262,548
次編輯
變更
创建页面，内容为“《'''物联网深度学习'''》，[印] 穆罕默德·阿巴杜尔·拉扎克 著 郝艳杰 译 著，出版社： 清华大学出版社。 清华大学出版…”
《'''物联网深度学习'''》，[印] 穆罕默德·阿巴杜尔·拉扎克 著 郝艳杰 译 著，出版社： 清华大学出版社。
清华大学出版社成立于1980年6月，是教育部主管、[[清华大学]]主办的综合性大学出版社<ref>[http://www.zhongyw.com.cn/news/show-53574.html 我国出版社的等级划分和分类标准]，知网出书，2021-03-01</ref>。清华社先后荣获 “先进高校出版社”“全国优秀出版社”“全国百佳图书出版单位”“中国版权最具影响力企业”“首届全国教材建设奖全国[[教材]]建设先进集体”等荣誉<ref>[http://www.tup.tsinghua.edu.cn/aboutus/qyjj.html 企业简介]，清华大学出版社有限公司</ref>。
==内容简介==
《物联网深度学习 》详细阐述了与物联网深度学习相关的基本解决方案，主要包括物联网生态系统、物联网深度学习技术和框架、物联网中的图像识别、物联网中的音频/语音/声音识别、物联网中的室内定位、物联网中的生理和心理状态检测、物联网安全、物联网的预测性维护、医疗物联网中的深度学习等内容。此外，本书还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。 本书适合作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学教材和参考手册。
==目录==
第1篇 [[物联网]]生态系统、深度学习技术和架构
第1章 物联网生态系统 3
1.1 物联网的端到端生命周期 3
1.1.1 三层物联网端到端生命周期 4
1.1.2 五层物联网端到端生命周期 5
1.1.3 物联网系统架构 5
1.2 物联网应用领域 8
1.3 在物联网中分析的重要性 9
1.4 在物联网数据分析中使用深度学习技术的动机 9
1.5 物联网数据的关键特征和要求 10
1.5.1 快速和流式物联网数据的真实示例 13
1.5.2 物联网[[大数据]]的现实示例 14
1.6 小结 15
1.7 参考资料 15
第2章 物联网深度学习技术和框架 17
2.1 机器学习简介 17
2.1.1 学习算法的工作原理 18
2.1.2 机器学习的一般经验法则 19
2.1.3 机器学习模型中的一般问题 20
2.2 机器学习任务 21
2.2.1 监督学习 21
2.2.2 无监督学习 23
2.2.3 强化学习 24
2.2.4 学习类型及其应用 25
2.3 深度学习深入研究 26
2.4 人工神经网络 29
2.4.1 人工神经网络与人脑 29
2.4.2 人工神经网络发展简史 30
2.4.3 人工神经网络的学习原理 32
2.5 神经网络架构 37
2.5.1 深度神经网络 37
2.5.2 自动编码器 39
2.5.3 卷积神经网络 40
2.5.4 循环神经网络 41
2.5.5 新兴架构 42
2.5.6 执行聚类分析的神经网络 45
2.6 物联网的深度学习框架和云平台 46
2.7 小结 48
第2篇 物联网深度学习应用开发
第3章 物联网中的图像识别 53
3.1 物联网应用和图像识别 53
3.2 用例一：基于图像的自动故障检测 55
3.3 用例二：基于图像的智能固体垃圾分离 57
3.4 物联网中用于图像识别的迁移学习 59
3.5 物联网应用中用于图像识别的卷积神经网络 60
3.6 收集用例一的数据 63
3.7 收集用例二的数据 69
3.8 数据预处理 70
3.9 模型训练 71
3.10 评估模型 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 小结 80
3.12 参考资料 80
第4章 物联网中的音频/语音/声音识别 83
4.1 物联网的语音/声音识别 83
4.2 用例一：语音控制的智能灯 85
4.3 用例二：语音控制的家庭门禁系统 87
4.4 用于物联网中声音/音频识别的深度学习 89
4.4.1 ASR系统模型 89
4.4.2 自动语音识别中的特征提取 90
4.4.3 用于自动语音识别的深度学习模型 91
4.5 物联网应用中用于语音识别的CNN和迁移学习 92
4.6 收集数据 92
4.7 数据预处理 100
4.8 模型训练 100
4.9 评估模型 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 小结 106
4.11 参考资料 106
第5章 物联网中的室内定位 109
5.1 室内定位概述 109
5.1.1 室内定位技术 109
5.1.2 指纹识别 110
5.2 基于深度学习的物联网室内定位 110
5.2.1 k近邻（k-NN）分类器 111
5.2.2 自动编码器分类器 113
5.3 用例：使用WiFi指纹进行室内定位 115
5.3.1 数据集说明 115
5.3.2 网络建设 116
5.3.3 实现 117
5.4 部署技术 128
5.5 小结 130
第6章 物联网中的生理和心理状态检测 131
6.1 基于物联网的人类生理和心理状态检测 131
6.2 用例一：远程理疗进度监控 133
6.3 用例二：基于物联网的智能教室 135
6.4 物联网中人类活动和情感检测的深度学习架构 136
6.4.1 自动人类活动识别系统 136
6.4.2 自动化的人类情绪检测系统 137
6.4.3 用于人类活动识别和情绪检测的深度学习模型 138
6.5 物联网应用中的HAR/FER和迁移学习 139
6.6 数据收集 140
6.7 数据浏览 143
6.8 数据预处理 148
6.9 模型训练 149
6.9.1 用例一 150
6.9.2 用例二 150
6.10 模型评估 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 小结 158
6.12 参考资料 158
第7章 物联网安全 161
7.1 物联网中的安全攻击和检测 161
7.2 用例一：物联网中的智能主机入侵检测 165
7.3 用例二：物联网中基于流量的智能网络入侵检测 167
7.4 用于物联网安全事件检测的深度学习技术 169
7.5 数据收集 171
7.5.1 CPU利用率数据 171
7.5.2 KDD cup 1999 IDS数据集 173
7.5.3 数据浏览 174
7.6 数据预处理 175
7.7 模型训练 179
7.7.1 用例一 179
7.7.2 用例二 179
7.8 模型评估 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 小结 186
7.10 参考资料 186
第3篇 物联网高级分析
第8章 物联网的预测性维护 191
8.1 关于物联网的预测性维护 191
8.1.1 在工业环境中收集物联网数据 192
8.1.2 用于预测性维护的机器学习技术 192
8.2 用例：飞机燃气涡轮发动机的预测性维护 196
8.2.1 数据集说明 197
8.2.2 探索性分析 197
8.2.3 检查故障模式 201
8.2.4 预测挑战 203
8.3 用于预测剩余使用寿命的深度学习技术 204
8.3.1 计算截止时间 204
8.3.2 深度特征合成 205
8.3.3 机器学习基准 206
8.3.4 做出预测 209
8.3.5 用长短期记忆网络改均误差 210
8.3.6 无监督学习的深度特征合成 214
8.4 常见问题 219
8.5 小结 219
第9章 医疗物联网中的深度学习 221
9.1 物联网和医疗保健应用 221
9.2 用例一：慢性病的远程管理 224
9.3 用例二：用于痤疮检测和护理的物联网 226
9.4 物联网医疗保健应用的深度学习模型 228
9.5 数据收集 231
9.5.1 用例一 231
9.5.2 用例二 233
9.6 数据浏览 234
9.6.1 心电图数据集 234
9.6.2 痤疮数据集 234
9.7 数据预处理 235
9.8 模型训练 235
9.8.1 用例一 236
9.8.2 用例二 238
9.9 模型评估 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 小结 244
9.11 参考资料 245
第10章 挑战和未来 247
10.1 本书用例概述 247
10.2 深度学习解决方案在资源受限的物联网设备中的部署挑战 249
10.2.1 机器学习/深度学习观点 249
10.2.2 深度学习的限制 251
10.2.3 物联网设备、边缘/雾计算和云平台 252
10.3 在资源受限的物联网设备中支持深度学习技术的现有解决方案 254
10.4 潜在的未来解决方案 255
10.5 小结 256
10.6 参考资料 256
==参考文献==
[[Category:040 類書總論；百科全書總論]]
清华大学出版社成立于1980年6月，是教育部主管、[[清华大学]]主办的综合性大学出版社<ref>[http://www.zhongyw.com.cn/news/show-53574.html 我国出版社的等级划分和分类标准]，知网出书，2021-03-01</ref>。清华社先后荣获 “先进高校出版社”“全国优秀出版社”“全国百佳图书出版单位”“中国版权最具影响力企业”“首届全国教材建设奖全国[[教材]]建设先进集体”等荣誉<ref>[http://www.tup.tsinghua.edu.cn/aboutus/qyjj.html 企业简介]，清华大学出版社有限公司</ref>。
==内容简介==
《物联网深度学习 》详细阐述了与物联网深度学习相关的基本解决方案，主要包括物联网生态系统、物联网深度学习技术和框架、物联网中的图像识别、物联网中的音频/语音/声音识别、物联网中的室内定位、物联网中的生理和心理状态检测、物联网安全、物联网的预测性维护、医疗物联网中的深度学习等内容。此外，本书还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。 本书适合作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学教材和参考手册。
==目录==
第1篇 [[物联网]]生态系统、深度学习技术和架构
第1章 物联网生态系统 3
1.1 物联网的端到端生命周期 3
1.1.1 三层物联网端到端生命周期 4
1.1.2 五层物联网端到端生命周期 5
1.1.3 物联网系统架构 5
1.2 物联网应用领域 8
1.3 在物联网中分析的重要性 9
1.4 在物联网数据分析中使用深度学习技术的动机 9
1.5 物联网数据的关键特征和要求 10
1.5.1 快速和流式物联网数据的真实示例 13
1.5.2 物联网[[大数据]]的现实示例 14
1.6 小结 15
1.7 参考资料 15
第2章 物联网深度学习技术和框架 17
2.1 机器学习简介 17
2.1.1 学习算法的工作原理 18
2.1.2 机器学习的一般经验法则 19
2.1.3 机器学习模型中的一般问题 20
2.2 机器学习任务 21
2.2.1 监督学习 21
2.2.2 无监督学习 23
2.2.3 强化学习 24
2.2.4 学习类型及其应用 25
2.3 深度学习深入研究 26
2.4 人工神经网络 29
2.4.1 人工神经网络与人脑 29
2.4.2 人工神经网络发展简史 30
2.4.3 人工神经网络的学习原理 32
2.5 神经网络架构 37
2.5.1 深度神经网络 37
2.5.2 自动编码器 39
2.5.3 卷积神经网络 40
2.5.4 循环神经网络 41
2.5.5 新兴架构 42
2.5.6 执行聚类分析的神经网络 45
2.6 物联网的深度学习框架和云平台 46
2.7 小结 48
第2篇 物联网深度学习应用开发
第3章 物联网中的图像识别 53
3.1 物联网应用和图像识别 53
3.2 用例一：基于图像的自动故障检测 55
3.3 用例二：基于图像的智能固体垃圾分离 57
3.4 物联网中用于图像识别的迁移学习 59
3.5 物联网应用中用于图像识别的卷积神经网络 60
3.6 收集用例一的数据 63
3.7 收集用例二的数据 69
3.8 数据预处理 70
3.9 模型训练 71
3.10 评估模型 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 小结 80
3.12 参考资料 80
第4章 物联网中的音频/语音/声音识别 83
4.1 物联网的语音/声音识别 83
4.2 用例一：语音控制的智能灯 85
4.3 用例二：语音控制的家庭门禁系统 87
4.4 用于物联网中声音/音频识别的深度学习 89
4.4.1 ASR系统模型 89
4.4.2 自动语音识别中的特征提取 90
4.4.3 用于自动语音识别的深度学习模型 91
4.5 物联网应用中用于语音识别的CNN和迁移学习 92
4.6 收集数据 92
4.7 数据预处理 100
4.8 模型训练 100
4.9 评估模型 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 小结 106
4.11 参考资料 106
第5章 物联网中的室内定位 109
5.1 室内定位概述 109
5.1.1 室内定位技术 109
5.1.2 指纹识别 110
5.2 基于深度学习的物联网室内定位 110
5.2.1 k近邻（k-NN）分类器 111
5.2.2 自动编码器分类器 113
5.3 用例：使用WiFi指纹进行室内定位 115
5.3.1 数据集说明 115
5.3.2 网络建设 116
5.3.3 实现 117
5.4 部署技术 128
5.5 小结 130
第6章 物联网中的生理和心理状态检测 131
6.1 基于物联网的人类生理和心理状态检测 131
6.2 用例一：远程理疗进度监控 133
6.3 用例二：基于物联网的智能教室 135
6.4 物联网中人类活动和情感检测的深度学习架构 136
6.4.1 自动人类活动识别系统 136
6.4.2 自动化的人类情绪检测系统 137
6.4.3 用于人类活动识别和情绪检测的深度学习模型 138
6.5 物联网应用中的HAR/FER和迁移学习 139
6.6 数据收集 140
6.7 数据浏览 143
6.8 数据预处理 148
6.9 模型训练 149
6.9.1 用例一 150
6.9.2 用例二 150
6.10 模型评估 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 小结 158
6.12 参考资料 158
第7章 物联网安全 161
7.1 物联网中的安全攻击和检测 161
7.2 用例一：物联网中的智能主机入侵检测 165
7.3 用例二：物联网中基于流量的智能网络入侵检测 167
7.4 用于物联网安全事件检测的深度学习技术 169
7.5 数据收集 171
7.5.1 CPU利用率数据 171
7.5.2 KDD cup 1999 IDS数据集 173
7.5.3 数据浏览 174
7.6 数据预处理 175
7.7 模型训练 179
7.7.1 用例一 179
7.7.2 用例二 179
7.8 模型评估 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 小结 186
7.10 参考资料 186
第3篇 物联网高级分析
第8章 物联网的预测性维护 191
8.1 关于物联网的预测性维护 191
8.1.1 在工业环境中收集物联网数据 192
8.1.2 用于预测性维护的机器学习技术 192
8.2 用例：飞机燃气涡轮发动机的预测性维护 196
8.2.1 数据集说明 197
8.2.2 探索性分析 197
8.2.3 检查故障模式 201
8.2.4 预测挑战 203
8.3 用于预测剩余使用寿命的深度学习技术 204
8.3.1 计算截止时间 204
8.3.2 深度特征合成 205
8.3.3 机器学习基准 206
8.3.4 做出预测 209
8.3.5 用长短期记忆网络改均误差 210
8.3.6 无监督学习的深度特征合成 214
8.4 常见问题 219
8.5 小结 219
第9章 医疗物联网中的深度学习 221
9.1 物联网和医疗保健应用 221
9.2 用例一：慢性病的远程管理 224
9.3 用例二：用于痤疮检测和护理的物联网 226
9.4 物联网医疗保健应用的深度学习模型 228
9.5 数据收集 231
9.5.1 用例一 231
9.5.2 用例二 233
9.6 数据浏览 234
9.6.1 心电图数据集 234
9.6.2 痤疮数据集 234
9.7 数据预处理 235
9.8 模型训练 235
9.8.1 用例一 236
9.8.2 用例二 238
9.9 模型评估 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 小结 244
9.11 参考资料 245
第10章 挑战和未来 247
10.1 本书用例概述 247
10.2 深度学习解决方案在资源受限的物联网设备中的部署挑战 249
10.2.1 机器学习/深度学习观点 249
10.2.2 深度学习的限制 251
10.2.3 物联网设备、边缘/雾计算和云平台 252
10.3 在资源受限的物联网设备中支持深度学习技术的现有解决方案 254
10.4 潜在的未来解决方案 255
10.5 小结 256
10.6 参考资料 256
==参考文献==
[[Category:040 類書總論；百科全書總論]]