本书介绍了感知数据分析与计算的关键技术方法和典型案例，具体内容主要包括静态数据（概率统计、误差）和动态数据（随机过程、信号），以及机器学习和深度学习。其中，静态和动态数据分析与计算从统计的角度揭示隐藏在数据中的规律，对收集到的数据进行处理与分析，提取有价值的信息，得到特征统计结果。机器学习以数据或已有经验为基础，从大量的、不完全的、有噪声的、模糊的、随机的实际数据中，挖掘隐藏在数据中的信息。深度学习将归纳偏差建立成神经网络的层次化表示，找到高维数据（如信号和图像）的低维表示（特征）。在分析复杂问题方面，提供了静态和动态、信号和图像等方面的工程问题和算法思路；在基础问题方面，提供参考程序代码。 本书可供从事智能感知工程、计算机科学与技术、人工智能科学与技术、仪器仪表工程、精密仪器、控制科学与工程、数据科学与技术、智能科学与技术和物联网工程等领域的科研人员、工程技术人员以及高等院校师生参考。

前言
第1章 绪论
1.1 测量与计量
1.2 智能感知与计算
1.2.1 传感器的基本原理
1.2.2 智能感知系统
1.2.3 物联网与信息物理融合
1.3 传感器的性能指标
1.3.1 静态特性
1.3.2 动态特性的时域分析
1.3.3 动态特性的频域分析
1.3.4 FBG温度传感器的静态特性
1.4 本书主要工作
参考文献
第2章 静态数据与误差分析
2.1 概率
2.1.1 事件概率
2.1.2 随机变量及概率分布
2.1.3 随机变量的数字特征
2.1.4 信息熵
2.2 统计推断
2.2.1 样本与抽样分布
2.2.2 统计估计
2.2.3 假设检验
2.3 线性模型
2.3.1 最小二乘法拟合
2.3.2 相关分析
2.3.3 方差分析
2.3.4 CFRP-FBG加固混凝土结构的抗裂性能
2.4 测量误差
2.4.1 粗大误差
2.4.2 系统误差
2.4.3 压力约束混凝土结构的热应变响应
2.5 测量不确定度评估
2.5.1 标准测量不确定度的A类评估方法
2.5.2 标准测量不确定度的B类评估方法
2.5.3 合成不确定度评估
2.5.4 扩展不确定度评估
2.5.5 直流电子式电流互感器校验仪测试
参考文献
第3章 动态数据与信号处理
3.1 随机过程
3.1.1 随机过程的分布
3.1.2 随机过程的数字特征
3.1.3 Markov过程
3.1.4 平稳随机过程
3.1.5 GPR信号混叠的双排钢筋识别与定位
3.2 时间序列分析
3.2.1 平稳时间序列分析
3.2.2 自回归模型拟合
3.2.3 AR(p)序列预测
3.3 谱估计
3.3.1 经典谱估计
3.3.2 参数建模
3.4 时频分析
3.4.1 短时Fourier变换
3.4.2 小波分析
3.4.3 小波包
3.4.4 提升小波
3.4.5 Wigner-Ville分布
3.4.6 经验模式分解
3.4.7 Hilbert谱分析
3.4.8 GPR信号振幅与相位特征的破碎带识别
3.4.9 基于STFT的φ-OTDR多频分解相干衰落抑制算法
参考文献
第4章 统计机器学习
4.1 统计机器学习的基本概念
4.1.1 模型假设空间
4.1.2 模型选择准则
4.1.3 模型学习算法
4.1.4 模型评价
4.2 监督学习
4.2.1 感知器
4.2.2 k近邻法
4.2.3 logistic回归
4.2.4 Bayes分类器
4.2.5 EM算法
4.2.6 支持向量机
4.3 无监督学习
4.3.1 聚类
4.3.2 主成分分析
4.3.3 核主成分分析
4.3.4 融合TSP和GPR探测信号的裂隙水识别
4.4 半监督学习
4.4.1 Gaussian混合模型生成
4.4.2 转换支持向量机
参考文献
第5章 深度学习
5.1 神经网络
5.2 深度学习的基本结构
5.2.1 卷积神经网络
5.2.2 循环神经网络
5.2.3 长短期记忆神经网络
5.2.4 自编码器
5.2.5 基于多双曲特性注意力机制的Faster R-CNN的钢筋识别
5.3 深度学习中的常用策略
5.3.1 生成对抗学习
5.3.2 迁移学习
5.3.3 元学习
5.3.4 终身机器学习
5.3.5 基于VAE-GAN抑制钢筋产生的GPR多次反射干扰信号
5.3.6 基于图像迁移模型的雷达数据中隧道衬砌识别与厚度估计
5.4 Transformer架构与大语言模型
5.4.1 自监督学习
5.4.2 注意力机制
5.4.3 Transformer神经网络架构
5.4.4 大语言模型
5.4.5 基于Transformer的MRI图像超分辨率
参考文献
术语对照表