空天飞行器智能感知与控制_王靖宇_9787030802095

该书是西北工业大学航天学院新建微专业必修课程“空天飞行器智能感知与控制”的教材，于2023年获批教育部航空航天类战略新兴领域教材。本书全面地叙述空天飞行器智能感知与控制的基本理论、方法和应用。主要内容为：绪论、数据解析与特征工程、深度学习基础、强化学习基础、空天飞行器空中目标感知、空天飞行器智能制导与控制、空天飞行器博弈制导与控制等本书逻辑严密，突出理论联系实际，叙述深入浅出，在书中给出了一些智能算法的伪代码和应用实例。

更多科学出版社服务，请扫码获取。

第1章绪论 1 1.1 空天飞行器概述 1 1.1.1 定义与分类 1 1.1.2 发展现状 1 1.1.3 基础科学问题 3 1.2 空天飞行器智能感知 10 1.2.1 光电成像感知 10 1.2.2 多光谱成像感知 11 1.2.3 高光谱成像感知 11 1.3 空天飞行器智能控制 12 1.3.1 动力学建模 12 1.3.2 轨迹优化与制导 13 1.3.3 飞行控制技术 15 1.4 未来发展趋势 16 1.4.1 智能感知技术 17 1.4.2 智能控制技术 18 第2章数据解译与特征工程 19 2.1 数据预处理 19 2.1.1 数据预清洗 19 2.1.2 特征预处理 20 2.2 特征提取 21 2.2.1 主成分分析法 21 2.2.2 线性判别分析法 22 2.2.3 局部线性嵌入法 23 2.2.4 拉普拉斯特征映射 24 2.3 特征选择 25 2.3.1 过滤式 25 2.3.2 包装式 27 2.3.3 嵌入式 28 2.4 聚类分析 29 2.4.1 均值聚类 29 2.4.2 密度聚类 30 2.4.3 图聚类 31 2.5 回归与分类 33 2.5.1 最小二乘回归 33 2.5.2 支持向量回归 34 2.5.3 K近邻分类器 36 2.5.4 支持向量机 37 2.6 算例仿真 41 2.6.1 DC mall遥感图像数据集特征提取算例 41 2.6.2 飞行器图像数据集“背景-目标”聚类算例 43 第3章深度学习理论 45 3.1 神经网络基础 45 3.1.1 神经元 46 3.1.2 多层感知机 52 3.1.3 反向传播神经网络 52 3.2 卷积神经网络 55 3.2.1 卷积神经网络基本结构 56 3.2.2 AlexNet网络 60 3.2.3 VGGNet网络 62 3.3 新型神经网络 65 3.3.1 递归神经网络 66 3.3.2长短期记忆神经网络 68 3.3.3生成对抗神经网络 69 3.3.4 Transformer神经网络 70 3.4 神经网络压缩 73 3.4.1 模型剪枝 73 3.4.2 权重共享 74 3.4.3 参数量化 76 3.4.4 轻量型卷积核设计 77 3.4.5 知识蒸馏 79 3.5 算例仿真 80 3.5.1 卷积神经网络特征图可视化算例 80 3.5.2 航天器状态监控及故障检测算例 82 第4章强化学习理论 85 4.1 马尔可夫过程 85 4.1.1 强化学习概念 85 4.1.2 马尔科夫决策过程 87 4.1.3 动态规划 91 4.1.4 蒙特卡洛方法 94 4.1.5 时间差分学习 95 4.2 深度强化学习方法 98 4.2.1 DQN算法 98 4.2.2 DDPG算法 101 4.2.3 TD3算法 103 4.2.4 PPO算法 104 4.3 多智能体强化学习 105 4.3.1 多智能体系统 106 4.3.2 MADDPG算法 108 4.3.3 MAPPO算法 109 4.4 算例仿真 110 4.4.1 DQN算法训练CartPole算例 110 4.4.2 PPO算法训练Pendulum算例 111 4.4.3 MADDPG算法训练MPE算例 113 第5章空天飞行器空中目标感知 117 5.1 运动目标检测 117 5.1.1 背景减除法 117 5.1.2 帧间差分法 121 5.1.3 光流法 123 5.2 光学目标检测 125 5.2.1 单阶段目标检测 125 5.2.2 双阶段目标检测 128 5.3 动态目标跟踪 130 5.3.1 基于相关滤波的目标跟踪 131 5.3.2 基于深度学习的目标跟踪 139 5.4 目标轨迹预测 145 5.4.1 卡尔曼滤波算法 146 5.4.2 隐马尔可夫模型 149 5.4.3 基于LSTM时序网络的轨迹预测 156 5.5 算例仿真 162 5.5.1 背景减除法运动目标检测算例 162 5.5.2 单阶段目标检测算例 162 5.5.3 相关滤波法目标跟踪算例 162 5.5.4 卡尔曼滤波轨迹预测算例 163 第6章空天飞行器地物目标感知 167 6.1 目标检测方法 167 6.1.1 水平边界框目标检测（以SSD为例） 168 6.1.2 定向边界框目标检测（以RRPN为例） 172 6.2 变化检测方法 179 6.2.1 变化检测基本流程 180 6.2.2 图像差分法 184 6.2.3 图像回归法 185 6.2.4 变化矢量分析法 186 6.3 异常检测方法 188 6.3.1 基于RX算法的异常检测方法 189 6.3.2 基于联合表示的异常检测方法 193 6.3.3 基于低秩性与稀疏性的异常检测方法 195 6.4 星载多源图像目标识别 198 6.4.1 星载多源图像目标特征表征 198 6.4.2 复杂环境条件下星载多源图像目标识别 198 6.5 SAR 图像目标检测 198 6.5.1基于统计模型的检测方法 199 6.5.2基于极化特征的检测方法 202 6.5.3基于干涉相干性的检测方法 204 6.5.4基于深度学习的检测方法 207 6.6 算例仿真 210 6.6.1 水平边界框目标检测算例 210 6.6.2 图像差分法变化检测算例 218 6.6.3 RX算法异常检测算例 219 6.6.4 NWPU-RESISC45数据集地物目标识别 221 6.5.5 基于CFAR的SAR图像目标检测算例 221 第7章空天飞行器智能制导与控制 227 7.1 经典制导控制理论 227 7.1.1 飞行器制导与控制模型 227 7.1.2 PID控制 237 7.1.3 比例导引 239 7.2 协同制导控制系统 244 7.2.1 强化学习制导控制方法 244 7.2.2 模糊自适应智能控制方法 244 7.2.3 神经网络智能控制方法 244 7.3 协同制导控制系统 244 7.3.1 飞行器故障类型建模 244 7.3.2 故障检测与控制分配 244 7.3.3 非线性动态逆容错控制方法 244 7.4 协同制导控制系统 245 7.4.1 相对运动制导模型构建 245 7.4.2 多智能体一致性理论简介 248 7.4.3 多约束条件下的协同制导律设计方法 250 7.4.3 算例仿真 255 7.5 算例仿真 260 7.5.1 智能飞行器自动驾驶仪设计 260 7.5.2 多飞行器协同制导控制方法设计 260 第8章空天飞行器博弈制导与控制 260 8.1 微分博弈制导控制 260 8.1.1 纳什-庞特里亚金最大最小原理 260 8.1.2 微分博弈纳什均衡解 260 8.1.3 基于纳什均衡解的最优控制方法 260 8.2 非零和博弈制导控制 260 8.2.1 CW追逃博弈 260 8.2.2 粒子群优化算法 260 8.2.3 非零和博弈最优控制方法" 260 8.3 强化学习博弈制导控制 260 8.3.1 Q-learning制导控制 261 8.3.2 强化学习比例制导控制 261 8.3.3 强化学习过载制导控制" 261 8.4 算例仿真 261 8.4.1 强化学习环境介绍 261 8.4.2 导弹博弈制导控制算例 261 8.4.3 在轨航天器追逃博弈控制算例" 261 参考文献 263

我要评论