| 作者 |
| 阿米塔·卡普尔 贝蒂·普林斯 戴维·普林斯 |
| 丛书名 |
| 物联网核心技术丛书 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9782109071534 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 ---------------------------8083668 - AIoT系统开发：基于机器学习和Python深度学习--------------------------- 本书重点阐述利用机器学习、深度学习、自然语言处理等多种方法，以及当前流行的Python库——Tensorflow和Keras构建实时数据的智能物联网IOT系统。还给出了工业物联网、智能城市和家庭自动化等物联网主要应用领域的实际案例。 ---------------------------8064259 - 智能物联网的存储器设计与实现--------------------------- 本书涵盖了一系列先进的物联网嵌入式存储器实现，阐述了用于物联网设备的超低功耗存储器，讲述了用于医疗电子等特殊应用的塑料电路和聚合物电路；探讨了具有嵌入式存储器的微控制器，用于多种互联网设备的智能控制；详述了用铁电RAM（FeRAM）、电阻式RAM（RRAM）和磁阻式RAM（MRAM）技术制作神经形态存储器，用于收集、处理和表示物联网硬件生成的大量数据。本书还特别介绍了与互补金属氧化物半导体（CMOS）兼容的存储器技术，包括嵌入式浮栅和电荷捕获EEPROM/闪存以及FeRAM、FeFET、MRAM和RRAM。 本书特色 为一系列产品应用提供最新的、高度实用的物联网存储器实现方案 基于作者在该领域的丰富经验，将基础科学与物联网存储技术相结合 着重物联网存储器实际和最新的应用 含有大量插图、表格、应用程序和图片 涉及物联网设备中与存储器相关的安全问题 |
| 目录 |
| [套装书具体书目] 8064259 - 智能物联网的存储器设计与实现 - 9787111637189 - 机械工业出版社 - 定价 99 8083668 - AIoT系统开发：基于机器学习和Python深度学习 - 9787111688082 - 机械工业出版社 - 定价 89 ---------------------------8083668 - AIoT系统开发：基于机器学习和Python深度学习--------------------------- 译者序 前言 作者简介 审阅者简介 第1章 物联网与人工智能的原理和基础 1 1.1 什么是物联网 1 1.1.1 物联网参考模型 3 1.1.2 物联网平台 4 1.1.3 物联网垂直领域 4 1.2 大数据和物联网 5 1.3 人工智能的注入：物联网中的数据科学 6 1.3.1 数据挖掘跨行业标准流程 7 1.3.2 人工智能平台和物联网平台 8 1.4 本书使用的工具 9 1.4.1 TensorFlow 9 1.4.2 Keras 10 1.4.3 数据集 11 1.5 小结 13 第2章 面向物联网的数据访问和分布式处理 14 2.1 TXT格式 14 2.1.1 使用Python读写TXT文件 15 2.2 CSV格式 16 2.2.1 使用csv模块读写CSV文件 16 2.2.2 使用pandas模块读写CSV文件 18 2.2.3 使用NumPy模块读写CSV文件 20 2.3 XLSX格式 20 2.3.1 使用OpenPyXl模块读写XLSX文件 21 2.3.2 使用pandas模块读写XLSX文件 22 2.4 JSON格式 22 2.4.1 使用JSON模块读写JSON文件 22 2.4.2 使用pandas模块读写JSON文件 23 2.5 HDF5格式 24 2.5.1 使用PyTables模块读写HDF5文件 24 2.5.2 使用pandas模块读写HDF5文件 25 2.5.3 使用h5py模块读写HDF5文件 26 2.6 SQL数据 27 2.6.1 SQLite数据库引擎 27 2.6.2 MySQL数据库引擎 29 2.7 NoSQL数据 29 2.8 HDFS分布式文件系统 31 2.8.1 使用hdfs3模块操作HDFS 31 2.8.2 使用PyArrow 的文件系统接口操作HDFS 32 2.9 小结 32 第3章 用于物联网的机器学习 33 3.1 机器学习与物联网 33 3.2 学习范式 34 3.3 用线性回归进行预测 35 3.3.1 用回归预测电力输出 36 3.4 分类的逻辑回归 39 3.4.1 交叉熵损失函数 40 3.4.2 用逻辑回归分类葡萄酒 40 3.5 用支持向量机分类 42 3.5.1 最大间隔分类超平面 43 3.5.2 核技巧 44 3.5.3 用SVM分类葡萄酒 45 3.6 朴素贝叶斯分类器 47 3.6.1 用高斯朴素贝叶斯分类器评估葡萄酒质量 47 3.7 决策树 49 3.7.1 scikit 中的决策树 51 3.7.2 决策树实践 52 3.8 集成学习 54 3.8.1 投票分类器 54 3.8.2 bagging与pasting 55 3.9 改进模型的窍门与技巧 56 3.9.1 特征缩放以解决不均匀的数据尺度 56 3.9.2 过拟合 57 3.9.3 “没有免费的午餐”定理 58 3.9.4 超参数调整和网格搜索 58 3.10 小结 59 第4章 用于物联网的深度学习 60 4.1 深度学习基础 60 4.1.1 深度学习为何如此流行 62 4.1.2 人工神经元 62 4.1.3 在TensorFlow中建模单个神经元 67 4.2 用于回归和分类任务的多层感知器 71 4.2.1 反向传播算法 72 4.2.2 使用TensorFlow中的MLP进行电力输出预测 74 4.2.3 使用TensorFlow中的MLP进行葡萄酒质量分类 77 4.3 卷积神经网络 80 4.3.1 CNN中的不同层 80 4.3.2 一些流行的CNN模型 83 4.3.3 用LeNet识别手写数字 84 4.4 递归神经网络 88 4.4.1 长短时记忆网络 90 4.4.2 门控递归单元 93 4.5 自编码器 94 4.5.1 去噪自编码器 95 4.5.2 变分自编码器 95 4.6 小结 96 第5章 用于物联网的遗传算法 97 5.1 优化 97 5.1.1 确定与分析方法 99 5.1.2 自然优化方法 101 5.2 遗传算法概论 103 5.2.1 遗传算法 104 5.2.2 优点与缺点 106 5.3 使用Python中的分布式进化算法编写遗传算法代码 107 5.3.1 猜词 107 5.3.2 CNN架构的遗传算法 111 5.3.3 用于LSTM优化的遗传算法 117 5.4 小结 120 第6章 用于物联网的强化学习 121 6.1 引言 121 6.1.1 强化学习术语 122 6.1.2 成功案例 125 6.2 仿真环境 126 6.2.1 OpenAI gym 127 6.3 Q-学习 129 6.3.1 用Q-表解决出租车落客问题 130 6.4 Q-网络 132 6.4.1 用Q-网络解决出租车落客问题 133 6.4.2 用DQN玩Atari游戏 135 6.4.3 双DQN 143 6.4.4 决斗 DQN 143 6.5 策略梯度 144 6.5.1 为何使用策略梯度 145 6.5.2 使用策略梯度玩Pong游戏 145 6.5.3 演员–评论家算法 149 6.6 小结 150 第7章 用于物联网的生成式模型 151 7.1 引言 152 7.2 用VAE生成图像 152 7.2.1 在TensorFlow中实现VAE 153 7.3 GAN 158 7.3.1 在TensorFlow中实现vanilla GAN 159 7.3.2 深度卷积GAN 163 7.3.3 GAN的变体及其应用 168 7.4 小结 170 第8章 面向物联网的分布式人工智能 171 8.1 引言 171 8.1.1 Spark组件 172 8.2 Apache MLlib 173 8.2.1 MLlib中的回归 173 8.2.2 MLlib中的分类 177 8.2.3 使用SparkDL的迁移学习 179 8.3 H2O.ai简介 183 8.3.1 H2O AutoML 184 8.3.2 H2O中的回归 184 8.3.3 H2O中的分类 189 8.4 小结 191 第9章 个人物联网和家庭物联网 193 9.1 个人物联网 193 9.1.1 MIT的超级鞋 194 9.1.2 持续血糖监测 195 9.1.3 心律监测器 198 9.1.4 数字助理 200 9.2 物联网和智能家居 200 9.2.1 人类活动识别 201 9.2.2 智能照明 206 9.2.3 家庭监控 207 9.3 小结 208 第10章 人工智能用于工业物联网 209 10.1 人工智能工业物联网简介 209 10.1.1 一些有趣的用例 210 10.2 使用人工智能进行预测性维护 211 10.2.1 使用长短时记忆网络的预测性维护 212 10.2.2 预测性维护的优缺点 221 10.3 工业用电负荷预测 222 10.3.1 使用LSTM实现STLF 222 10.4 小结 225 第11章 人工智能用于智慧城市物联网 226 11.1 为什么需要智慧城市 226 11.2 智慧城市的组成部分 227 11.2.1 智能交通管理 228 11.2.2 智能停车 228 11.2.3 智能垃圾管理 229 11.2.4 智能警务 230 11.2.5 智能照明 230 11.2.6 智能治理 231 11.3 适应智慧城市的物联网和必要步骤 231 11.3.1 拥有开放数据的城市 232 11.3.2 利用旧金山的犯罪数据来侦查犯罪 234 11.4 挑战和收益 236 11.5 小结 237 第12章 组合应用 238 12.1 处理不同类型的数据 238 12.1.1 时间序列建模 239 12.1.2 文本数据预处理 243 12.1.3 图像的数据增强 245 12.1.4 视频文件处理 247 12.1.5 音频文件作为输入数据 248 12.2 云计算 251 12.2.1 AWS 251 12.2.2 谷歌云平台 252 12.2.3 微软Azure 252 12.3 小结 252 ---------------------------8064259 - 智能物联网的存储器设计与实现--------------------------- 译者序 前言 第1章 智慧城市—智能物联网的原型 1 1.1 概述 1 1.2 智慧城市 1 1.3 智能商务—智慧城市的要素 2 1.3.1 智能库存控制 2 1.3.2 智能配送 3 1.3.3 利用人工智能进行智能营销 3 1.4 智能住宅 3 1.5 人—智能互联家居的中心 4 1.5.1 可穿戴电子产品 4 1.5.2 控制电子设备 5 1.6 智能个人交通 5 1.6.1 智能汽车概述 5 1.6.2 驾驶辅助系统 5 1.6.3 发动机处理器 6 1.6.4 车身处理器 7 1.6.5 信息娱乐处理器 7 1.6.6 自动驾驶汽车 7 1.7 智能交通网络 7 1.7.1 智能公共运输网络 7 1.7.2 个人汽车交通管理 8 1.7.3 智能高速公路 8 1.8 智能能源网络 9 1.8.1 智能电表 9 1.8.2 智能电网 9 1.9 智能互联楼宇 10 1.9.1 智能办公楼 10 1.9.2 智能工厂 11 1.9.3 智能医院 11 1.9.4 智能公共建筑 12 1.10 想法 12 参考文献 12 第2章 智能物联网存储器应用 14 2.1 简介 14 2.2 各种非易失性嵌入式存储器特性的比较 15 2.2.1 嵌入式EEPROM、闪存和熔丝器件 15 2.2.2 嵌入式新兴存储器在MCU中的应用 16 2.2.3 嵌入式非易失性存储器在各种应用中的必要属性 17 2.3 支持能量采集、具有嵌入式存储器的超低功耗MCU电路 19 2.3.1 采用能量采集的超低功耗MCU简介 19 2.3.2 支持能量采集、具有嵌入式闪存的超低功耗MCU 20 2.3.3 支持能量采集、具有嵌入式FeRAM存储器的超低功耗MCU 20 2.3.4 支持能量采集、具有嵌入式RRAM存储器的超低功耗MCU 21 2.3.5 支持能量采集电源管理的超低功耗MCU 22 2.4 超低功耗电池供电的闪存MCU 22 2.4.1 超低功耗电池供电的闪存MCU简介 22 2.4.2 具有嵌入式闪存的超低功耗电池供电的闪存MCU 23 2.4.3 具有嵌入式RRAM的超低功耗电池供电MCU 23 2.4.4 具有嵌入式FeRAM的超低功耗电池供电MCU 24 2.5 使用新兴存储器实现非易失性逻辑的非易失性MCU 26 2.5.1 使用FeRAM的非易失性逻辑阵列 26 2.5.2 使用MTJ MRAM的非易失性逻辑阵列 28 2.5.3 用于非易失性逻辑阵列的RRAM处理器 30 2.6 存储器传感器标签的通信协议 34 2.6.1 射频识别标签 34 2.6.2 近场通信 34 2.6.3 基于蓝牙的信标和传感器节点 36 2.6.4 具有Wi-Fi的物联网设备 38 2.6.5 具有USB连接功能的物联网设备 39 2.6.6 单线连接 40 2.6.7 ZigBee接口 40 2.6.8 ANT接口 40 2.7 可穿戴医疗设备 40 2.7.1 可穿戴医疗设备概述 40 2.7.2 使用FeRAM存储器的微型助听器 41 2.7.3 使用CB-RAM存储器的人体传感器节点平台 41 2.7.4 以存储为主使用MRAM的医疗保健系统 42 2.7.5 具有NFC和嵌入式eFeRAM存储器的可穿戴生物监测 42 2.7.6 使用FeRAM并配备ECG处理器的可穿戴医疗保健系统 43 2.8 低功耗电池供电的医疗设备和系统 45 2.8.1 低功耗电池供电医疗设备概述 45 2.8.2 使用eFlash的低功耗电池供电医疗设备 45 2.8.3 使用嵌入式新兴存储器的低功耗电池供电医疗设备 48 2.8.4 医疗系统的安全性 49 2.9 汽车网络应用 50 2.9.1 汽车应用概述 50 2.9.2 早期的高级汽车驾驶员辅助系统 52 2.9.3 最近的高级驾驶员辅助系统 54 2.9.4 汽车导航和定位 54 2.9.5 发动机盖下的应用 55 2.9.6 用于发动机盖下应用的MONOS存储器 56 2.9.7 汽车信息娱乐系统 57 2.9.8 安全汽车 57 2.9.9 汽车车身处理器 58 2.10 智能电网和数码智能电表 58 2.10.1 智能电表市场概述 58 2.10.2 具有嵌入式闪存的智能电表芯片 58 2.10.3 具有大容量嵌入式闪存的智能电表芯片 58 2.11 消费者家庭系统和网络 61 2.11.1 远程控制 61 2.11.2 环境传感器 62 2.11.3 家庭网络系统 62 2.12 具有嵌入式存储器的电机控制芯片 62 2.12.1 使用嵌入式存储器的小型系统电机控制 62 2.12.2 使用嵌入式MONOS存储器的多电机控制 63 2.12.3 使用嵌入式NV FeRAM的电机控制 63 2.13 高级应用中的智能芯片卡 63 2.14 用于物联网的大数据服务器中 存储器的层次结构分析 64 参考文献 66 第3章 用于智能物联网的嵌入式闪存和EEPROM 73 3.1 智能物联网eFlash和eEEPROM简介 73 3.1.1 智能物联网eFlash和eEEPROM 73 3.1.2 物联网中嵌入式闪存的应用需求 74 3.2 用于物联网的单层多晶硅浮栅eFlash/EEPROM单元 75 3.2.1 物联网应用中的单层多晶硅浮栅eFlash/EEPROM概述 75 3.2.2 早期的单层多晶硅浮栅EEPROM 75 3.2.3 用于特殊应用的单层多晶硅EEPROM单元 79 3.2.4 多次可编程单层多晶硅嵌入式非易失性存储器 81 3.2.5 最近的单层多晶硅全CMOS嵌入式EEPROM器件 85 3.2.6 高压CMOS中的单层多晶硅eNVM 87 3.3 使用多个单层多晶硅CMOS逻辑晶体管的嵌入式闪存单元 88 3.4 浮栅嵌入式闪存的分栅技术 92 3.4.1 早期的分栅嵌入式闪存浮栅技术 92 3.4.2 分栅存储器的发布、外设和特定应用的浮栅分栅存储器 96 3.4.3 小于50nm的先进分栅浮栅技术 102 3.5 堆叠闪存和处理器TSV集成 104 3.6 OTP/MTP嵌入式Flash单元和熔丝 104 3.7 具有堆叠栅极结构的双层多晶硅闪存 106 3.8 电荷捕获嵌入式闪存 109 3.8.1 早期的嵌入式电荷捕获存储器概述 109 3.8.2 嵌入式40nm电荷捕获（MONOS）闪存MCU 111 3.8.3 嵌入式28nm电荷捕获（MONOS）闪存MCU 113 3.8.4 嵌入式应用的专用1T-MONOS 闪存宏 115 3.8.5 FinFET SG-MONOS 116 3.8.6 嵌入式电荷捕获（SONOS）NOR闪存 117 3.8.7 高压CMOS中的嵌入式2TSONOS NVM 119 3.8.8 自对准氮化逻辑NVM 120 3.8.9 p沟道SONOS嵌入式闪存 121 3.8.10 低能耗应用中的电荷捕获嵌入式闪存 122 3.8.11 DT BE-SONOS性能的阻挡氧化物和隧道氧化物 122 3.8.12 新型嵌入式电荷捕获存储器 123 3.9 分栅CT eFlash纳米晶体存储 127 3.10 新型嵌入式闪存 129 参考文献 130 第4章 薄膜聚合物和柔性存储器 136 4.1 概述 136 4.2 有机铁电存储器 136 4.2.1 有机铁电存储器的特性和特点 136 4.2.2 可印刷铁电嵌入式存储器 140 4.2.3 薄膜铁电存储器的物联网应用 144 4.3 聚合物铁电隧道结 145 4.4 具有柔性基板的聚合物电阻式RAM的类型和特性 146 4.4.1 具有柔性基板的聚合物电阻式RAM概述 146 4.4.2 基于聚对二甲苯-C的电阻式RAM 146 4.4.3 Cu原子开关 147 4.4.4 柔性基板上的无机薄膜电阻式RAM 150 4.4.5 IZO和IGZO电阻式RAM存储器 152 4.4.6 具有柔性基板的其他聚合物电阻式RAM 153 4.5 柔性基片上的电荷捕获纳米粒子（NP）存储器 159 4.5.1 柔性基片上的电荷捕获NP存储器概述 159 4.5.2 具有柔性衬底的碳纳米管电荷捕获存储器 159 4.5.3 喷墨印刷纳米粒子存储器 160 4.5.4 柔性基板上的其他纳米粒子电荷捕获存储器 161 4.6 将常规存储器芯片转移到柔性基板上 163 4.6.1 使用SOI基片转移硅片 164 4.6.2 使用底层空腔创建薄芯片 165 4.6.3 用于在柔性基板上组装硅芯片的扇出型晶圆级封装 166 参考文献 170 第5章 使用新兴NV存储器件的神经形态计算 175 5.1 神经形态系统中电阻式RAM和铁电RAM的概述 175 5.2 各种电阻式RAM用作神经形态系统中的突触 175 5.2.1 金属氧化物电阻式RAM作为突触 175 5.2.2 导电桥RRAM作为突触 178 5.2.3 相变存储器作为突触 179 5.2.4 PCMO RRAM作为突触 179 5.2.5 可同时增强和抑制的RRAM 180 5.2.6 其他具有模拟特性的非易失性存储器 181 5.3 3D神经形态存储器 182 5.3.1 作为密集TSV 3D结构的神经形态架构 182 5.3.2 3D垂直RRAM作为连接神经元的突触 182 5.4 RRAM作为突触器件的建模和表征 186 5.5 脉冲神经网络、STDP、增强和抑制 187 5.5.1 脉冲神经网络简介 187 5.5.2 混合RRAM/CMOS STDP神经形态系统 187 5.5.3 记忆突触和神经元系统 191 5.5.4 新型RRAM突触的应用 193 5.6 使用铁电RAM技术的神经网络系统 195 5.6.1 使用铁电存储器突触的神经网络电路 195 5.6.2 在神经网络电路中使用FeMEM 196 5.6.3 神经形态电路中的铁电隧道结 197 5.7 使用相变存储器的早期神经形态计算机 198 5.8 神经形态系统设计和应用中的电阻式RAM 201 5.8.1 用于神经形态计算的突触器件的设计 201 5.8.2 在各种神经形态计算应用中使用RRAM 202 5.8.3 用于神经形态计算的大型RRAM阵列设计 202 5.8.4 RRAM相对于SRAM交叉阵列在矩阵乘法中的优势 204 5.9 使用聚合物和柔性存储器的神经形态存储器 204 参考文献 207 第6章 大数据搜索引擎和深度计算机 210 6.1 大数据搜索引擎和深度计算机概述 210 6.2 使用各种新兴非易失性存储器制作的内容可寻址存储器 210 6.2.1 使用电阻式RAM的三元CAM 211 6.2.2 使用磁存储器制作的CAM 212 6.2.3 使用其他新兴存储器的CAM 214 6.3 大型搜索引擎和人工神经网络的构成 214 6.3.1 使用RRAM的大型搜索引擎的查找表 214 6.3.2 使用STT MRAM的大型人工神经网络 216 6.4 深度学习系统中的存储器问题 218 6.4.1 SRAM和RRAM突触阵列的分区问题 218 6.4.2 极限学习机架构的RRAM可变性问题 220 6.4.3 受限玻耳兹曼机中RRAM存储器的问题 220 6.4.4 使用存储器突触的大型神经网络 222 6.5 物联网的深度神经网络 225 6.5.1 物联网深层神经网络的类型 225 6.5.2 含噪声数据的深度神经网络 226 6.5.3 用于语音和视觉识别的深度神经网络 227 6.5.4 其他应用的深度神经网络 231 参考文献 232 第7章 物联网安全问题中的存储器 234 7.1 物联网安全问题中的存储器简介 234 7.2 用作物理不可克隆功能的存储器 234 7.2.1 RRAM用于物理不可克隆功能 235 7.2.2 用作物理不可克隆功能的MRAM 241 7.2.3 用作物理不可克隆功能的闪存 244 7.2.4 用作物理不可克隆功能的其他存储器 244 7.3 基于片上存储器的安全系统 245 7.3.1 片上安全系统简介 245 7.3.2 物理安全密钥和TAG的存储 245 7.3.3 安全系统中的人脸和特征检测 247 7.3.4 嵌入式系统的安全性 248 参考文献 248 |