 Теоретические основы многообъектной оптимизации Grey Wolf 186
6.4.2 Model Framework 187
6.4.3 Evaluation of MOGWO Model 187
6.5 Experiment Analysis 190
References 191
7. Интеллектуальное неинтрузивное распознавание устройств на основе ансамблевых методов 193
7.1 Introduction 193
7.1.1 Background 193
7.1.2 Data Description 194
7.1.3 Feature Extraction 197
7.2 Метод распознавания ансамблевых устройств на основе оптимизированной стратегии взвешивания 198
7.2.1 Теоретические основы базовых классификаторов 198
7.2.2 Теоретическая основа стратегии оптимизированного взвешивания 199
7.2.3 Model Framework 201
7.2.4 Анализ распознавания устройств взвешивающего ансамбля
7.3 Метод распознавания ансамблевых устройств на основе стратегии повышения 209
7.3.1 Теоретическая основа стратегии повышения 209
7.3.2 Model Framework 214
7.3.3 Анализ модели распознавания устройств ансамбля повышения 214
7.4 Experiment Analysis 221
7.4.1 Сравнительный анализ эффективности классификации 221
7.4.2 Conclusion 226
References 226
8. Интеллектуальное неинтрузивное распознавание устройств на основе методов глубокого обучения 229
8.1 Introduction 229
8.2 Метод распознавания устройства глубокого обучения на основе ввода последовательности нагрузки 230
8.2.1 Неинтрузивная идентификация устройств на основе сети RNN 231
8.2.2 Неинтрузивная идентификация устройств на основе сети LSTM 234
8.2.3 Неинтрузивная идентификация нагрузки на основе сети GRU 238
8.3 Метод распознавания устройств глубокого обучения на основе обработки графов 240
8.3.1 Data Conversion 240
8.3.2 Неинтрузивная идентификация устройств на основе CNN 241
8.3.3 Неинтрузивная идентификация устройств на основе AlexNet 244
8.3.4 Неинтрузивная идентификация устройств на основе GoogLeNet 248
8.4 Experiment Analysis 251
8.4.1 Экспериментальный анализ распознавания устройств на основе последовательности нагрузки 251
8.4.2 Экспериментальный анализ распознавания устройств на основе обработки графов 253
References 255
9. Потенциальные применения распознавания интеллектуальных устройств в промышленности 259.
9.1 Introduction 259
9.2 Электротехника и энергетика 260
9.2.1 0обзор электричества и энергетики 260
9.2.2 Home Energy Management 264
9.2.3 Распознавание неисправностей электрической линии пользователя 268
9.3 Применение сложных электромеханических систем 272
9.3.1 Обзор анализа проблем сложных электромеханических систем и исследования решений 273
9.3.2 Обнаружение неисправностей двигателя и управление энергопотреблением 274
9.3.3 Судовая электромеханическая система 281
9.4 Приложения для мониторинга загрязнения окружающей среды 283
9.4.1 0обзор глобального загрязнения окружающей среды и мониторинг окружающей среды 283
9.4.2 Неинтрузивный пространственный и временной мониторинг качества воздуха 284
9.4.3 Интеллектуальная идентификация источников загрязнения окружающей среды в индустриальных парках 285
9.5 0ther Applications 287
9.5.1 Подстанции и распределенные источники энергии 287
9.5.2 Мониторинг общих проблем промышленного производства 289
9.5.3 Медицинские услуги NILM для пожилых людей 289
9.5.4 Speech Quality Measurement 290
References 291
