• Produktbild: Statistical Process Monitoring Using Advanced Data-Driven and Deep Learning Approaches
  • Produktbild: Statistical Process Monitoring Using Advanced Data-Driven and Deep Learning Approaches

Statistical Process Monitoring Using Advanced Data-Driven and Deep Learning Approaches Theory and Practical Applications

147,99 €

inkl. gesetzl. MwSt., Versandkostenfrei


Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

15.07.2020

Verlag

Elsevier Science & Technology

Seitenzahl

328

Maße (L/B/H)

22,9/15,2/1,8 cm

Gewicht

441 g

Sprache

Englisch

ISBN

978-0-12-819365-5

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

15.07.2020

Verlag

Elsevier Science & Technology

Seitenzahl

328

Maße (L/B/H)

22,9/15,2/1,8 cm

Gewicht

441 g

Sprache

Englisch

ISBN

978-0-12-819365-5

EU-Ansprechpartner

Zeitfracht Medien GmbH
Ferdinand-Jühlke-Straße 7|99095|Erfurt|DE
produktsicherheit@zeitfracht.de

Herstelleradresse

Elsevier Science & Technology
125 London Wall|EC2Y 5AS|London|GB
tradeorders@elsevier.com

Ein neues Kapitel für Ihre Bücher

Ein neues Kapitel für Ihre Bücher

Schenken Sie Ihren alten Schätzen ein zweites Leben und erhalten dafür eine Thalia Geschenkkarte.

Jetzt verkaufen
Jetzt verkaufen

Noch keine Bewertungen vorhanden

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.

Kundinnen und Kunden meinen

Bewertungen (0)

Die Leseprobe wird geladen.
  • Produktbild: Statistical Process Monitoring Using Advanced Data-Driven and Deep Learning Approaches
  • Produktbild: Statistical Process Monitoring Using Advanced Data-Driven and Deep Learning Approaches
  • 1. Introduction

    2. Linear Latent Variable Regression (LVR)-Based Process Monitoring

    3. Fault Isolation

    4. Nonlinear latent variable regression methods

    5. Multiscale latent variable regression-based process monitoring methods

    6. Unsupervised deep learning-based process monitoring methods

    7. Unsupervised recurrent deep learning schemes for process monitoring

    8. Case studies

    9. Conclusions and future perspectives