譯者序前言貢獻(xiàn)者名單第一部分　面向車輛安全和保護(hù)措施的深度學(xué)習(xí)第1章　車輛安全和保護(hù)措施的深度學(xué)習(xí)21.1　引言21.2　車輛內(nèi)部監(jiān)控的深度學(xué)習(xí)31.2.1　攝像頭系統(tǒng)31.2.2　基于可穿戴傳感器的系統(tǒng)31.2.3　駕駛?cè)诵袨楸O(jiān)控41.3　對周圍環(huán)境感知的深度學(xué)習(xí)41.3.1　道路檢測51.3.2　車輛周圍環(huán)境檢測51.3.3　挑戰(zhàn)性環(huán)境下的目標(biāo)檢測61.4　交通管理的深度學(xué)習(xí)61.4.1　交通流建模71.4.2　車對基礎(chǔ)設(shè)施的通信71.5　基于深度學(xué)習(xí)的路線規(guī)劃和導(dǎo)航81.5.1　出行者路線規(guī)劃91.5.2　食品運(yùn)輸路線規(guī)劃91.5.3　未知地圖的動態(tài)路線規(guī)劃91.6　結(jié)論9參考文獻(xiàn)10第2章　應(yīng)用于安全車輛的駕駛?cè)似�勞分類的深度學(xué)習(xí)142.1　引言142.1.1　疲勞檢測的重要性142.1.2　在未來自動化車輛中的應(yīng)用142.2　駕駛?cè)似�勞檢測方法152.2.1　主觀測量152.2.2　客觀測量162.2.3　深度學(xué)習(xí)方法172.3　方法比較232.4　結(jié)論252.5　注釋26參考文獻(xiàn)26第3章　網(wǎng)聯(lián)自動駕駛汽車（CAV）網(wǎng)絡(luò)安全與威脅情報(bào)的深度學(xué)習(xí)333.1　引言333.2　CAV技術(shù)促進(jìn)因素:自動化和連通性343.3　CAV威脅景觀和威脅情報(bào)353.3.1　聯(lián)邦學(xué)習(xí)353.3.2　車內(nèi)（低級傳感器）網(wǎng)絡(luò)漏洞363.3.3　車輛控制模塊363.3.4　CAV威脅安全分析373.3.5　攻擊面373.3.6　CAV生態(tài)系統(tǒng)的組織風(fēng)險(xiǎn)383.4　CAV威脅緩解：基于深度學(xué)習(xí)的異常檢測與分類383.5　深度學(xué)習(xí)的前沿（進(jìn)步和未來）393.6　面向CAV網(wǎng)絡(luò)攻擊檢測的端到端深度CNN-LSTM架構(gòu)413.6.1　性能分析423.6.2　結(jié)果與討論453.7　結(jié)論47參考文獻(xiàn)47第二部分　面向車載通信的深度學(xué)習(xí)第4章　無人機(jī)網(wǎng)絡(luò)優(yōu)化的深度學(xué)習(xí)524.1　引言524.2　提高無人機(jī)網(wǎng)絡(luò)吞吐量的關(guān)鍵類別544.3　針對無人機(jī)網(wǎng)絡(luò)吞吐量的路線增強(qiáng)554.3.1　基于位置的路線選擇554.3.2　基于拓?fù)涞穆肪�選擇564.3.3　基于集群的路線選擇564.3.4　應(yīng)用深度學(xué)習(xí)路線選擇的無人機(jī)網(wǎng)絡(luò)574.4　無人機(jī)網(wǎng)絡(luò)結(jié)構(gòu)584.4.1　無人機(jī)集群網(wǎng)絡(luò)結(jié)構(gòu)584.4.2　應(yīng)用深度學(xué)習(xí)的無人機(jī)集群網(wǎng)絡(luò)結(jié)構(gòu)增強(qiáng)604.5　應(yīng)用深度學(xué)習(xí)的無人機(jī)網(wǎng)絡(luò)吞吐量614.5.1　應(yīng)用深度學(xué)習(xí)分配增加吞吐量634.5.2　應(yīng)用深度學(xué)習(xí)調(diào)度增加吞吐量644.6　結(jié)論68參考文獻(xiàn)68第5章　物理層深度學(xué)習(xí)在未來無線通信系統(tǒng)和網(wǎng)絡(luò)中的最新技術(shù)785.1　引言785.1.1　相關(guān)調(diào)查文獻(xiàn)795.1.2　本章摘要815.2　基于數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)方法的收發(fā)器優(yōu)化815.2.1　基于數(shù)據(jù)驅(qū)動的端到端收發(fā)器優(yōu)化方法815.2.2　用于模塊化收發(fā)器優(yōu)化的模型輔助數(shù)據(jù)驅(qū)動方法835.3　深度學(xué)習(xí)用于符號檢測任務(wù)835.3.1　將專業(yè)知識納入自編碼器845.3.2　在接收器處實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)855.3.3　使用機(jī)器學(xué)習(xí)的順序檢測器865.4　使用機(jī)器學(xué)習(xí)進(jìn)行信道估計(jì)905.5　使用機(jī)器學(xué)習(xí)在頻域和時域進(jìn)行信道預(yù)測915.6　AI/ML在信道編碼中的應(yīng)用925.7　智能鏈路適應(yīng)935.8　智能無線電955.8.1　智能頻譜感知955.8.2　使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行自動信號識別965.8.3　智能無線電環(huán)境965.9　無線網(wǎng)絡(luò)系統(tǒng)級性能評估的機(jī)器學(xué)習(xí)985.10　結(jié)論995.11　注釋100參考文獻(xiàn)100第6章　基于深度學(xué)習(xí)的車載通信指標(biāo)調(diào)制系統(tǒng)1056.1　引言1056.2　V2V/V2I通信1076.3　基于深度學(xué)習(xí)的指標(biāo)調(diào)制系統(tǒng)1086.3.1　基于多載波的指標(biāo)調(diào)制系統(tǒng)1086.3.2　基于單載波的指標(biāo)調(diào)制系統(tǒng)1116.3.3　基于多輸入多輸出的指標(biāo)調(diào)制系統(tǒng)1146.4　結(jié)論117參考文獻(xiàn)118第7章　深度強(qiáng)化學(xué)習(xí)在互聯(lián)自動化交通系統(tǒng)中的應(yīng)用1217.1　引言1217.2　深度強(qiáng)化學(xué)習(xí)：理論與背景1227.2.1�。ㄉ疃龋�強(qiáng)化學(xué)習(xí)簡史1227.2.2　經(jīng)典強(qiáng)化學(xué)習(xí)1237.2.3　深度強(qiáng)化學(xué)習(xí)1267.2.4　為CAV應(yīng)用定制（深度）強(qiáng)化學(xué)習(xí)1307.3　CAV網(wǎng)絡(luò)中的數(shù)據(jù)環(huán)境1317.3.1　優(yōu)勢1317.3.2　AVS產(chǎn)生的數(shù)據(jù)1337.4　深度強(qiáng)化學(xué)習(xí)應(yīng)用：車聯(lián)網(wǎng)汽車1347.4.1　換道和輔助1347.4.2　交通信號控制1347.4.3　交通流量優(yōu)化1357.4.4　鐵路和海運(yùn)1357.4.5　數(shù)據(jù)通信、計(jì)算和組網(wǎng)1367.4.6　DRL在網(wǎng)絡(luò)安全中的應(yīng)用1367.5　深度強(qiáng)化學(xué)習(xí)應(yīng)用：自動駕駛系統(tǒng)1377.5.1　運(yùn)動規(guī)劃1377.5.2　橫向控制1387.5.3　安全1387.6　挑戰(zhàn)與未來方向1387.6.1　在實(shí)際應(yīng)用中的可移植性1387.6.2　交通環(huán)境標(biāo)識1397.6.3　構(gòu)建獎勵函數(shù)1397.6.4　CAV環(huán)境下多智能體DRL1407.6.5　部分狀態(tài)可觀測性140參考文獻(xiàn)141第三部分　面向車輛控制的深度學(xué)習(xí)第8章　基于深度強(qiáng)化學(xué)習(xí)的時變交通信息道路車輛排放控制1528.1　引言1528.2　相關(guān)工作1538.3　綜述1538.3.1　準(zhǔn)備工作1538.3.2　交通數(shù)據(jù)分析1548.3.3　問題公式化1548.4　方法論1558.4.1　框架1558.4.2　EFRL模型1568.5　實(shí)驗(yàn)驗(yàn)證1578.5.1　數(shù)據(jù)和設(shè)置1578.5.2　基線和指標(biāo)1588.5.3　結(jié)果1588.6　結(jié)論160參考文獻(xiàn)160第9章　電動汽車充電負(fù)荷預(yù)測1629.1　引言1629.2　電動汽車充電負(fù)荷特性分析1639.3　擴(kuò)張因果卷積的分位數(shù)回歸模型1639.3.1　擴(kuò)張因果卷積1639.3.2　核密度估計(jì)1649.3.3　擴(kuò)張因果卷積分位數(shù)回歸1649.3.4　模型評價指標(biāo)1659.3.5　基于Python的實(shí)例仿真1669.4　基于深度學(xué)習(xí)的充電負(fù)荷時空動態(tài)預(yù)測1799.4.1　充電樁的時空動態(tài)負(fù)荷預(yù)測1799.4.2　時空動態(tài)負(fù)荷矩陣構(gòu)建1809.4.3　時空卷積網(wǎng)絡(luò)模型1819.4.4　基于擴(kuò)張因果卷積的時空動態(tài)負(fù)荷預(yù)測1829.4.5　基于時空神經(jīng)網(wǎng)絡(luò)的時空動態(tài)負(fù)荷預(yù)測1839.4.6　基于Python的實(shí)例仿真1849.5　結(jié)論189參考文獻(xiàn)190第10章　基于視覺的方法實(shí)現(xiàn)自適應(yīng)的魯棒控制19110.1　引言19110.2　通過深度學(xué)習(xí)選擇參考文獻(xiàn)圖像處理19110.2.1　CNN分析結(jié)果作為對照參考19210.2.2　實(shí)驗(yàn)數(shù)據(jù)19310.2.3　多目標(biāo)評價19510.2.4　控制狀態(tài)變量19610.3　魯棒控制設(shè)計(jì)19610.3.1　系統(tǒng)識別19710.3.2　魯棒線性二次型調(diào)節(jié)器（RLQR）19810.3.3　H控制器20010.4　混合控制器的案例研究20110.4.1　仿真環(huán)境和問題目標(biāo)20110.4.2　機(jī)器學(xué)習(xí)設(shè)計(jì)20210.4.3　混合控制設(shè)計(jì)20410.4.4　結(jié)果評估20610.5　結(jié)論206參考文獻(xiàn)207第四部分　面向信息管理的深度學(xué)習(xí)第11章　基于自然語言處理的自動化物聯(lián)網(wǎng)搜索方法21011.1　引言21011.2　物聯(lián)網(wǎng)搜索引擎21111.2.1　架構(gòu)21111.2.2　關(guān)鍵組成部分21211.2.3　研究挑戰(zhàn)21311.3　基于NLP的查詢處理21311.3.1　設(shè)計(jì)原理21311.3.2　NLP基本組成部分21411.3.3　NLP工具21511.3.4　NLTK與spaCy比較21511.4　ACQUISE方法21611.4.1　基線策略21611.4.2　增強(qiáng)靜態(tài)策略21711.4.3　增強(qiáng)動態(tài)策略21711.5　性能評估22311.5.1　研究方法22311.5.2　結(jié)果22411.6　討論22611.6.1　機(jī)器學(xué)習(xí)22611.6.2　協(xié)議與算法22611.6.3　安全與隱私22611.7　相關(guān)工作22711.8　結(jié)論227致謝228參考文獻(xiàn)228第12章　一種基于強(qiáng)化學(xué)習(xí)的方法實(shí)現(xiàn)激勵兼容的車輛眾測23112.1　引言23112.2　邊緣輔助的車輛群體感知23212.2.1　結(jié)構(gòu)設(shè)計(jì)23212.2.2　工作流程23412.3　招募車輛的激勵機(jī)制23412.3.1　Stackelberg博弈23412.3.2　SSP的策略23512.3.3　車輛的策略23512.4　案例研究23612.5　結(jié)論237附錄238參考文獻(xiàn)242第13章　利用深度學(xué)習(xí)和數(shù)學(xué)形態(tài)學(xué)從噪聲復(fù)雜信號中檢測子信號24413.1　引言24413.2　基于LSTM-RNN和數(shù)學(xué)形態(tài)學(xué)的算法從噪聲復(fù)雜信號中檢測子信號24613.2.1　數(shù)據(jù)準(zhǔn)備和預(yù)處理24713.2.2　LSTM-RNN局部子信號學(xué)習(xí)25013.2.3　數(shù)學(xué)形態(tài)學(xué)的全局子信號測試25113.3　實(shí)驗(yàn)結(jié)果25513.4　結(jié)論260參考文獻(xiàn)260第五部分　其他應(yīng)用第14章　深度學(xué)習(xí)算法及其對駕駛行為和車輛通信的影響26414.1　深度學(xué)習(xí)算法基礎(chǔ)知識和監(jiān)督學(xué)習(xí)26414.1.1　線性回歸和邏輯回歸26414.1.2　人工神經(jīng)網(wǎng)絡(luò)26514.1.3　卷積神經(jīng)網(wǎng)絡(luò)26614.1.4　循環(huán)神經(jīng)網(wǎng)絡(luò)26714.1.5　深度學(xué)習(xí)架構(gòu)26814.2　深度無監(jiān)督和半監(jiān)督學(xué)習(xí)27314.2.1　受限玻爾茲曼機(jī)和深度置信網(wǎng)絡(luò)27314.2.2　自編碼器和變分自編碼器27314.2.3　生成對抗網(wǎng)絡(luò)27414.2.4　Transformers模型架構(gòu)27414.3　超參數(shù)、預(yù)處理和優(yōu)化27614.3.1　數(shù)據(jù)增強(qiáng)和遷移學(xué)習(xí)27614.3.2　權(quán)重初始化、激活函數(shù)和優(yōu)化器27614.3.3　訓(xùn)練時間、預(yù)處理和架構(gòu)改進(jìn)27814.4　深度學(xué)習(xí)在駕駛行為分析和車輛通信中的應(yīng)用27914.5　結(jié)論282參考文獻(xiàn)282第15章　無人機(jī)和地面車聯(lián)網(wǎng)的深度學(xué)習(xí)、計(jì)算機(jī)視覺和物理層集成仿真28715.1　引言28715.2　從CAVIAR模擬中獲益的應(yīng)用程序28815.2.1　啟用無人機(jī)的AI/ML仿真28815.2.2　V2I的波束選擇28915.3　多域集成模擬器29115.3.1　使用Raymobtime生成無線信道29315.3.2　CAVIAR模擬29615.4　仿真結(jié)果29715.4.1　以激光雷達(dá)為輸入的V2I的波束選擇29715.4.2　計(jì)算機(jī)視覺應(yīng)用的循環(huán)（In-loop） CAVIAR仿真30015.4.3　三維模型精度對無線信道的影響30215.5　結(jié)論304致謝305參考文獻(xiàn)305