人工智能與智能製造：概念與方法

序一
序二
前言

第1章　機器學習方法 1
1.1　引言 1
1.2　學習模型的全域視角 2
1.3　學習技術的分類 8
1.4　機器學習方法 14
1.5　結論 23
致謝 24
參考文獻 24

第2章　從數據中學習第一性原理知識 29
2.1　引言 29
2.2　分析製造業數據的方法 30
2.3　模型選擇與超參數搜索的自動化 41
2.4　結論 44
參考文獻 45

第3章　卷積神經網路：基本概念及其在製造業中的應用 48
3.1　引言 48
3.2　數據對象與數學表徵 50
3.3　卷積神經網路架構 54
3.4　案例研究 59
3.5　結論 74
致謝 75
參考文獻 75

第4章　稀疏數學規劃及其在控制方程基礎學習中的應用 81
4.1　引言 81
4.2　問題定義 82
4.3　物理信息化機器學習 85
4.4　基於回歸的方法 88
4.5　基於數學規劃的技術 92
4.6　滾動時域在間歇化學過程的應用實例 97
4.7　結論 102
參考文獻 102

第5章　數據驅動的優化演算法 105
5.1　引言 105
5.2　數據驅動的優化演算法途徑 106
5.3　應用於大規模製造系統的數據驅動的優化演算法 116
5.4　針對其他問題類別的擴展 117
5.5　備註 126
5.6　結論 127
參考文獻 127

第6章　機器學習在（生物）化學製造系統控制中的應用 144
6.1　引言 144
6.2　（生物）化學過程 146
6.3　ML-Oracle與機器學習方法概述 153
6.4　機器學習支持的建模在監督和控制中的應用 164
6.5　通過機器學習實現控制 172
6.6　結論 178
參考文獻 180

第7章　從數據中學習第一性原理系統知識：穩定性與安全性及其在示範學習中的應用 192
7.1　引言 192
7.2　使用動態系統原語學習機器人運動 197
7.3　結論 206
致謝 208
參考文獻 208

第8章　人工智慧在材料損傷診斷和預測中的應用 212
8.1　引言 212
8.2　人工智慧方法在材料損傷診斷和預測中的應用 215
8.3　人工智慧方法在損傷診斷和預測領域的挑戰與機遇 235
8.4　結論 236
參考文獻 237

第9章　人工智慧在機械加工過程監控中的應用 245
9.1　引言 245
9.2　數據採集系統 248
9.3　特徵工程與機器學習 251
9.4　信號分解方法 264
9.5　深度學習 266
9.6　遷移學習 270
9.7　結論 273
致謝 273

參考文獻 274