机读格式显示(MARC)

• 000 01751nam0 2200349 450

• 001 0000431732

• 005 20250311193500.0

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

• 099 __ |a CAL 012024059541

• 100 __ |a 20240423d2024 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

• 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 全书共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章重点围绕全寿命周期情形所开展的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章是在Bayesian深度学习框架下确定的是概率分布预测结果，第5章与第6章针对零寿命标签情形所开展的剩余寿命预测方法研究，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Bayesian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领域。

• 333 __ |a 相关技术人员

• 510 1_ |a Intelligent prediction technology for 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

• 701 _0 |a 喻勇 |A yu yong |4 著

• 701 _0 |a 司小胜 |A si xiao sheng |4 著

• 801 _0 |a CN |b WHUTL |c 20240531

• 905 __ |a XATU |d TP181/402

• 920 __ |a 261060 |z 1

• 998 __ |a WHUT