Ship As Wave Buoy: Data-Driven Sea State Estimation Based on Ship Motion Data by Cheng, Xu; Liu, Mengna; Shi, Fan;

Sorozatcím: Springer Series on Naval Architecture, Marine Engineering, Shipbuilding and Shipping;

20% KEDVEZMÉNY?
A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.

Kiadói listaár EUR 181.89
Az ár azért becsült, mert a rendelés pillanatában nem lehet pontosan tudni, hogy a beérkezéskor milyen lesz a forint árfolyama az adott termék eredeti devizájához képest. Ha a forint romlana, kissé többet, ha javulna, kissé kevesebbet kell majd fizetnie.

71 046 Ft (67 663 Ft + 5% áfa)
Kedvezmény(ek) 20% (cc. 14 209 Ft off)
Kedvezményes ár 56 837 Ft (54 130 Ft + 5% áfa)
A kedvezmény érvényes eddig: 2026. június 30.

62 521 Ft

Beszerezhetőség

Még nem jelent meg, de rendelhető. A megjelenéstől számított néhány héten belül megérkezik.

A termék adatai:

Kiadó Springer Nature Singapore
Megjelenés dátuma 2026. május 1.

ISBN 9789819567416
Kötéstípus Keménykötés
Terjedelem225 oldal
Méret 235x155 mm
Nyelv angol
Illusztrációk XVI, 225 p. 69 illus., 68 illus. in color.

Kategóriák

Valószínűségelmélet és matematikai statisztika Alkalmazott matematika Matematika a mérnöki- és természettudományok területén Adatkezelés a számítógépes rendszerekben Vízi közlekedés További könyvek a fizika területén Hidrológia Valószínűségelmélet és matematikai statisztika (karitatív célú kampány) Alkalmazott matematika (karitatív célú kampány) Matematika a mérnöki- és természettudományok területén (karitatív célú kampány) Adatkezelés a számítógépes rendszerekben (karitatív célú kampány) Vízi közlekedés (karitatív célú kampány) További könyvek a fizika területén (karitatív célú kampány) Hidrológia (karitatív célú kampány)

Hosszú leírás:

This book focuses on a comprehensive investigation into data-driven Sea State Estimation (SSE) by leveraging a vessel’s own motion data. It presents a collection of advanced deep learning frameworks designed to overcome critical, real-world challenges inherent in this approach. This book systematically introduces key issues including: the class imbalance of sea state data, where rare but hazardous conditions are difficult to predict; the need for model transferability between different ships and loading conditions; and the crucial demand for security and robustness against adversarial data attacks. To solve these problems, the book introduces a suite of innovative architectures employing techniques such as densely connected convolutional networks, prototype-based classifiers, multi-scale feature learning, adversarial transfer learning, and dynamic graph networks. The efficacy of these models is rigorously validated on both public benchmarks and specialized ship motion datasets, demonstrating superior performance over existing state-of-the-art methods and providing a robust toolkit for enhancing maritime safety and efficiency.

Több

Tartalomjegyzék:

Introduction.- State of the Art.- Densely connected convolutional neural network for sea-state estimation.- Prototype enhanced convolutional neural network for sea-state estimation.- Graph convolutional neural network for sea state estimation.- Class-imbalanced neural network for sea state estimation.- Secure Sea State Estimation: Adversarial Defense for Robust Maritime AI.- Transferable convolutional neural network for sea state estimation.- Adversarial-robust convolutional neural network for sea state estimation.- Concluding remarks.