人工智能及其航空航天應(yīng)用

第1章 緒論
1.1 人工智能的定義
1.2 人工智能的產(chǎn)生與發(fā)展
1.3 人工智能的研究目標(biāo)
1.4 人工智能在航空航天中的應(yīng)用
1.4.1 人工智能在航空中的應(yīng)用
1.4.2 人工智能在航天中的應(yīng)用
1.5 總結(jié)
第2章 人工智能研究基礎(chǔ)
2.1 人工智能學(xué)派
2.1.1 符號(hào)主義
2.1.2 聯(lián)結(jié)主義
2.1.3 行為主義
2.2 人工智能基礎(chǔ)知識(shí)與技能
2.2.1 人工智能問題處理范式
2.2.2 數(shù)學(xué)基礎(chǔ)
2.2.3 數(shù)據(jù)處理
2.2.4 程序設(shè)計(jì)技術(shù)
2.3 總結(jié)
第3章 線性回歸——座艙可達(dá)性邊界預(yù)測(cè)
3.1 飛機(jī)座艙可達(dá)性邊界預(yù)測(cè)背景
3.2 線性回歸理論
3.2.1 線性回歸概念
3.2.2 目標(biāo)函數(shù)與代價(jià)函數(shù)
3.2.3 線性回歸模型求解算法
3.2.4 模型算法調(diào)試
3.2.5 模型修正
3.3 飛機(jī)座艙可達(dá)性邊界預(yù)測(cè)案例
3.3.1 飛機(jī)座艙可達(dá)性邊界預(yù)測(cè)案例分析
3.3.2 基于線性回歸的飛機(jī)座艙可達(dá)性邊界預(yù)測(cè)程序流程
3.3.3 飛機(jī)座艙可達(dá)性邊界預(yù)測(cè)模型驗(yàn)證
3.4 總結(jié)
3.5 作業(yè)
3.6 知識(shí)擴(kuò)展
第4章 邏輯回歸——飛行員飛行疲勞預(yù)測(cè)
4.1 飛行員飛行疲勞預(yù)測(cè)背景
4.2 邏輯回歸理論
4.2.1 邏輯回歸的分類依據(jù)——“可能性”
4.2.2 目標(biāo)函數(shù)及決策邊界
4.2.3 代價(jià)函數(shù)
4.2.4 邏輯回歸算法求解
4.2.5 邏輯回歸的正則化
4.2.6 多分類問題
4.3 飛行員飛行疲勞預(yù)測(cè)案例
4.3.1 飛行員飛行疲勞預(yù)測(cè)案例與分析
4.3.2 基于邏輯回歸的飛行員飛行疲勞預(yù)測(cè)程序流程
4.4 總結(jié)
4.5 作業(yè)
4.6 知識(shí)擴(kuò)展
第5章 神經(jīng)網(wǎng)絡(luò)——航空飛行器分類
5.1 航空飛行器分類背景
5.2 可用于航空飛行器分類的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
5.2.1 神經(jīng)元單元
5.2.2 輸入層、隱含層、輸出層
5.2.3 激活函數(shù)
5.2.4 訓(xùn)練集與測(cè)試集
5.2.5 前向傳播與反向傳播
5.2.6 優(yōu)化
5.3 航空飛行器分類問題的程序解算
5.3.1 案例分析
5.3.2 算法流程圖
5.3.3 算法實(shí)現(xiàn)過程
5.4 總結(jié)
5.5 作業(yè)
5.6 知識(shí)擴(kuò)展
第6章 聚類——航天器零部件包裝標(biāo)準(zhǔn)化方法
6.1 航天器零部件貨運(yùn)裝箱背景
6.2 聚類理論
6.3 K均值算法
6.3.1 算法基礎(chǔ)
6.3.2 算法流程
6.3.3 優(yōu)化目標(biāo)
6.3.4 聚類中心初始化
6.3.5 選擇聚類數(shù)
6.4 航天器零部件包裝標(biāo)準(zhǔn)化問題示例
6.4.1 案例分析
6.4.2 基于聚類算法的航天器零部件包裝標(biāo)準(zhǔn)化
6.5 總結(jié)
6.6 作業(yè)
6.7 知識(shí)擴(kuò)展
第7章 降維——渦扇發(fā)動(dòng)機(jī)狀態(tài)預(yù)測(cè)
7.1 降維的基本概念
7.1.1 數(shù)據(jù)壓縮
7.1.2 數(shù)據(jù)可視化
7.2 主成分分析（PCA）算法
7.2.1 主成分分析算法簡(jiǎn)述
7.2.2 主成分分析算法步驟
7.2.3 選擇主成分的數(shù)量
7.3 應(yīng)用PCA算法預(yù)測(cè)渦扇發(fā)動(dòng)機(jī)的狀態(tài)
7.3.1 數(shù)據(jù)集和問題說明
7.3.2 發(fā)動(dòng)機(jī)系統(tǒng)狀態(tài)識(shí)別方案
7.4 總結(jié)
7.5 作業(yè)
7.6 知識(shí)擴(kuò)展
第8章 異常檢測(cè)——火箭發(fā)動(dòng)機(jī)異常檢測(cè)
8.1 火箭發(fā)動(dòng)機(jī)異常檢測(cè)背景
8.2 異常檢測(cè)理論
8.2.1 異常檢測(cè)概念
8.2.2 高斯分布與異常檢測(cè)
8.2.3 基于高斯分布的異常檢測(cè)算法
8.2.4 異常檢測(cè)開發(fā)與調(diào)試
8.2.5 異常檢測(cè)與監(jiān)督學(xué)習(xí)的對(duì)比
8.2.6 異常檢測(cè)特征的選擇
8.3 液體火箭發(fā)動(dòng)機(jī)異常檢測(cè)案例
8.3.1 液體火箭發(fā)動(dòng)機(jī)異常檢測(cè)案例分析
8.3.2 基于異常檢測(cè)的液體火箭發(fā)動(dòng)機(jī)異常檢測(cè)程序流程
8.3.3 液體火箭發(fā)動(dòng)機(jī)異常檢測(cè)結(jié)果
8.4 總結(jié)
8.5 作業(yè)
8.6 知識(shí)擴(kuò)展
第9章 深度學(xué)習(xí)——衛(wèi)星遙感圖像目標(biāo)檢測(cè)
9.1 衛(wèi)星遙感圖像目標(biāo)檢測(cè)背景
9.2 深度學(xué)習(xí)理論
9.2.1 深度學(xué)習(xí)概念
9.2.2 卷積神經(jīng)網(wǎng)絡(luò)
9.3 衛(wèi)星遙感圖像目標(biāo)檢測(cè)
9.3.1 衛(wèi)星遙感圖像目標(biāo)檢測(cè)分析
9.3.2 基于深度學(xué)習(xí)的衛(wèi)星遙感圖像目標(biāo)檢測(cè)
9.3.3 衛(wèi)星遙感圖像目標(biāo)檢測(cè)模型驗(yàn)證
9.4 總結(jié)
9.5 作業(yè)
9.6 知識(shí)擴(kuò)展
第10章 強(qiáng)化學(xué)習(xí)——無(wú)人機(jī)智能避障
10.1 無(wú)人機(jī)避障面臨的問題
10.2 強(qiáng)化學(xué)習(xí)理論
10.2.1 強(qiáng)化學(xué)習(xí)概念
10.2.2 強(qiáng)化學(xué)習(xí)算法
10.2.3 深度強(qiáng)化學(xué)習(xí)
10.3 無(wú)人機(jī)智能避障案例
10.3.1 無(wú)人機(jī)深度強(qiáng)化學(xué)習(xí)避障建模
10.3.2 網(wǎng)絡(luò)訓(xùn)練與驗(yàn)證
10.4 總結(jié)
10.5 作業(yè)
10.6 知識(shí)擴(kuò)展
參考文獻(xiàn)