本書主要內(nèi)容包含工業(yè)機器人的現(xiàn)場編程認識、工業(yè)機器人硬件系統(tǒng)認識、工業(yè)機器人示教器認識、坐標系和I/O通信的認識及設(shè)定、工業(yè)機器人手動操縱、工業(yè)機器人編程基礎(chǔ)、簡單軌跡示教編程實例和工業(yè)機器人典型應(yīng)用實例。全書以ABB工業(yè)機器人為研究對象，側(cè)重于實踐操作的技能指導。附錄中給出了ABB機器人的標準I/O板、RAPID程序

《工業(yè)機器人技術(shù)基礎(chǔ)》基于模塊化機構(gòu)，以工業(yè)機器人的基礎(chǔ)性、實用性、公用型為主線進行編寫。全書分為10個模塊，分別介紹了機器人的基本概念、工業(yè)機器人數(shù)學基礎(chǔ)、工業(yè)機器人運動學、工業(yè)機器人動力學、工業(yè)機器人機構(gòu)、工業(yè)機器人感知技術(shù)、工業(yè)機器人控制、工業(yè)機器人編程、工業(yè)機器人的軌跡規(guī)劃、工業(yè)機器人系統(tǒng)及典型應(yīng)用。在編寫過程

本教材分為五部分，主要由模塊1認識工業(yè)機器人、模塊2工業(yè)機器人安全操作規(guī)范、模塊3工業(yè)機器人示教編程、模塊4報警信息檢測及故障排查和模塊5工業(yè)機器人操作及應(yīng)用等組成，以KEBA系統(tǒng)為主要學習內(nèi)容，重點從認識工業(yè)機器人到實現(xiàn)對工業(yè)機器人編程應(yīng)用及維護的層次進行介紹，以保證學習者能夠通過利用該教材的學習，達到學會如何根據(jù)工

本書介紹工業(yè)機器人系統(tǒng)集成的設(shè)計方法，分走進系統(tǒng)集成、系統(tǒng)集成要求分析、機械系統(tǒng)模塊設(shè)計、工件檢測模塊設(shè)計、控制系統(tǒng)模塊設(shè)計以及系統(tǒng)功能集成開發(fā)六個學習項目，每一單元有各自的任務(wù)設(shè)計和相關(guān)知識介紹，介紹后又都以搬運工作站為案例進行具體分析，*后又增加了一個拓展項目——焊接機器人系統(tǒng)集成設(shè)計實踐，是對前六個項目知識的鞏固

本書以FANUC機器人為對象，系統(tǒng)介紹了工業(yè)機器人程序設(shè)計的相關(guān)知識。全書共分八個項目，主要包括工業(yè)機器人概述、基本操作、典型工作站的編程實例等內(nèi)容，將知識點和技能點融入典型工作站的項目實施中，以滿足工學結(jié)合、項目引導、教學一體化的教學需求。

《過程檢測技術(shù)及儀表》（第三版）以信息為主線，從信息的獲取、變換、處理等方面介紹了過程檢測技術(shù)及顯示儀表的基本概念、各種參數(shù)和檢測方法、信號的變換技術(shù)及參數(shù)的記錄、數(shù)字顯示等內(nèi)容；并結(jié)合檢測系統(tǒng)的組成以及誤差的產(chǎn)生，討論了各種誤差的補償方法及途徑；同時介紹了各種檢測元件和實際工業(yè)過程儀表選型的原則，增加了檢測技術(shù)的新進

《大數(shù)據(jù)分析與挖掘》主要內(nèi)容包括：第1章緒論、第2章數(shù)據(jù)特征分析與預(yù)處理、第3章關(guān)聯(lián)規(guī)則挖掘、第4章分類算法、第5章聚類算法、第6章分布式大數(shù)據(jù)流挖掘、第7章綜合案例基于華為技術(shù)與設(shè)備。本書可作為高等院校數(shù)據(jù)科學與大數(shù)據(jù)技術(shù)、計算機科學與技術(shù)等相關(guān)專業(yè)的本科生教材。

本書主要內(nèi)容包括：第1章初識Hadoop、第2章Hadoop基礎(chǔ)、第3章Hadoop開發(fā)環(huán)境配置與搭建、第4章Hadoop分布式文件系統(tǒng)（HDFS）、第5章資源管理器（Yarn）、第6章MapReduce基礎(chǔ)程序設(shè)計、第7章MapReduce程序設(shè)計、第8章分布式數(shù)據(jù)庫HBase、第9章分布式數(shù)據(jù)倉庫Hive、第10章

本書以Scala作為開發(fā)Spark應(yīng)用程序的編程語言，系統(tǒng)介紹了Spark編程的基礎(chǔ)知識。全書共7章，內(nèi)容包括大數(shù)據(jù)技術(shù)概述、Spark的設(shè)計與運行原理、Spark環(huán)境搭建和使用方法、RDD編程、SparkSQL、SparkStreaming、SparkMLlib等。

非線性系統(tǒng)自學習最優(yōu)控制：自適應(yīng)動態(tài)規(guī)劃方法（英文版）Self-learning optimal control of nonlinear systems