人工智能時代已經(jīng)來臨,航空航天作為全世界最早的信息科技產(chǎn)業(yè)應用技術(shù)領(lǐng)域之一,迫切需要開設(shè)人工智能技術(shù)及其在航空航天的應用課程,為人工智能在航空航天的普及、人才的培養(yǎng)、學科的發(fā)展提供條件。本書重點介紹了人工智能是什么、人工智能在航空航天領(lǐng)域能做什么,選取線性回歸、邏輯回歸、神經(jīng)網(wǎng)絡(luò)、聚類、降維、異常檢測、深度學習、強化學習,結(jié)合人工智能在航空航天應用的案例解釋人工智能的應用,以點帶面,傳授人工智能的基本知識、人工智能的算法理論及其應用方式。
本書適用于航空航天、機械專業(yè)中年級本科生和研究生的專業(yè)學習,
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
1.4 人工智能在航空航天中的應用
1.4.1 人工智能在航空中的應用
1.4.2 人工智能在航天中的應用
1.5 總結(jié)
2章 人工智能研究基礎(chǔ)
2.1 人工智能學派
2.1.1 符號主義
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)知識與技能
2.2.1 人工智能問題處理范式
2.2.2 數(shù)學基礎(chǔ)
2.2.3 數(shù)據(jù)處理
2.2.4 程序設(shè)計技術(shù)
2.3 總結(jié)
3章 線性回歸——座艙可達性邊界預測
3.1 飛機座艙可達性邊界預測背景
3.2 線性回歸理論
3.2.1 線性回歸概念
3.2.2 目標函數(shù)與代價函數(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 飛機座艙可達性邊界預測案例
3.3.1 飛機座艙可達性邊界預測案例分析
3.3.2 基于線性回歸的飛機座艙可達性邊界預測程序流程
3.3.3 飛機座艙可達性邊界預測模型驗證
3.4 總結(jié)
3.5 作業(yè)
3.6 知識擴展
4章 邏輯回歸——飛行員飛行疲勞預測
4.1 飛行員飛行疲勞預測背景
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 目標函數(shù)及決策邊界
4.2.3 代價函數(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 飛行員飛行疲勞預測案例
4.3.1 飛行員飛行疲勞預測案例與分析
4.3.2 基于邏輯回歸的飛行員飛行疲勞預測程序流程
4.4 總結(jié)
4.5 作業(yè)
4.6 知識擴展
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 訓練集與測試集
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 算法實現(xiàn)過程
5.4 總結(jié)
5.5 作業(yè)
5.6 知識擴展
6章 聚類——航天器零部件包裝標準化方法
6.1 航天器零部件貨運裝箱背景
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
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準化問題示例
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準化
6.5 總結(jié)
6.6 作業(yè)
6.7 知識擴展
7章 降維——渦扇發(fā)動機狀態(tài)預測
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 應用PCA算法預測渦扇發(fā)動機的狀態(tài)
7.3.1 數(shù)據(jù)集和問題說明
7.3.2 發(fā)動機系統(tǒng)狀態(tài)識別方案
7.4 總結(jié)
7.5 作業(yè)
7.6 知識擴展
8章 異常檢測——火箭發(fā)動機異常檢測
8.1 火箭發(fā)動機異常檢測背景
8.2 異常檢測理論
8.2.1 異常檢測概念
8.2.2 高斯分布與異常檢測
8.2.3 基于高斯分布的異常檢測算法
8.2.4 異常檢測開發(fā)與調(diào)試
8.2.5 異常檢測與監(jiān)督學習的對比
8.2.6 異常檢測特征的選擇
8.3 液體火箭發(fā)動機異常檢測案例
8.3.1 液體火箭發(fā)動機異常檢測案例分析
8.3.2 基于異常檢測的液體火箭發(fā)動機異常檢測程序流程
8.3.3 液體火箭發(fā)動機異常檢測結(jié)果
8.4 總結(jié)
8.5 作業(yè)
8.6 知識擴展
9章 深度學習——衛(wèi)星遙感圖像目標檢測
9.1 衛(wèi)星遙感圖像目標檢測背景
9.2 深度學習理論
9.2.1 深度學習概念
9.2.2 卷積神經(jīng)網(wǎng)絡(luò)
9.3 衛(wèi)星遙感圖像目標檢測
9.3.1 衛(wèi)星遙感圖像目標檢測分析
9.3.2 基于深度學習的衛(wèi)星遙感圖像目標檢測
9.3.3 衛(wèi)星遙感圖像目標檢測模型驗證
9.4 總結(jié)
9.5 作業(yè)
9.6 知識擴展
10章 強化學習——無人機智能避障
10.1 無人機避障面臨的問題
10.2 強化學習理論
10.2.1 強化學習概念
10.2.2 強化學習算法
10.2.3 深度強化學習
10.3 無人機智能避障案例
10.3.1 無人機深度強化學習避障建模
10.3.2 網(wǎng)絡(luò)訓練與驗證
10.4 總結(jié)
10.5 作業(yè)
10.6 知識擴展
參考文獻
書單推薦
