机读格式显示(MARC)

• 000 01618nam0 2200277 450

• 001 0000797254

• 005 20240508131739.0

• 010 __ |a 978-7-118-13195-6 |d CNY89.00

• 100 __ |a 20240508d2024 em y0chiy50 ea

• 101 0_ |a chi

• 102 __ |a CN |b 110000

• 105 __ |a ak a 000yy

• 106 __ |a r

• 200 1_ |a 基于深度学习的复杂退化系统剩余寿命智能预测技术 |A ji yu shen du xue xi de fu za tui hua xi tong sheng yu shou ming zhi neng yu ce ji shu |f 裴洪 ... [等] 著

• 210 __ |a 北京 |c 国防工业出版社 |d 2024.04

• 215 __ |a 144页 |c 图 |d 26cm

• 304 __ |a 题名页题其余责任者: 喻勇, 司小胜, 胡昌华, 张晟斐

• 312 __ |a 英文题名取自封面

• 320 __ |a 有书目 (第136-144页)

• 330 __ |a 本书共8章, 第1章对现有常见的基于深度学习剩余寿命预测技术研究现状进行深入分析 ; 第2章给出了一种充分融合深度学习和随机过程优势的退化系统剩余寿命预测方法 ; 第3章与第4章重点围绕复杂退化系统全寿命周期情形开展剩余寿命预测方法研究, 第3章得到的点估计预测结果 ; 第4章是基于贝叶斯深度学习框架确定的是概率分布预测结果 ; 第5章与第6章针对的是复杂退化系统截尾数据情形所导致的零寿命标签挑战, 分别给出了剩余寿命预测方法, 第5章提出了一种基于网络模型平均的退化系统剩余寿命点估计预测方法, 第6章研究了基于贝叶斯深度学习的退化系统剩余寿命不确定性量化问题 ; 第7章与第8章分别针对一维、多维数据缺失情形下提出了数据生成算法, 并将其应用于剩余寿命预测领域。

• 510 1_ |a Intelligent prediction technology of remaining useful life for complex degradation system based on deep learning |z eng

• 606 0_ |a 机器学习 |A ji qi xue xi |x 系统工程 |x 寿命 |x 预测

• 690 __ |a TP181 |v 5

• 701 _0 |a 裴洪 |A pei hong |4 著

• 801 _0 |a CN |b 安徽时代 |c 20240508

• 905 __ |d TP181 |f 2