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21.1　引言21.2　車輛內(nèi)部監(jiān)控的深度學習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)境感知的深度學習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)境下的目標檢測61.4　交通管理的深度學習61.4.1　交通流建模71.4.2　車對基礎設施的通信71.5　基于深度學習的路線規(guī)劃和導航81.5.1　出行者路線規(guī)劃91.5.2　食品運輸路線規(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10第2章　應用于安全車輛的駕駛?cè)似�勞分類的深度學習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　深度學習方法172.3　方法比較232.4　結(jié)論252.5　注釋26參考文獻26第3章　網(wǎng)聯(lián)自動駕駛汽車（CAV）網(wǎng)絡安全與威脅情報的深度學習333.1　引言333.2　CAV技術促進因素:自動化和連通性343.3　CAV威脅景觀和威脅情報353.3.1　聯(lián)邦學習353.3.2　車內(nèi)（低級傳感器）網(wǎng)絡漏洞363.3.3　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)的組織風險383.4　CAV威脅緩解：基于深度學習的異常檢測與分類383.5　深度學習的前沿（進步和未來）393.6　面向CAV網(wǎng)絡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47第二部分　面向車載通信的深度學習第4章　無人機網(wǎng)絡優(yōu)化的深度學習524.1　引言524.2　提高無人機網(wǎng)絡吞吐量的關鍵類別544.3　針對無人機網(wǎng)絡吞吐量的路線增強554.3.1　基于位置的路線選擇554.3.2　基于拓撲的路線選擇564.3.3　基于集群的路線選擇564.3.4　應用深度學習路線選擇的無人機網(wǎng)絡574.4　無人機網(wǎng)絡結(jié)構(gòu)584.4.1　無人機集群網(wǎng)絡結(jié)構(gòu)584.4.2　應用深度學習的無人機集群網(wǎng)絡結(jié)構(gòu)增強604.5　應用深度學習的無人機網(wǎng)絡吞吐量614.5.1　應用深度學習分配增加吞吐量634.5.2　應用深度學習調(diào)度增加吞吐量644.6　結(jié)論68參考文獻68第5章　物理層深度學習在未來無線通信系統(tǒng)和網(wǎng)絡中的最新技術785.1　引言785.1.1　相關調(diào)查文獻795.1.2　本章摘要815.2　基于數(shù)據(jù)驅(qū)動的機器學習方法的收發(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　深度學習用于符號檢測任務835.3.1　將專業(yè)知識納入自編碼器845.3.2　在接收器處實現(xiàn)神經(jīng)網(wǎng)絡855.3.3　使用機器學習的順序檢測器865.4　使用機器學習進行信道估計905.5　使用機器學習在頻域和時域進行信道預測915.6　AI/ML在信道編碼中的應用925.7　智能鏈路適應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（CNN）進行自動信號識別965.8.3　智能無線電環(huán)境965.9　無線網(wǎng)絡系統(tǒng)級性能評估的機器學習985.10　結(jié)論995.11　注釋100參考文獻100第6章　基于深度學習的車載通信指標調(diào)制系統(tǒng)1056.1　引言1056.2　V2V/V2I通信1076.3　基于深度學習的指標調(diào)制系統(tǒng)1086.3.1　基于多載波的指標調(diào)制系統(tǒng)1086.3.2　基于單載波的指標調(diào)制系統(tǒng)1116.3.3　基于多輸入多輸出的指標調(diào)制系統(tǒng)1146.4　結(jié)論117參考文獻118第7章　深度強化學習在互聯(lián)自動化交通系統(tǒng)中的應用1217.1　引言1217.2　深度強化學習：理論與背景1227.2.1�。ㄉ疃龋�強化學習簡史1227.2.2　經(jīng)典強化學習1237.2.3　深度強化學習1267.2.4　為CAV應用定制（深度）強化學習1307.3　CAV網(wǎng)絡中的數(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　深度強化學習應用：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1357.4.5　數(shù)據(jù)通信、計算和組網(wǎng)1367.4.6　DRL在網(wǎng)絡安全中的應用1367.5　深度強化學習應用：自動駕駛系統(tǒng)1377.5.1　運動規(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　在實際應用中的可移植性1387.6.2　交通環(huán)境標識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141第三部分　面向車輛控制的深度學習第8章　基于深度強化學習的時變交通信息道路車輛排放控制1528.1　引言1528.2　相關工作1538.3　綜述1538.3.1　準備工作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　實驗驗證1578.5.1　數(shù)據(jù)和設置1578.5.2　基線和指標1588.5.3　結(jié)果1588.6　結(jié)論160參考文獻160第9章　電動汽車充電負荷預測1629.1　引言1629.2　電動汽車充電負荷特性分析1639.3　擴張因果卷積的分位數(shù)回歸模型1639.3.1　擴張因果卷積1639.3.2　核密度估計1649.3.3　擴張因果卷積分位數(shù)回歸1649.3.4　模型評價指標1659.3.5　基于Python的實例仿真1669.4　基于深度學習的充電負荷時空動態(tài)預測1799.4.1　充電樁的時空動態(tài)負荷預測1799.4.2　時空動態(tài)負荷矩陣構(gòu)建1809.4.3　時空卷積網(wǎng)絡模型1819.4.4　基于擴張因果卷積的時空動態(tài)負荷預測1829.4.5　基于時空神經(jīng)網(wǎng)絡的時空動態(tài)負荷預測1839.4.6　基于Python的實例仿真1849.5　結(jié)論189參考文獻190第10章　基于視覺的方法實現(xiàn)自適應的魯棒控制19110.1　引言19110.2　通過深度學習選擇參考文獻圖像處理19110.2.1　CNN分析結(jié)果作為對照參考19210.2.2　實驗數(shù)據(jù)19310.2.3　多目標評價19510.2.4　控制狀態(tài)變量19610.3　魯棒控制設計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20110.4.2　機器學習設計20210.4.3　混合控制設計20410.4.4　結(jié)果評估20610.5　結(jié)論206參考文獻207第四部分　面向信息管理的深度學習第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　設計原理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　增強靜態(tài)策略21711.4.3　增強動態(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　機器學習22611.6.2　協(xié)議與算法22611.6.3　安全與隱私22611.7　相關工作22711.8　結(jié)論227致謝228參考文獻228第12章　一種基于強化學習的方法實現(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)設計23212.2.2　工作流程23412.3　招募車輛的激勵機制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242第13章　利用深度學習和數(shù)學形態(tài)學從噪聲復雜信號中檢測子信號24413.1　引言24413.2　基于LSTM-RNN和數(shù)學形態(tài)學的算法從噪聲復雜信號中檢測子信號24613.2.1　數(shù)據(jù)準備和預處理24713.2.2　LSTM-RNN局部子信號學習25013.2.3　數(shù)學形態(tài)學的全局子信號測試25113.3　實驗結(jié)果25513.4　結(jié)論260參考文獻260第五部分　其他應用第14章　深度學習算法及其對駕駛行為和車輛通信的影響26414.1　深度學習算法基礎知識和監(jiān)督學習26414.1.1　線性回歸和邏輯回歸26414.1.2　人工神經(jīng)網(wǎng)絡26514.1.3　卷積神經(jīng)網(wǎng)絡26614.1.4　循環(huán)神經(jīng)網(wǎng)絡26714.1.5　深度學習架構(gòu)26814.2　深度無監(jiān)督和半監(jiān)督學習27314.2.1　受限玻爾茲曼機和深度置信網(wǎng)絡27314.2.2　自編碼器和變分自編碼器27314.2.3　生成對抗網(wǎng)絡27414.2.4　Transformers模型架構(gòu)27414.3　超參數(shù)、預處理和優(yōu)化27614.3.1　數(shù)據(jù)增強和遷移學習27614.3.2　權重初始化、激活函數(shù)和優(yōu)化器27614.3.3　訓練時間、預處理和架構(gòu)改進27814.4　深度學習在駕駛行為分析和車輛通信中的應用27914.5　結(jié)論282參考文獻282第15章　無人機和地面車聯(lián)網(wǎng)的深度學習、計算機視覺和物理層集成仿真28715.1　引言28715.2　從CAVIAR模擬中獲益的應用程序28815.2.1　啟用無人機的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　以激光雷達為輸入的V2I的波束選擇29715.4.2　計算機視覺應用的循環(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305