譯者序前言貢獻(xiàn)者名單第一部分　面向車(chē)輛安全和保護(hù)措施的深度學(xué)習(xí)第1章　車(chē)輛安全和保護(hù)措施的深度學(xué)習(xí)21.1　引言21.2　車(chē)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(duì)周?chē)�環(huán)境感知的深度學(xué)習(xí)41.3.1　道路檢測(cè)51.3.2　車(chē)輛周?chē)�環(huán)境檢測(cè)51.3.3　挑戰(zhàn)性環(huán)境下的目標(biāo)檢測(cè)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(chē)對(duì)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(dòng)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(chē)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(cè)的重要性142.1.2　在未來(lái)自動(dòng)化車(chē)輛中的應(yīng)用142.2　駕駛?cè)似�勞檢測(cè)方法152.2.1　主觀測(cè)量152.2.2　客觀測(cè)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(dòng)駕駛汽車(chē)（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(dòng)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(chē)內(nèi)（低級(jí)傳感器）網(wǎng)絡(luò)漏洞363.3.3　車(chē)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(cè)與分類383.5　深度學(xué)習(xí)的前沿（進(jìn)步和未來(lái)）393.6　面向CAV網(wǎng)絡(luò)攻擊檢測(cè)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(chē)載通信的深度學(xué)習(xí)第4章　無(wú)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(wú)人機(jī)網(wǎng)絡(luò)吞吐量的關(guān)鍵類別544.3　針對(duì)無(wú)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(wú)人機(jī)網(wǎng)絡(luò)574.4　無(wú)人機(jī)網(wǎng)絡(luò)結(jié)構(gòu)584.4.1　無(wú)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(wú)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(wú)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(lái)無(wú)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(dòng)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(dòng)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(dòng)方法835.3　深度學(xué)習(xí)用于符號(hào)檢測(cè)任務(wù)835.3.1　將專業(yè)知識(shí)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(cè)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(shí)域進(jìn)行信道預(yù)測(cè)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(wú)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(dòng)信號(hào)識(shí)別965.8.3　智能無(wú)線電環(huán)境965.9　無(wú)線網(wǎng)絡(luò)系統(tǒng)級(jí)性能評(píng)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(chē)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(dòng)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(jiǎn)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(shì)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(chē)聯(lián)網(wǎng)汽車(chē)1347.4.1　換道和輔助1347.4.2　交通信號(hào)控制1347.4.3　交通流量?jī)?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(dòng)駕駛系統(tǒng)1377.5.1　運(yùn)動(dòng)規(guī)劃1377.5.2　橫向控制1387.5.3　安全1387.6　挑戰(zhàn)與未來(lái)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(shí)1397.6.3　構(gòu)建獎(jiǎng)勵(lì)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(cè)性140參考文獻(xiàn)141第三部分　面向車(chē)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(shí)變交通信息道路車(chē)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(wèn)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(dòng)汽車(chē)充電負(fù)荷預(yù)測(cè)1629.1　引言1629.2　電動(dòng)汽車(chē)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(píng)價(jià)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(shí)空動(dòng)態(tài)預(yù)測(cè)1799.4.1　充電樁的時(shí)空動(dòng)態(tài)負(fù)荷預(yù)測(cè)1799.4.2　時(shí)空動(dòng)態(tài)負(fù)荷矩陣構(gòu)建1809.4.3　時(shí)空卷積網(wǎng)絡(luò)模型1819.4.4　基于擴(kuò)張因果卷積的時(shí)空動(dòng)態(tài)負(fù)荷預(yù)測(cè)1829.4.5　基于時(shí)空神經(jīng)網(wǎng)絡(luò)的時(shí)空動(dòng)態(tài)負(fù)荷預(yù)測(cè)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(jué)的方法實(shí)現(xiàn)自適應(yīng)的魯棒控制19110.1　引言19110.2　通過(guò)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(duì)照參考19210.2.2　實(shí)驗(yàn)數(shù)據(jù)19310.2.3　多目標(biāo)評(píng)價(jià)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(shí)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(wèn)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(píng)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(yǔ)言處理的自動(dòng)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(dòng)態(tài)策略21711.5　性能評(píng)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(lì)兼容的車(chē)輛眾測(cè)23112.1　引言23112.2　邊緣輔助的車(chē)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(chē)輛的激勵(lì)機(jī)制23412.3.1　Stackelberg博弈23412.3.2　SSP的策略23512.3.3　車(chē)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(hào)中檢測(cè)子信號(hào)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(hào)中檢測(cè)子信號(hào)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(hào)學(xué)習(xí)25013.2.3　數(shù)學(xué)形態(tài)學(xué)的全局子信號(hào)測(cè)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(duì)駕駛行為和車(chē)輛通信的影響26414.1　深度學(xué)習(xí)算法基礎(chǔ)知識(shí)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(wú)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(duì)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(shí)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(chē)輛通信中的應(yīng)用27914.5　結(jié)論282參考文獻(xiàn)282第15章　無(wú)人機(jī)和地面車(chē)聯(lián)網(wǎng)的深度學(xué)習(xí)、計(jì)算機(jī)視覺(jué)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(wú)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(wú)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(jué)應(yīng)用的循環(huán)（In-loop） CAVIAR仿真30015.4.3　三維模型精度對(duì)無(wú)線信道的影響30215.5　結(jié)論304致謝305參考文獻(xiàn)305