利用高级数据驱动和深度学习方法，结合单变量和传统多变量技术的优势，提高其性能，拓宽其实际应用范围，解决了过程监控中的多变量挑战。本书继续融合了浅层学习方法的理想属性——如单类支持向量机、k近邻和无监督深度学习方法——以开发更复杂和有效的监控技术。最后，开发的方法应用于监测许多过程，如废水处理厂，自主机器人和车辆的驾驶环境中的障碍检测，机器人群，化学过程(连续搅拌槽反应器，塞流反应器和蒸馏塔)，臭氧污染，道路交通拥堵，还有太阳能光伏系统。
使用基于数据驱动的方法进行故障检测和归因
深入了解复杂和多元系统中的故障检测和归因
熟悉最适合的基于数据驱动的技术，包括多元统计技术和基于深度学习的方法
包括案例研究和不同方法的比较
2022-04-30 19:08:05
26.09MB
Markov Decision Process (MDP) Algorithm.zip，这是一份不错的文件
2022-04-29 13:00:50
6KB
该开放式软件包旨在解决频率分布，运行图，X图，R图，X条和S图，R条和R图，X和MR图，标准偏差，控制极限，过程能力，p和np型图表，c和u型图表。
2022-04-29 12:06:49
572KB
1
Process Mining: Overview and Opportunities文章翻译
2022-04-28 14:04:35
977KB
1
The aim of this book is to provide the reader with a fairly thorough treatment
of the main body of basic and classical probability theory, preceded by
an introduction to the mathematics which is necessary for a solid treatment
of the material.
2022-04-23 11:57:52
2.31MB
1
process-scheduling-algorithms：C ++中的调度算法程序
2022-04-21 11:26:52
8KB
1
层次分析法 (AHP) 是一种简单的技术，由 Thomas L. Saaty 在 1970 年代开发，用于组织和分析复杂的多目标决策。它结合了定量和定性分析元素，并在群体决策中得到应用。该技术的理念是将问题分解为更容易理解的子问题的层次结构，每个子问题都可以独立分析。一旦建立了层次结构，决策者通过一次将它们与另外两个进行比较来系统地评估其各种元素，关于它们对层次结构中高于它们的元素的影响。AHP 将这些评估转换为可以在整个问题范围内处理和比较的数值。为层次结构的每个元素派生一个数字权重，允许以一种合理且一致的方式相互比较不同且通常无法比较的元素。在该过程的最后一步，计算每个决策备选方案的数值权重。这些权重代表备选方案实现目标的相对能力。
该功能有助于：
• 简单的层次分析法实施
• 多个决策者
• 分析网络过程（ANP）：层次分析法的概括，它结合了决策标准和选项之间的依赖关系和反馈。
• 模糊AHP 和ANP：这是简单AHP 和ANP 的特殊版本，适用于决策标准和备选方案的相对重要性不确定的模糊环境。
• 模拟：AHP 和 ANP 的基于 Monte-Carlo 模拟的方法，允许比较权
2022-04-15 13:06:59
13KB
SAP PO，SAP PI ,SAP XI，SAP Process Orchestration(ESB)，SOA，服务总线，系统集成，优质资料,资料新
2022-04-13 17:04:15
5.11MB
1