孔夫子旧书网-网上买书卖书、古旧书收藏品交易平台 孔夫子旧书网-网上买书卖书、古旧书收藏品交易平台 占位居中 孔夫子旧书网-网上买书卖书、古旧书收藏品交易平台
商品
拍卖区
在售
已售
搜索历史
搜索
高级搜索

智能设备识别：泛在电力物联网（英文）

智能设备识别：泛在电力物联网（英文）
分享
扫描下方二维码分享到微信
打开微信，点击右上角”+“，
使用”扫一扫“即可将网页分享到朋友圈。
作者: , ,
出版社: 科学出版社
2021-01
版次: 31
ISBN: 9787030673794
定价: 188.00
装帧: 其他
开本: 16开
页数: 308页
分类: 工程技术
  • 在物联网迅速发展的当下，利用数据科学实现非侵入式的电气设备辨识对能源节约、机电控制技术发展等具有重要意义。本书详细介绍了设备辨识的智能分类方法，包括机器学习、深度学习、智能聚类、优化模型、集成学习、单标签和多标签识别模型等，并进行了大量的实验仿真对不同的设备辨识方法进行合理的评价，为数据科学技术在非侵入式设备识别中的发展提供了重要的参考。此外，本书还对传统的基于物理和模板匹配的解决方案进行了比较，并分析了智能设备辨识在工业中的巨大应用潜力，对智能设备辨识方法在工业中的应用有较高的参考价值。

    1 introduction 1

    1.1 0verview of ubiquitous electric inter of things (ueiot) １

    1.1.1 features of ubiquitous electric inter of things 3

    1.1.2 ition of ubiquitous electric inter of things 3

    1.1.3 application prospect and value of ubiquitous electric inter of things 5

    1.2 key techniques of ueiot 8

    1.2.1 smart electric device recognition 8

    1.2.2 inter of things 9

    1.2.3 big data analysis 10

    1.2.4 cloud tforms 13

    1.2.5 putational intelligence 16

    1.2.6 smart model embed 19

    1.3smart device recognition in 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 different strategies for smart device recognition 30

    1.4.1clustering strategies for device recognition 31

    1.4.2 0ptimizing strategies for device recognition 32

    1.4.3 ensemble strategies for device recognition 33

    1.4.4 deep learning strategies for device recognition 34

    1.5 scope of the book 36

    references 37

    2 smart non-intrusive device recognition based on physical

    2.1 introduction 45

    2.2 device recognition method based on decision tree 45

    2.2.1 evaluation criteria 45

    2.2.2 basic definitions of physical features 47

    2.2.3 0riginal dataset 49

    2.2.4 the theoretical basis of decision tree 50

    2.3 device recognition method based on temte matching method 55

    2.3.1 the basic content of the temte matching method 55

    2.3.2 device recognition based on knn algorithm 56

    2.3.3 device recognition based on dtw algorithm 60

    2.4 device recognition method based on current deition 62

    2.4.1 introduction of the current deition method 62

    2.4.2 physical features of current deition 63

    2.5 experiment analysis 65

    2.5.1 mon optimization algorithms 65

    2.5.2 classification results 67

    2.5.3 summary 71

    references 73

    3 smart non-intrusive device recognition based on intelligent single-label classification methods 81

    3.1 introduction 81

    3.2 device recognition method based on support vector machine 82

    3.2.1 feature extraction 82

    3.2.2 ste of the model based on svm 86

    3.2.3 performance evaluation 87

    3.3 device recognition method based on extreme learning machine 90

    3.3.1 data process and feature extraction 90

    3.3.2 ste of the model based on extreme learning machine 91

    3.3.3 performance evaluation 93

    3.4 device recognition method based on artifi neural work 96

    3.4.1 data process and feature extraction 96

    3.4.2 ste of the multi-layer perceptron based model 97

    3.4.3 performance evaluation 98

    3.5 experiment analysis 101

    references 104

    4 smart non-intrusive device recognition based on intelligent multi-iabel classification methods 107

    4.1 introduction 107

    4.1.1 background 107

    4.1.2dataset used in the chapter 108

    4.2 device recognition method based on ranking support vector machine 108

    4.2.1 model framework 109

    4.2.2 data labeling 110

    4.2.3 feature extraction and reconstruction 113

    4.2.4 the basic theory of the ranking support vector machine 117

    4.2.5 multi-iabel classification evaluation indices 121

    4.2.6 evaluation of ranking svm in terms of multi-label device recognition 124

    4.3 device recognition method based on multi-label k-nearest neiors algorithm 130

    4.3.1 model framework 131

    4.3.2 data preprocessing 131

    4.3.3 the basic theory of multi-label k-nearest neiors 132

    4.3.4 evaluation of mlknn in terms of multi-label device recognition 134

    4.4 device recognition method based on multi-label neural

    4.4.1 model framework 137

    4.4.2 preprocessing of the raw data 137

    4.4.3 the basic theory of backpropagation multi-label learning 138

    4.4.4 evaluation of bpmll in terms of multi-iabel device recognition 138

    4.5 experiment analysis 139

    references 140

    5 smart non-intrusive device recognition based on intelligent clustering methods 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 fast global k-means clustering-based device recognition method 150

    5.2.1 the theoretical basis of k-means, gkm and fgkm 150

    5.2.2 ste of modeling 154

    5.2.3 clustering results 154

    5.3 dbscan based device recognition method 158

    5.3.1 the theoretical basis of dbscan 158

    5.3.2 ste of modeling 160

    5.3.3 clustering results 160

    5.4 experiment analysis 164

    references 166

    6 smart non-intrusive device recognition based on intelligent optimization methods 169

    6.1 introduction 169

    6.1.1 background 169

    6.1.2 steady-state current deition 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 nsga-ii based device recognition method 176

    6.2.1 the theoretical basis of nsga-ii 176

    6.2.2 model framework 177

    6.2.3 evaluation of nsga-ii model 178

    6.3 multi-object particle swarm optimization based device recognition method 182

    6.3.1 the theoretical basis of multi-object particle swarm optimization 182

    6.3.2 model framework 183

    6.3.3 evaluation of moo model 184

    6.4 multi-object grey wolf optimization based device recognition method 186

    6.4.1 the theoretical basis of multi-object grey wolf optimization 186

    6.4.2 model framework 187

    6.4.3 evaluation of mogwo model 187

    6.5 experiment analysis 190

    references 191

    7 smart non-intrusive device recognition based on ensemble methods 193

    7.1 introduction 193

    7.1.1 background 193

    7.1.2 data description 194

    7.1.3 feature extraction 197

    7.2 ensemble device recognition method based on optimized weighting strategy 198

    7.2.1 theoretical basis of base classifiers 198

    7.2.2 theoretical basis of optimized weighting strategy 199

    7.2.3 model framework 201

    7.2.4 analysis of weighting ensemble device recognition

    7.3 ensemble device recognition method based on boosting strategy 209

    7.3.1 theoretical basis of boosting strategy 209

    7.3.2 model framework 214

    7.3.3 analysis of boosting ensemble device recognition model 214

    7.4 experiment analysis 221

    7.4.1 parative analysis of classification performance 221

    7.4.2 conclusion 226

    references 226

    8 smart non-intrusive device recognition based on deep learning methods 229

    8.1 introduction 229

    8.2 deep learning device recognition method based on load sequence input 230

    8.2.1 non-intrusive device identification based on rnn work 231

    8.2.2 non-intrusive device identification based on lstm work 234

    8.2.3 non-intrusive load identification based on gru work 238

    8.3 deep learning device recognition method based on graph processing 240

    8.3.1 data conversion 240

    8.3.2 non-intrusive device identification based on n 241

    8.3.3 non-intrusive device identification based on alex 244

    8.3.4 non-intrusive device identification based on google 248

    8.4 experiment analysis 251

    8.4.1 experimental analysis of the load sequence-based device recognition 251

    8.4.2 experimental analysis of the graph processing based device recognition 253

    references 255

    9potential applications of smart device recognition in industry 259

    9.1 introduction 259

    9.2 electric and energy applications 260

    9.2.1 0verview of electricity and energy 260

    9.2.2 home energy management 264

    9.2.3 fault discrimination of users electric line 268

    9.3 plex electromechanical system applications 272

    9.3.1 0verview of plex electromechanical system problem analysis and solution research 273

    9.3.2 motor fault detection and motor energy management 274

    9.3.3 ship electromechanical system 281

    9.4 environmental pollution monitoring applications 283

    9.4.1 0verview of global environmental pollution and environmental monitoring 283

    9.4.2 non-intrusive spatial and temporal monitoring of air quality 284

    9.4.3 intelligent identification of environmental pollution sources in industrial parks 285

    9.5 0ther applications 287

    9.5.1 substations and distributed energy sources 287

    9.5.2 monitoring of mon problems in industrial production 289

    9.5.3 nilm health services for the elderly 289

    9.5.4 speech quality measurement 290

    references 291

  • 内容简介:
    在物联网迅速发展的当下，利用数据科学实现非侵入式的电气设备辨识对能源节约、机电控制技术发展等具有重要意义。本书详细介绍了设备辨识的智能分类方法，包括机器学习、深度学习、智能聚类、优化模型、集成学习、单标签和多标签识别模型等，并进行了大量的实验仿真对不同的设备辨识方法进行合理的评价，为数据科学技术在非侵入式设备识别中的发展提供了重要的参考。此外，本书还对传统的基于物理和模板匹配的解决方案进行了比较，并分析了智能设备辨识在工业中的巨大应用潜力，对智能设备辨识方法在工业中的应用有较高的参考价值。
  • 目录:


    1 introduction 1

    1.1 0verview of ubiquitous electric inter of things (ueiot) １

    1.1.1 features of ubiquitous electric inter of things 3

    1.1.2 ition of ubiquitous electric inter of things 3

    1.1.3 application prospect and value of ubiquitous electric inter of things 5

    1.2 key techniques of ueiot 8

    1.2.1 smart electric device recognition 8

    1.2.2 inter of things 9

    1.2.3 big data analysis 10

    1.2.4 cloud tforms 13

    1.2.5 putational intelligence 16

    1.2.6 smart model embed 19

    1.3smart device recognition in 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 different strategies for smart device recognition 30

    1.4.1clustering strategies for device recognition 31

    1.4.2 0ptimizing strategies for device recognition 32

    1.4.3 ensemble strategies for device recognition 33

    1.4.4 deep learning strategies for device recognition 34

    1.5 scope of the book 36

    references 37

    2 smart non-intrusive device recognition based on physical

    2.1 introduction 45

    2.2 device recognition method based on decision tree 45

    2.2.1 evaluation criteria 45

    2.2.2 basic definitions of physical features 47

    2.2.3 0riginal dataset 49

    2.2.4 the theoretical basis of decision tree 50

    2.3 device recognition method based on temte matching method 55

    2.3.1 the basic content of the temte matching method 55

    2.3.2 device recognition based on knn algorithm 56

    2.3.3 device recognition based on dtw algorithm 60

    2.4 device recognition method based on current deition 62

    2.4.1 introduction of the current deition method 62

    2.4.2 physical features of current deition 63

    2.5 experiment analysis 65

    2.5.1 mon optimization algorithms 65

    2.5.2 classification results 67

    2.5.3 summary 71

    references 73

    3 smart non-intrusive device recognition based on intelligent single-label classification methods 81

    3.1 introduction 81

    3.2 device recognition method based on support vector machine 82

    3.2.1 feature extraction 82

    3.2.2 ste of the model based on svm 86

    3.2.3 performance evaluation 87

    3.3 device recognition method based on extreme learning machine 90

    3.3.1 data process and feature extraction 90

    3.3.2 ste of the model based on extreme learning machine 91

    3.3.3 performance evaluation 93

    3.4 device recognition method based on artifi neural work 96

    3.4.1 data process and feature extraction 96

    3.4.2 ste of the multi-layer perceptron based model 97

    3.4.3 performance evaluation 98

    3.5 experiment analysis 101

    references 104

    4 smart non-intrusive device recognition based on intelligent multi-iabel classification methods 107

    4.1 introduction 107

    4.1.1 background 107

    4.1.2dataset used in the chapter 108

    4.2 device recognition method based on ranking support vector machine 108

    4.2.1 model framework 109

    4.2.2 data labeling 110

    4.2.3 feature extraction and reconstruction 113

    4.2.4 the basic theory of the ranking support vector machine 117

    4.2.5 multi-iabel classification evaluation indices 121

    4.2.6 evaluation of ranking svm in terms of multi-label device recognition 124

    4.3 device recognition method based on multi-label k-nearest neiors algorithm 130

    4.3.1 model framework 131

    4.3.2 data preprocessing 131

    4.3.3 the basic theory of multi-label k-nearest neiors 132

    4.3.4 evaluation of mlknn in terms of multi-label device recognition 134

    4.4 device recognition method based on multi-label neural

    4.4.1 model framework 137

    4.4.2 preprocessing of the raw data 137

    4.4.3 the basic theory of backpropagation multi-label learning 138

    4.4.4 evaluation of bpmll in terms of multi-iabel device recognition 138

    4.5 experiment analysis 139

    references 140

    5 smart non-intrusive device recognition based on intelligent clustering methods 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 fast global k-means clustering-based device recognition method 150

    5.2.1 the theoretical basis of k-means, gkm and fgkm 150

    5.2.2 ste of modeling 154

    5.2.3 clustering results 154

    5.3 dbscan based device recognition method 158

    5.3.1 the theoretical basis of dbscan 158

    5.3.2 ste of modeling 160

    5.3.3 clustering results 160

    5.4 experiment analysis 164

    references 166

    6 smart non-intrusive device recognition based on intelligent optimization methods 169

    6.1 introduction 169

    6.1.1 background 169

    6.1.2 steady-state current deition 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 nsga-ii based device recognition method 176

    6.2.1 the theoretical basis of nsga-ii 176

    6.2.2 model framework 177

    6.2.3 evaluation of nsga-ii model 178

    6.3 multi-object particle swarm optimization based device recognition method 182

    6.3.1 the theoretical basis of multi-object particle swarm optimization 182

    6.3.2 model framework 183

    6.3.3 evaluation of moo model 184

    6.4 multi-object grey wolf optimization based device recognition method 186

    6.4.1 the theoretical basis of multi-object grey wolf optimization 186

    6.4.2 model framework 187

    6.4.3 evaluation of mogwo model 187

    6.5 experiment analysis 190

    references 191

    7 smart non-intrusive device recognition based on ensemble methods 193

    7.1 introduction 193

    7.1.1 background 193

    7.1.2 data description 194

    7.1.3 feature extraction 197

    7.2 ensemble device recognition method based on optimized weighting strategy 198

    7.2.1 theoretical basis of base classifiers 198

    7.2.2 theoretical basis of optimized weighting strategy 199

    7.2.3 model framework 201

    7.2.4 analysis of weighting ensemble device recognition

    7.3 ensemble device recognition method based on boosting strategy 209

    7.3.1 theoretical basis of boosting strategy 209

    7.3.2 model framework 214

    7.3.3 analysis of boosting ensemble device recognition model 214

    7.4 experiment analysis 221

    7.4.1 parative analysis of classification performance 221

    7.4.2 conclusion 226

    references 226

    8 smart non-intrusive device recognition based on deep learning methods 229

    8.1 introduction 229

    8.2 deep learning device recognition method based on load sequence input 230

    8.2.1 non-intrusive device identification based on rnn work 231

    8.2.2 non-intrusive device identification based on lstm work 234

    8.2.3 non-intrusive load identification based on gru work 238

    8.3 deep learning device recognition method based on graph processing 240

    8.3.1 data conversion 240

    8.3.2 non-intrusive device identification based on n 241

    8.3.3 non-intrusive device identification based on alex 244

    8.3.4 non-intrusive device identification based on google 248

    8.4 experiment analysis 251

    8.4.1 experimental analysis of the load sequence-based device recognition 251

    8.4.2 experimental analysis of the graph processing based device recognition 253

    references 255

    9potential applications of smart device recognition in industry 259

    9.1 introduction 259

    9.2 electric and energy applications 260

    9.2.1 0verview of electricity and energy 260

    9.2.2 home energy management 264

    9.2.3 fault discrimination of users electric line 268

    9.3 plex electromechanical system applications 272

    9.3.1 0verview of plex electromechanical system problem analysis and solution research 273

    9.3.2 motor fault detection and motor energy management 274

    9.3.3 ship electromechanical system 281

    9.4 environmental pollution monitoring applications 283

    9.4.1 0verview of global environmental pollution and environmental monitoring 283

    9.4.2 non-intrusive spatial and temporal monitoring of air quality 284

    9.4.3 intelligent identification of environmental pollution sources in industrial parks 285

    9.5 0ther applications 287

    9.5.1 substations and distributed energy sources 287

    9.5.2 monitoring of mon problems in industrial production 289

    9.5.3 nilm health services for the elderly 289

    9.5.4 speech quality measurement 290

    references 291

查看详情
相关分类
工业技术 矿业工程 金属学与金属工艺 机械、仪表工业 能源与动力工程 原子能技术 电工技术 电子与通信 化学工业 轻工业、手工业 建筑 水利工程
目前没有书店销售此书
相关图书 / 更多
智能设备识别：泛在电力物联网（英文）
智能驾驶计算平台应用技术 行云新能科技(深圳)有限公司,邹海鑫,吴海东 等 编
行云新能科技有限公司（深圳）
￥29.09 起
智能设备识别：泛在电力物联网（英文）
智能财务数字财务
尚惠红；马靖昊；李向华；刘莉；责编:吕小军；谷兴华
￥9.00 起
智能设备识别：泛在电力物联网（英文）
智能化财税管理（微课版） 大中专公共经济管理 宋薇，杨向东，李淑红 新华正版
宋薇；杨向东；李淑红
￥27.00 起
智能设备识别：泛在电力物联网（英文）
智能建造简明教程 姜晨光 编
姜晨光 主编
￥27.90 起
智能设备识别：泛在电力物联网（英文）
智能网联汽车蓝皮书:中国智能网联汽车产业发展报告(2023-2024)
中国汽车工程学会国家智能网联汽车创新中心 主编著
￥125.10 起
智能设备识别：泛在电力物联网（英文）
智能网联汽车概论 第2版 崔胜民 编
崔胜民
￥18.48 起
智能设备识别：泛在电力物联网（英文）
智能建筑概论(第4版)
伍培；侯珊珊；郑洁
￥14.37 起
智能设备识别：泛在电力物联网（英文）
智能制造专业英语
王知鸷 编；吴王平；江鹏
￥11.06 起
智能设备识别：泛在电力物联网（英文）
智能经济导论
杨述明
￥37.39 起
智能设备识别：泛在电力物联网（英文）
智能门禁系统的设计与制作——基于课程标准的项目化学习/项目化学习慕课研修手册
徐墨涵
￥8.71 起
智能设备识别：泛在电力物联网（英文）
智能信息感知技术
缑水平
￥30.05 起
智能设备识别：泛在电力物联网（英文）
智能底盘关键技术及应用：线控执行、融合控制、失效运行 张俊智 吴艳 王丽芳 何承坤
张俊智吴艳王丽芳何承坤
￥110.61 起
您可能感兴趣 / 更多
智能设备识别：泛在电力物联网（英文）
逻辑学教程 第3版 刘辉,路博 编
刘辉；路博
￥21.98 起
智能设备识别：泛在电力物联网（英文）
中国金融法学(第四版) 刘辉,刘定华 著
刘辉；刘定华
￥30.94 起
智能设备识别：泛在电力物联网（英文）
现代电子系统综合设计与实践
刘辉；王征
￥39.50 起
智能设备识别：泛在电力物联网（英文）
大规模风电接入弱电网运行控制技术
刘辉；杜维柱；吴林林
￥45.00 起
智能设备识别：泛在电力物联网（英文）
Linux操作系统原理与安全 微课视频版
刘辉；刘民崇；徐曼
￥25.20 起
智能设备识别：泛在电力物联网（英文）
中国中铁十大工法
刘辉；李昌宁
￥40.98 起
智能设备识别：泛在电力物联网（英文）
水利BIM从0到1
刘辉；欧阳明鉴
￥12.00 起
智能设备识别：泛在电力物联网（英文）
血液系统病例经验与启示
刘辉；王景文
￥4.00 起
© 2002-2024 Kongfz.com 孔夫子旧书网 版权所有
关于孔网 联系我们 帮助中心 版权隐私 广告业务 工作机会 移动版 图书目录 图书标签 热搜书籍 作家大全