深度學習及其在車聯網中的應用/智能網聯汽車機器學習系列

作者：編者:(美)胡斐//伊夫蒂哈爾·拉希德|責編:何士娟//丁鋒|譯者:李衛華//陳超//狄沖
出版社：機械工業
ISBN：9787111781707

出版日期：2025/08/01
裝幀：平裝
頁數：306

人民幣：RMB 168 元售價：元

內容大鋼

本書主要介紹了深度學習在車聯網中的應用，主要從以下五個部分講述了深度學習如何為車聯網動態地提供強大的支持：面向車輛安全和保護措施的深度學習；面向車載通信的深度學習，如車對車、車對基礎設施的通信等；面向車輛控制的深度學習，如基於道路交通狀況的排放控制，如何預測電動汽車充電負荷以及基於攝像頭捕獲的圖像來調整車速；面向信息管理的深度學習，如基於道路交通狀況和給定目的地信息，使用基於深度學習演算法的自然語言處理實現駕駛過程中物聯網（IoT）的自動搜索等；其他應用。
本書適合自動駕駛研發人員參考閱讀，也可以作為高等院校相關專業碩博研究生的參考用書。

作者介紹

編者:(美)胡斐//伊夫蒂哈爾·拉希德|責編:何士娟//丁鋒|譯者:李衛華//陳超//狄沖

譯者序
前言
貢獻者名單
第一部分  面向車輛安全和保護措施的深度學習
  第1章  車輛安全和保護措施的深度學習
    1.1  引言
    1.2  車輛內部監控的深度學習
      1.2.1  攝像頭系統
      1.2.2  基於可穿戴感測器的系統
      1.2.3  駕駛人行為監控
    1.3  對周圍環境感知的深度學習
      1.3.1  道路檢測
      1.3.2  車輛周圍環境檢測
      1.3.3  挑戰性環境下的目標檢測
    1.4  交通管理的深度學習
      1.4.1  交通流建模
      1.4.2  車對基礎設施的通信
    1.5  基於深度學習的路線規劃和導航
      1.5.1  出行者路線規劃
      1.5.2  食品運輸路線規劃
      1.5.3  未知地圖的動態路線規劃
    1.6  結論
    參考文獻
  第2章  應用於安全車輛的駕駛人疲勞分類的深度學習
    2.1  引言
      2.1.1  疲勞檢測的重要性
      2.1.2  在未來自動化車輛中的應用
    2.2  駕駛人疲勞檢測方法
      2.2.1  主觀測量
      2.2.2  客觀測量
      2.2.3  深度學習方法
    2.3  方法比較
    2.4  結論
    2.5  註釋
    參考文獻
  第3章  網聯自動駕駛汽車（CAV）網路安全與威脅情報的深度學習
    3.1  引言
    3.2  CAV技術促進因素:自動化和連通性
    3.3  CAV威脅景觀和威脅情報
      3.3.1  聯邦學習
      3.3.2  車內（低級感測器）網路漏洞
      3.3.3  車輛控制模塊
      3.3.4  CAV威脅安全分析
      3.3.5  攻擊面
      3.3.6  CAV生態系統的組織風險
    3.4  CAV威脅緩解：基於深度學習的異常檢測與分類
    3.5  深度學習的前沿（進步和未來）
    3.6  面向CAV網路攻擊檢測的端到端深度CNN-LSTM架構
      3.6.1  性能分析
      3.6.2  結果與討論

    3.7  結論
    參考文獻
第二部分  面向車載通信的深度學習
  第4章  無人機網路優化的深度學習
    4.1  引言
    4.2  提高無人機網路吞吐量的關鍵類別
    4.3  針對無人機網路吞吐量的路線增強
      4.3.1  基於位置的路線選擇
      4.3.2  基於拓撲的路線選擇
      4.3.3  基於集群的路線選擇
      4.3.4  應用深度學習路線選擇的無人機網路
    4.4  無人機網路結構
      4.4.1  無人機集群網路結構
      4.4.2  應用深度學習的無人機集群網路結構增強
    4.5  應用深度學習的無人機網路吞吐量
      4.5.1  應用深度學習分配增加吞吐量
      4.5.2  應用深度學習調度增加吞吐量
    4.6  結論
    參考文獻
  第5章  物理層深度學習在未來無線通信系統和網路中的最新技術
    5.1  引言
      5.1.1  相關調查文獻
      5.1.2  本章摘要
    5.2  基於數據驅動的機器學習方法的收發器優化
      5.2.1  基於數據驅動的端到端收發器優化方法
      5.2.2  用於模塊化收發器優化的模型輔助數據驅動方法
    5.3  深度學慣用于符號檢測任務
      5.3.1  將專業知識納入自編碼器
      5.3.2  在接收器處實現神經網路
      5.3.3  使用機器學習的順序檢測器
    5.4  使用機器學習進行通道估計
    5.5  使用機器學習在頻域和時域進行通道預測
    5.6  AI/ML在通道編碼中的應用
    5.7  智能鏈路適應
    5.8  智能無線電
      5.8.1  智能頻譜感知
      5.8.2  使用卷積神經網路（CNN）進行自動信號識別
      5.8.3  智能無線電環境
    5.9  無線網路系統級性能評估的機器學習
    5.10  結論
    5.11  註釋
    參考文獻
  第6章  基於深度學習的車載通信指標調製系統
    6.1  引言
    6.2  V2V/V2I通信
    6.3  基於深度學習的指標調製系統
      6.3.1  基於多載波的指標調製系統
      6.3.2  基於單載波的指標調製系統
      6.3.3  基於多輸入多輸出的指標調製系統
    6.4  結論

    參考文獻
  第7章  深度強化學習在互聯自動化交通系統中的應用
    7.1  引言
    7.2  深度強化學習：理論與背景
      7.2.1  （深度）強化學習簡史
      7.2.2  經典強化學習
      7.2.3  深度強化學習
      7.2.4  為CAV應用定製（深度）強化學習
    7.3  CAV網路中的數據環境
      7.3.1  優勢
      7.3.2  AVS產生的數據
    7.4  深度強化學習應用：車聯網汽車
      7.4.1  換道和輔助
      7.4.2  交通信號控制
      7.4.3  交通流量優化
      7.4.4  鐵路和海運
      7.4.5  數據通信、計算和組網
      7.4.6  DRL在網路安全中的應用
    7.5  深度強化學習應用：自動駕駛系統
      7.5.1  運動規劃
      7.5.2  橫向控制
      7.5.3  安全
    7.6  挑戰與未來方向
      7.6.1  在實際應用中的可移植性
      7.6.2  交通環境標識
      7.6.3  構建獎勵函數
      7.6.4  CAV環境下多智能體DRL
      7.6.5  部分狀態可觀測性
    參考文獻
第三部分  面向車輛控制的深度學習
  第8章  基於深度強化學習的時變交通信息道路車輛排放控制
    8.1  引言
    8.2  相關工作
    8.3  綜述
      8.3.1  準備工作
      8.3.2  交通數據分析
      8.3.3  問題公式化
    8.4  方法論
      8.4.1  框架
      8.4.2  EFRL模型
    8.5  實驗驗證
      8.5.1  數據和設置
      8.5.2  基線和指標
      8.5.3  結果
    8.6  結論
    參考文獻
  第9章  電動汽車充電負荷預測
    9.1  引言
    9.2  電動汽車充電負荷特性分析
    9.3  擴張因果卷積的分位數回歸模型

      9.3.1  擴張因果卷積
      9.3.2  核密度估計
      9.3.3  擴張因果卷積分位數回歸
      9.3.4  模型評價指標
      9.3.5  基於Python的實例模擬
    9.4  基於深度學習的充電負荷時空動態預測
      9.4.1  充電樁的時空動態負荷預測
      9.4.2  時空動態負荷矩陣構建
      9.4.3  時空卷積網路模型
      9.4.4  基於擴張因果卷積的時空動態負荷預測
      9.4.5  基於時空神經網路的時空動態負荷預測
      9.4.6  基於Python的實例模擬
    9.5  結論
    參考文獻
  第10章  基於視覺的方法實現自適應的魯棒控制
    10.1  引言
    10.2  通過深度學習選擇  參考文獻圖像處理
      10.2.1  CNN分析結果作為對照參考
      10.2.2  實驗數據
      10.2.3  多目標評價
      10.2.4  控制狀態變數
    10.3  魯棒控制設計
      10.3.1  系統識別
      10.3.2  魯棒線性二次型調節器（RLQR）
      10.3.3  H∞控制器
    10.4  混合控制器的案例研究
      10.4.1  模擬環境和問題目標
      10.4.2  機器學習設計
      10.4.3  混合控制設計
      10.4.4  結果評估
    10.5  結論
    參考文獻
第四部分  面向信息管理的深度學習
  第11章  基於自然語言處理的自動化物聯網搜索方法
    11.1  引言
    11.2  物聯網搜索引擎
      11.2.1  架構
      11.2.2  關鍵組成部分
      11.2.3  研究挑戰
    11.3  基於NLP的查詢處理
      11.3.1  設計原理
      11.3.2  NLP基本組成部分
      11.3.3  NLP工具
      11.3.4  NLTK與spaCy比較
    11.4  ACQUISE方法
      11.4.1  基線策略
      11.4.2  增強靜態策略
      11.4.3  增強動態策略
    11.5  性能評估
      11.5.1  研究方法

      11.5.2  結果
    11.6  討論
      11.6.1  機器學習
      11.6.2  協議與演算法
      11.6.3  安全與隱私
    11.7  相關工作
    11.8  結論
    致謝
    參考文獻
  第12章  一種基於強化學習的方法—實現激勵兼容的車輛眾測
    12.1  引言
    12.2  邊緣輔助的車輛群體感知
      12.2.1  結構設計
      12.2.2  工作流程
    12.3  招募車輛的激勵機制
      12.3.1  Stackelberg博弈
      12.3.2  SSP的策略
      12.3.3  車輛的策略
    12.4  案例研究
    12.5  結論
    附錄
    參考文獻
  第13章  利用深度學習和數學形態學從雜訊複雜信號中檢測子信號
    13.1  引言
    13.2  基於LSTM-RNN和數學形態學的演算法從雜訊複雜信號中檢測子信號
      13.2.1  數據準備和預處理
      13.2.2  LSTM-RNN局部子信號學習
      13.2.3  數學形態學的全局子信號測試
    13.3  實驗結果
    13.4  結論
    參考文獻
第五部分  其他應用
  第14章  深度學習演算法及其對駕駛行為和車輛通信的影響
    14.1  深度學習演算法基礎知識和監督學習
      14.1.1  線性回歸和邏輯回歸
      14.1.2  人工神經網路
      14.1.3  卷積神經網路
      14.1.4  循環神經網路
      14.1.5  深度學習架構
    14.2  深度無監督和半監督學習
      14.2.1  受限玻爾茲曼機和深度置信網路
      14.2.2  自編碼器和變分自編碼器
      14.2.3  生成對抗網路
      14.2.4  Transformers模型架構
    14.3  超參數、預處理和優化
      14.3.1  數據增強和遷移學習
      14.3.2  權重初始化、激活函數和優化器
      14.3.3  訓練時間、預處理和架構改進
    14.4  深度學習在駕駛行為分析和車輛通信中的應用
    14.5  結論

    參考文獻
  第15章  無人機和地面車聯網的深度學習、電腦視覺和物理層集成模擬
    15.1  引言
    15.2  從CAVIAR模擬中獲益的應用程序
      15.2.1  啟用無人機的AI/ML模擬
      15.2.2  V2I的波束選擇
    15.3  多域集成模擬器
      15.3.1  使用Raymobtime生成無線通道
      15.3.2  CAVIAR模擬
    15.4  模擬結果
      15.4.1  以激光雷達為輸入的V2I的波束選擇
      15.4.2  電腦視覺應用的循環（In-loop） CAVIAR模擬
      15.4.3  三維模型精度對無線通道的影響
    15.5  結論
    致謝
    參考文獻

同類熱銷排行榜

最近瀏覽的商品

深度學習及其在車聯網中的應用/智能網聯汽車機器學習系列