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(xué)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)
第3章 線性回歸——座艙可達性邊界預(yù)測
3.1 飛機座艙可達性邊界預(yù)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(biāo)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(yù)測案例
3.3.1 飛機座艙可達性邊界預(yù)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(yù)測程序流程
3.3.3 飛機座艙可達性邊界預(yù)測模型驗證
3.4 總結(jié)
3.5 作業(yè)
3.6 知識擴展
第4章 邏輯回歸——飛行員飛行疲勞預(yù)測
4.1 飛行員飛行疲勞預(yù)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(biāo)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(yù)測案例
4.3.1 飛行員飛行疲勞預(yù)測案例與分析
4.3.2 基于邏輯回歸的飛行員飛行疲勞預(yù)測程序流程
4.4 總結(jié)
4.5 作業(yè)
4.6 知識擴展
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
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 知識擴展
第7章 降維——渦扇發(fā)動機狀態(tài)預(yù)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(yīng)用PCA算法預(yù)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
第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(xué)習(xí)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
第9章 深度學(xué)習(xí)——衛(wèi)星遙感圖像目標(biāo)檢測
9.1 衛(wèi)星遙感圖像目標(biāo)檢測背景
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
9.3.1 衛(wèi)星遙感圖像目標(biāo)檢測分析
9.3.2 基于深度學(xué)習(xí)的衛(wèi)星遙感圖像目標(biāo)檢測
9.3.3 衛(wèi)星遙感圖像目標(biāo)檢測模型驗證
9.4 總結(jié)
9.5 作業(yè)
9.6 知識擴展
第10章 強化學(xué)習(xí)——無人機智能避障
10.1 無人機避障面臨的問題
10.2 強化學(xué)習(xí)理論
10.2.1 強化學(xué)習(xí)概念
10.2.2 強化學(xué)習(xí)算法
10.2.3 深度強化學(xué)習(xí)
10.3 無人機智能避障案例
10.3.1 無人機深度強化學(xué)習(xí)避障建模
10.3.2 網(wǎng)絡(luò)訓(xùn)練與驗證
10.4 總結(jié)
10.5 作業(yè)
10.6 知識擴展
參考文獻