汽車安全與自動(dòng)駕駛：信號(hào)處理和機(jī)器學(xué)習(xí)基礎(chǔ)

定　價(jià)：￥239.00

作　者：	[德] 邁克爾·博世， [德]沃爾夫?qū)跆叵？?著
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：	智能網(wǎng)聯(lián)汽車·機(jī)器學(xué)習(xí)系列
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787111718093	出版時(shí)間：	2023-03-01	包裝：	平裝
開本：	16開	頁數(shù)：	374	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書介紹了車輛整體安全和自動(dòng)駕駛領(lǐng)域中需要用到的信號(hào)處理和機(jī)器學(xué)習(xí)方法，參考了英戈?duì)柺┧毓I(yè)技術(shù)大學(xué)和慕尼黑工業(yè)大學(xué)所開設(shè)的諸多課程，如車輛安全中的信號(hào)處理、傳感器技術(shù)與信號(hào)處理、集成安全與輔助系統(tǒng)、信號(hào)處理的數(shù)學(xué)方法、凸優(yōu)化、統(tǒng)計(jì)信號(hào)處理和信號(hào)處理與機(jī)器學(xué)習(xí)等課程。全書從自動(dòng)駕駛計(jì)算所需的基礎(chǔ)知識(shí)講起，以信號(hào)處理相關(guān)算法為基礎(chǔ)，引入了對(duì)應(yīng)的車輛模型、軌跡算法和行車中的統(tǒng)計(jì)信號(hào)處理方法，并著重介紹了機(jī)器學(xué)習(xí)及其在該領(lǐng)域的應(yīng)用。為了能自行設(shè)計(jì)并實(shí)現(xiàn)車輛控制中的自動(dòng)干預(yù)算法，本書提供了相關(guān)的數(shù)學(xué)基礎(chǔ)知識(shí)。各個(gè)重點(diǎn)內(nèi)容將形象地通過習(xí)題與解題示例來闡明。對(duì)于有編程需求的習(xí)題，本書還提供了相應(yīng)的MATLAB 腳本。這本書適合在智能汽車、自動(dòng)駕駛領(lǐng)域的工程師翻閱參考，也適合從事AI算法研究的工程師用于補(bǔ)充車輛動(dòng)力學(xué)知識(shí)，同時(shí)由于本書具備較為系統(tǒng)完備的知識(shí)體系，這本書也適合高校相關(guān)專業(yè)的師生作為教材使用。

作者簡(jiǎn)介

暫缺《汽車安全與自動(dòng)駕駛：信號(hào)處理和機(jī)器學(xué)習(xí)基礎(chǔ)》作者簡(jiǎn)介

圖書目錄

前言
第1章　自動(dòng)駕駛與車輛安全導(dǎo)論 1
1.1　自動(dòng)駕駛 1
1.2　整車安全與事故統(tǒng)計(jì) 5
1.3　關(guān)鍵增值：電子元件與信號(hào)處理 12
1.4　習(xí)題 14
第2章　信號(hào)處理基礎(chǔ) 15
2.1　線性代數(shù) 15
2.1.1　定義與符號(hào) 15
2.1.2　線性代數(shù)常見運(yùn)算規(guī)則 19
2.1.3　向量與矩陣求導(dǎo) 22
2.1.4　特征值和奇異值分解，矩陣范數(shù) 24
2.2　用拉格朗日乘數(shù)求解優(yōu)化問題 27
2.2.1　帶等式約束條件的優(yōu)化問題 28
2.2.2　帶不等式約束條件的優(yōu)化問題 29
2.3　概率論 31
2.3.1　概率空間和隨機(jī)變量 31
2.3.2　條件概率和貝葉斯定理 35
2.3.3　信息論概述 36
2.3.4　高斯隨機(jī)變量 37
2.3.5　隨機(jī)變量的變換 40
2.3.6　隨機(jī)過程 41
2.4　線性系統(tǒng) 45
2.4.1　連續(xù)時(shí)間系統(tǒng) 45
2.4.2　離散時(shí)間系統(tǒng) 46
2.4.3　離散化 46
2.5　頻域信號(hào)濾波 57
2.5.1　線性時(shí)不變系統(tǒng)在頻域中的描述 57
2.5.2　低通濾波、帶通濾波和高通濾波 59
2.5.3　碰撞加速度信號(hào)的低通濾波 61
2.6　習(xí)題 63
第3章　汽車模型和軌跡 70
3.1　用于被動(dòng)車輛安全的碰撞模型 70
3.1.1　質(zhì)量-彈簧-阻尼器模型 72
3.1.2　多體仿真和有限元計(jì)算 79
3.2　涉及自動(dòng)駕駛和主動(dòng)車輛安全的車輛動(dòng)力學(xué)模型 80
3.2.1　相對(duì)運(yùn)動(dòng) 80
3.2.2　交通參與者運(yùn)動(dòng)模型 92
3.2.3　車輛運(yùn)動(dòng)力學(xué)模型 103
3.2.4　單軌模型和轉(zhuǎn)向行為 115
3.2.5　非線性雙軌模型 142
3.3　軌跡規(guī)劃與控制 147
3.4　習(xí)題 158
第4章　統(tǒng)計(jì)濾波 169
4.1　優(yōu)統(tǒng)計(jì)濾波器 169
4.2　卡爾曼濾波器 176
4.2.1　卡爾曼濾波器的推導(dǎo) 176
4.2.2　用卡爾曼濾波器進(jìn)行跟蹤 189
4.2.3　卡爾曼濾波的推廣 198
4.3　傳感器數(shù)據(jù)融合 199
4.4　習(xí)題 205
第5章　機(jī)器學(xué)習(xí) 211
5.1　機(jī)器學(xué)習(xí)概論 211
5.1.1　分類與回歸 212
5.1.2　維數(shù)災(zāi)難 215
5.1.3　特征向量的規(guī)范化 215
5.1.4　參數(shù)化和非參數(shù)化方法 216
5.1.5　分類和回歸 217
5.1.6　大似然法和大后驗(yàn)法的參數(shù)估計(jì) 218
5.1.7　線性回歸和分類 220
5.1.8　使用softmax函數(shù)進(jìn)行分類 229
5.1.9　核密度估計(jì)、k近鄰分類和核回歸 232
5.1.10　泛化與偏差-方差分解 237
5.1.11　機(jī)器學(xué)習(xí)模型選擇與評(píng)估 242
5.1.12　隨機(jī)梯度下降法 248
5.1.13　監(jiān)督學(xué)習(xí)方法概述 251
5.2　人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí) 251
5.2.1　深度多層感知機(jī) 253
5.2.2　反向傳播 257
5.2.3　徑向基函數(shù)神經(jīng)網(wǎng)絡(luò) 262
5.2.4　深度卷積神經(jīng)網(wǎng)絡(luò) 263
5.3　支持向量機(jī) 275
5.3.1　用于分類的支持向量機(jī)以及核函數(shù) 275
5.3.2　用于回歸的支持向量機(jī) 282
5.4　決策樹和回歸樹 286
5.4.1　決策樹 286
5.4.2　回歸樹 289
5.5　隨機(jī)森林 291
5.5.1　袋外誤差 295
5.5.2　通過隨機(jī)森林進(jìn)行特征選擇 296
5.5.3　鄰近性 298
5.6　無監(jiān)督學(xué)習(xí) 300
5.6.1　聚類分析 300
5.6.2　隨機(jī)森林的無監(jiān)督學(xué)習(xí) 312
5.6.3　自編碼器 314
5.6.4　變量自編碼器和生成式串行網(wǎng)絡(luò) 321
5.7　安全自動(dòng)駕駛的應(yīng)用 327
5.7.1　道路交通中的危急程度估計(jì) 331
5.7.2　碰撞嚴(yán)重程度的預(yù)測(cè) 335
5.7.3　避免碰撞的軌跡規(guī)劃 337
5.7.4　約束系統(tǒng)的觸發(fā) 339
5.7.5　交通場(chǎng)景聚類 341
5.7.6　使用變異自編碼器生成場(chǎng)景 343
5.7.7　靜止?fàn)顟B(tài)識(shí)別 345
5.8　習(xí)題 346
符號(hào)標(biāo)記 358
參考文獻(xiàn) 367