样书申请
* 申请人: | |
* 详细地址: | |
* 数量: | |
* 手机号码: | |
邮箱: | |
1.请在地址处注明您所在单位和职务.2.申请提交后,工作人员稍后和您联系. |
POD订购
* 订购人: | |
* 详细地址: | |
* 数量: | |
* 手机号码: | |
邮箱: | |
- 内容简介
- 目录
- 读者反馈
- 图书推荐
目录
可靠性新技术丛书编审委员会0
丛书序0
前言0
第1章 大数据概述1
1.1 什么是大数据1
1.1.1 大数据的定义及特征2
1.1.2 大数据结构类型4
1.1.3 大数据实例6
1.2 大数据发展历程7
1.3 大数据分析9
1.4 可靠性工程中的数据分析12
1.5 相关技术及工具15
1.5.1 Hadoop介绍15
1.5.2 R软件介绍18
1.5.3 AMPL/CPLEX软件介绍19
1.5.4 Clementine介绍21
1.5.5 其他大数据处理工具23
第2章 大数据与数据挖掘25
2.1 数据管理与数据仓库25
2.1.1 数据、信息和知识25
2.1.2 数据爆炸27
2.1.3 数据仓库28
2.1.4 云计算与云存储34
2.2 数据挖掘概述36
2.2.1 数据挖掘的历史、功能和目的36
2.2.2 数据挖掘的内涵和基本特征38
2.2.3 数据挖掘与统计学41
2.2.4 数据挖掘的一般过程43
2.3 基于数据挖掘的模式识别44
2.3.1 探索性数据分析44
2.3.2 数据挖掘与机器学习46
2.3.3 数据挖掘与智能决策48
2.3.4 数据挖掘与神经网络50
2.4 大数据条件下的数据挖掘技术的最新前沿研究52
2.4.1 数据挖掘的可视化52
2.4.2 基于云技术的数据挖掘53
2.4.3 语音数据挖掘55
2.4.4 图像数据挖掘58
2.4.5 文本数据挖掘60
第3章 大数据在可靠性工程中的应用61
3.1 传统数据分析方法61
3.1.1 基于概率统计的分析方法61
3.1.2 基于时间维度的分析方法67
3.1.3 基于失效物理的分析方法75
3.1.4 传统分析方法的优势与局限77
3.2 大数据分析的特点77
3.2.1 数据全体VS数据样本77
3.2.2 非结构化数据VS结构化数据78
3.2.3 关联分析VS因果分析78
3.3 大数据分析揭示故障规律79
3.3.1 可靠性工程中的数据79
3.3.2 故障激发因素的复杂性79
3.3.3 可靠性工程大数据分析前景80
第4章 故障的关联规则分析82
4.1 关联规则的基本知识82
4.1.1 关联规则的定义、相关概念与一般过程82
4.1.2 频繁模式发现83
4.1.3 Apriori相关算法84
4.1.4 FP-growth算法86
4.1.5 应用及案例86
4.2 动态关联规则挖掘88
4.2.1 问题描述及需求88
4.2.2 动态关联规则新定义88
4.2.3 动态关联规则挖掘算法90
4.2.4 动态决策规则92
4.3 基于相关兴趣度的关联规则挖掘94
4.3.1 相关兴趣度的引入意义94
4.3.2 几种典型兴趣度度量95
4.3.3 强关联规则与挖掘算法96
4.3.4 反向关联规则与挖掘算法98
4.3.5 例外规则与挖掘算法100
4.4 故障诊断与数据挖掘技术101
4.4.1 设备故障诊断概述101
4.4.2 数据挖掘在故障诊断中的应用102
4.4.3 数据挖掘在故障诊断中应用的发展趋势103
4.5 考虑时间窗口的关联规则挖掘105
4.5.1 问题的提出及意义105
4.5.2 时间窗口的表达与运算方法105
4.5.3 基于时间窗口的频繁项挖掘算法110
4.5.4 带时间窗口的关联规则挖掘算法(股票)114
4.6 周期性关联规则挖掘116
4.6.1 问题的提出及意义116
4.6.2 周期关联规则的分类116
4.6.3 周期性关联规则的定义116
4.6.4 发现周期性关联规则117
4.7 基于约束的关联规则挖掘119
4.7.1 施加约束的原因119
4.7.2 约束的定义120
4.7.3 约束的描述120
4.7.4 约束的性质分类及其实现121
第5章 故障/健康监控的时间序列模式分析125
5.1 时序特性的分析方法125
5.1.1 趋势分析法125
5.1.2 统计分析法126
5.1.3 特征分析法127
5.1.4 周期性分析法129
5.2 基本分析模型129
5.2.1 趋势模型129
5.2.2 季节模型131
5.2.3 ARMA模型132
5.2.4 ARCH类模型134
5.2.5 协整和误差修正模型137
5.3 一元时间序列挖掘140
5.3.1 时间序列预处理140
5.3.2 时间序列压缩(时间序列离散化)143
5.3.3 时间序列相似性度量151
5.3.4 序列模式挖掘算法153
5.4 并行多序列时序模式挖掘161
5.4.1 问题的提出与意义161
5.4.2 并行序列模式挖掘162
5.4.3 并行序列模式改进算法166
第6章 基于故障多状态集的序列模式挖掘173
6.1 问题的提出和意义173
6.1.1 故障与健康状态监控问题173
6.1.2 从状态监控到状态预警174
6.2 多状态集的数学定义174
6.2.1 状态相关定义175
6.2.2 状态转换图175
6.3 多状态集序列模式挖掘方法175
6.3.1 状态及多状态序列175
6.3.2 频繁多状态序列176
6.3.3 发现状态序列模式的一般步骤176
6.3.4 模式的支持度、置信度与覆盖度184
6.3.5 强模式挖掘185
6.3.6 模式的因素集回溯分析186
6.4 带时间窗口的状态集序列模式挖掘187
6.4.1 带时间窗口的意义187
6.4.2 带时间窗口的状态集序列模式的定义187
6.4.3 频繁模式的发现算法195
6.4.4 模式挖掘的一般过程197
6.4.5 强的带时间窗口的状态集序列模式的挖掘算法199
6.4.6 因素集的FSITW的挖掘算法200
6.4.7 周期性状态集序列模式的挖掘算法201
6.5 基于多状态集序列模式挖掘的设备健康检测与预警方法203
6.5.1 设备健康管理203
6.5.2 设备健康监控理论与技术205
第7章 故障信息聚类分析207
7.1 聚类分析的基本思想207
7.2 聚类统计量211
7.2.1 Q型聚类统计量——距离211
7.2.2 R型聚类统计量——相似系数213
7.3 系统聚类法213
7.4 基于划分方法的聚类216
7.4.1 K-means(均值)算法217
7.4.2 K-medoids(中心点)算法220
7.5 其余各类方法223
7.5.1 层次聚类方法223
7.5.2 基于密度的方法224
7.5.3 基于网格的方法224
7.5.4 当前聚类研究方向225
7.6 模糊聚类分析227
7.6.1 模糊距离关系227
7.6.2 模糊相似关系231
7.6.3 模糊K-均值聚类232
7.7 混合属性对象的聚类分析233
7.7.1 聚类对象的属性类型233
7.7.2 分类型属性的相似定义235
7.7.3 混合属性的对象聚算法237
7.8 故障信息聚类分析案例239
7.8.1 数据准备239
7.8.2 故障对象的聚类分析240
7.8.3 基于故障描述信息的文本聚类分析241
第8章 基于粗糙集理论的故障因素分析243
8.1 经典粗糙集理论243
8.1.1 决策系统244
8.1.2 不可分辨关系245
8.1.3 上近似与下近似246
8.1.4 粗糙集的精确度与隶属度247
8.1.5 决策算法247
8.2 可变精度的粗糙集理论248
8.2.1 数据噪声、缺失与错误249
8.2.2 可变精度的定义249
8.2.3 可变精度的上近似和下近似250
8.2.4 粗糙集的品质评价250
8.3 基于近似不可分辨关系的粗糙集理论251
8.3.1 相似度定义及基于相似关系的数据模型252
8.3.2 完全依赖与近似依赖252
8.3.3 模糊粗糙集理论254
8.3.4 基于Φ-近似等价关系的粗糙集理论257
8.4 基于线性规划的粗糙集优化模型261
8.4.1 线性规划理论261
8.4.2 基于混合整数线性规划的粗糙集优化模型262
8.5 基于粗糙集的柴油机故障诊断应用案例264
8.5.1 故障原因的偶然性、综合性和隐蔽性及传统故障机理分析的不足264
8.5.2 基于粗糙集的柴油机故障诊断模型267
8.5.3 基于混合整数线性规划的决策系统优化建模272
第9章 因子分析及回归分析278
9.1 样本因子分析及参数估计278
9.1.1 样本数据因子分析278
9.1.2 参数的统计意义279
9.1.3 因子载荷矩阵的估计280
9.1.4 因子旋转和因子得分284
9.2 多元线性回归分析289
9.2.1 多元线性回归模型289
9.2.2 参数估计290
9.2.3 回归模型的检验291
9.2.4 回归诊断296
9.3 自变量的选择与逐步回归297
9.3.1 穷举法297
9.3.2 逐步回归法298
9.4 非线性回归模型300
9.4.1 内在线性回归模型301
9.4.2 内在非线性回归模型301
9.5 Logistic回归模型302
9.5.1 线性Logistic回归模型302
9.5.2 参数的最大似然估计303
9.6 基于Logistic回归的机械健康状态评估304
9.6.1 设备状态健康评估Logistic回归模型的建立305
9.6.2 Logistic回归模型参数的选择305
第10章 高维数据回归预测分析307
10.1 模型选择307
10.1.1 偏差—方差分解307
10.1.2 模型选择准则308
10.1.3 回归变量选择309
10.2 广义线性模型311
10.2.1 二点分布回归312
10.2.2 指数族概率分布312
10.2.3 广义线性回归314
10.2.4 参数估计317
10.2.5 模型的假设检验318
10.3 高维回归系数压缩319
10.3.1 岭回归320
10.3.2 Lasso回归321
10.3.3 Shooting算法322
10.3.4 路径算法322
10.3.5 算法的R语言实现324
10.4 面板数据回归模型324
10.4.1 面板数据325
10.4.2 面板回归模型325
10.5 基于支持向量机的预测模型331
10.5.1 支持向量机分类331
10.5.2 支持向量机回归333
10.5.3 支持向量机模型优化334
10.6 无人机重着陆预测案例337
10.6.1 面板数据预测模型338
10.6.2 支持向量机预测模型343
10.6.3 模型评价345
第11章 可靠性工程中的非参数统计346
11.1 单样本问题347
11.1.1 符号检验347
11.1.2 趋势检验349
11.1.3 游程检验350
11.1.4 对称中心的检验352
11.2 两样本问题355
11.2.1 独立样本位置参数的检验355
11.2.2 独立样本刻度参数的检验358
11.2.3 配对样本参数的检验360
11.3 多样本问题360
11.3.1 多个独立样本的检验360
11.3.2 多个相关样本的检验361
11.4 秩相关分析363
11.4.1 Spearman秩相关系数363
11.4.2 Kendall τ秩相关系数365
11.5 二维列联表367
11.5.1 Pearson χ2独立性检验368
11.5.2 Fisher精确检验369
11.6 案例分析371
11.6.1 柴油机厂质量可靠性问题调研372
11.6.2 产品改进措施分析375
参考文献381